1. 课程导入与计量工程认知
在工业现场，测量结果是否可信，往往比测量速度更关键。精密测量关注的是“量值是否准确、是否可追溯、是否可复现”，而机器视觉计量则是在此基础上，用相机、镜头、光源和算法替代或辅助传统接触式量具，对工件尺寸、位置、形状和表面特征进行非接触式量化。HALCON 在这一体系中扮演的是“视觉计量算子库与算法平台”的角色：它不直接产生物理量值，而是把图像中的像素信息，通过标定、亚像素提取和几何拟合，转换为具有物理单位的坐标与尺寸。
理解这一点，需要先区分三个层次。第一层是成像层：相机把三维世界投影为二维灰度或彩色图像，镜头的畸变、光源的方向性、工件的反光特性都会改变像素灰度分布。第二层是算法层：HALCON 提供边缘提取、亚像素轮廓、模板匹配、圆/线/椭圆拟合等算子，把灰度变化转化为几何元素。第三层是计量层：通过标定把像素坐标映射到毫米坐标，再依据测量不确定度判断结果是否满足公差要求。三层缺一不可，只谈算法不谈标定，得到的只是“像素尺寸”；只谈标定不谈成像，标定板也可能因曝光不当而提取失败。
本节核心认知：机器视觉计量的输出不是“一张图”，而是一组带物理单位、带不确定度、可追溯的测量结果。HALCON 的价值在于把从图像到量值的链路标准化、可编程化。
为了更直观地看清这条链路，下面用一张信号链与数据流图表示从物理工件到最终计量报告的完整路径。图中同时标出了 HALCON 在链路中的介入位置，以及每个环节最值得关注的参数或状态。
从图中可以看到，HALCON 并不是孤立的一步，而是贯穿预处理、亚像素提取、几何拟合和坐标变换的完整算法带。真正决定计量可信度的，是这条链路上每个环节的参数选择与验证方式。例如，亚像素边缘提取时，edges_sub_pix 的 Alpha 参数控制平滑程度：值过小会保留噪声导致的伪边缘，值过大则会把真实圆角“抹平”，使拟合半径偏大。实际调试中，通常先用 Sigma 做高斯预平滑，再根据边缘对比度调整 Alpha，并用 fit_circle_contour_xld 返回的 Radius 与 StartPhi/EndPhi 检查拟合是否覆盖了足够圆弧。
标定环节同样需要具体操作。以常见的棋盘格标定为例，假设使用 7×7 圆点标定板，点间距 2.5 mm，在 5 个不同位姿下各采集一张图像。HALCON 中通过 find_calib_object 提取标定板区域，再用 calibrate_cameras 计算内参。若返回的平均重投影误差为 0.08 pixel，而像素当量约为 0.05 mm/pixel，则对应约 0.004 mm 的标定残差。这个数值需要与工件公差比较：若公差为 ±0.05 mm，则标定残差占比约 8%，通常可接受；若公差为 ±0.01 mm，则必须更换更高分辨率镜头或优化标定流程。
学习路径建议：先建立“成像—算法—计量”三层认知，再依次掌握 HALCON 的图像采集与标定、亚像素边缘提取、几何拟合与坐标变换，最后进入不确定度评估与测量系统分析。不要跳过标定直接调算法，否则后续所有尺寸都缺少物理意义。
本课程后续章节将围绕这条链路逐步展开：从 HALCON 开发环境与图像采集，到标定板选择与相机标定，再到边缘提取、圆/线拟合、尺寸测量、位置度评价，最终落到测量不确定度与工程报告。每一章都会给出可运行的算子组合、关键参数取值范围和结果判读方法，帮助你把“能测”变成“测得准、说得清”。
需要特别提醒的是，机器视觉计量不是“像素越小越准”。像素当量、镜头畸变、光源稳定性、工件表面粗糙度、算法拟合模型都会共同影响最终不确定度。一个常见的误区是只关注相机分辨率，却忽略了远心镜头与背光照明对边缘锐度的提升。实际项目中，先用标准件做重复性测试：同一工件在同一位置连续测量 30 次，计算标准差；再在不同位置、不同班次重复，观察再现性。只有重复性和再现性都稳定，测量结果才具备工程可信度。
最后，计量工程的核心不是追求“绝对零误差”，而是明确误差来源、量化误差大小、判断误差是否可接受。HALCON 提供了从图像到量值的完整工具链，但工具链的可靠性取决于使用者对成像、算法和计量规范的理解。带着“这条链路上哪一步最可能引入误差”的问题进入后续学习，会比单纯记忆算子名称更有效。