1. 高速视觉性能优化工程导入
在高速视觉应用中，HALCON 的定位并不是“跑得动的视觉库”，而是“能在确定节拍内稳定给出结果的机器视觉开发平台”。这句话包含两个关键约束：一是节拍确定，二是结果稳定。普通视觉项目允许单帧处理耗时在几十毫秒甚至上百毫秒波动，而高速场景往往要求整条处理链在 5 ms、2 ms 甚至 1 ms 内完成，并且每一帧都要在截止时间前输出，不能出现偶发超时。理解这一点，是进入性能优化工程的前提。
高速场景通常出现在三类任务中：高速产线上的定位与测量、高速运动物体的缺陷检测、以及多相机同步的在线检测。以常见的 2000 万像素工业相机、100 fps 采集为例，单帧数据量约为 20 MB，若处理链耗时 8 ms，则理论吞吐上限约 125 fps，但实际受采集、传输、内存拷贝和调度影响，稳定吞吐往往只有 60～80 fps。性能瓶颈很少只来自某一个算子，而是分布在“采集—传输—预处理—特征提取—匹配/测量—结果输出”整条链路上。
1. 数据搬运：相机到主机、主机内存到显存、图像拷贝与格式转换；
2. 算子选择：使用了精度足够但速度偏慢的算子，或未使用 SIMD/多核加速；
3. 参数配置：模板尺寸、搜索范围、金字塔层数、阈值等设置过大；
4. 并行与调度：多相机、多任务竞争 CPU/GPU 与内存带宽；
5. 系统环境：驱动、线程池、内存分配、缓存命中率与实时优先级。
因此，优化目标不能简单写成“让程序更快”，而应写成可度量的工程目标：在给定硬件与节拍下，使单帧处理时间的 P99 小于截止时间，同时保持结果精度与稳定性。例如，某高速贴片机定位任务要求 2 ms 内完成 Mark 点定位，允许误差 ±0.02 mm，那么优化目标就是：在 2 ms 预算内，将定位重复精度控制在 ±0.02 mm，且连续 10 万帧无超时。这个目标同时约束了速度、精度和稳定性，三者缺一不可。
上图把课程任务全景拆成四层：处理链、瓶颈来源、优化目标、优化手段。处理链是观察对象，瓶颈来源是诊断入口，优化目标是验收标准，优化手段是工程动作。后续章节会沿着这条主线逐层展开，但每一层都不是孤立技巧，而是围绕“在截止时间内稳定输出正确结果”这一核心约束展开。
课程任务全景可以概括为一条从“看得见”到“算得准”再到“跑得稳”的路径。看得见，指采集与传输链路不丢帧、不阻塞；算得准，指算子与参数在精度和速度之间取得平衡；跑得稳，指并行调度与系统环境在长时间运行下不退化。很多工程师在优化时只关注算子耗时，却忽略了内存拷贝和线程竞争，结果单帧测试很快，连续运行却频繁超时。因此，性能优化必须建立可观测的度量体系。
建议在项目初期就建立三个基础度量：单帧处理时间、P99 处理时间、以及各阶段耗时占比。单帧处理时间反映平均性能，P99 反映最坏情况，阶段占比则告诉你优化应该从哪里下手。例如，若采集与拷贝占 60%，那么换更快的匹配算子收益有限；若匹配占 70%，则应优先调整金字塔层数和搜索范围。度量不是一次性的，而应贯穿优化全过程。
这个示例说明，优化不是单点动作，而是“度量—定位—调整—再度量”的闭环。每一次调整都要有明确的观察指标和判断依据，否则很容易陷入“感觉变快了”的误区。课程后续会围绕采集与内存、算子与参数、并行与加速、系统与调度、度量与验证五个方向展开，每个方向都给出可操作的检查点和判断标准。
最后需要明确的是，HALCON 在高速场景中的优势在于其丰富的算子和对多核、SIMD、GPU 的支持，但这些能力不会自动生效。只有理解处理链、识别瓶颈、设定可度量目标，并有针对性地选择优化手段，才能把平台能力转化为稳定的节拍表现。本章的任务，就是建立这张全景图，让后续每一章的优化动作都有明确的坐标和验收标准。