1. 课程导入与场景锚定

在工业机器视觉项目中，HALCON 常被定位为“视觉算法与图像处理的核心引擎”。它擅长完成图像采集、预处理、特征提取、定位、测量、缺陷检测、OCR/OCV 识别以及标定等任务。但在真实产线中，仅输出一个“OK/NG”结果远远不够。制造企业更关心的是：这个结果对应哪一件产品、哪一批次、哪一台设备、哪一组工艺参数，以及当客户投诉或内部质量异常发生时，能否在几分钟内还原完整证据链。这正是“生产数据与质量追溯集成”要解决的问题。

本课程围绕一条典型的装配—检测—包装产线展开。该产线包含上料工位、视觉检测工位、装配工位、下料与分拣工位。HALCON 部署在视觉检测工位，负责对产品进行定位、尺寸测量和表面缺陷检测。产线同时存在 PLC、MES、扫码枪、工控机和本地数据库。课程贯穿案例的目标是：让 HALCON 的视觉结果不再孤立，而是与产品序列号、工位号、时间戳、工艺参数、设备状态和最终质量判定绑定，形成可查询、可导出、可审计的追溯记录。

HALCON 在工业视觉系统中的定位

从系统层级看，HALCON 通常位于“视觉算法层”，向上对接业务逻辑与数据管理层，向下对接相机、镜头、光源和运动控制。它不直接替代 PLC 的实时控制，也不替代 MES 的订单与物料管理，而是作为高精度、高节拍的图像分析组件，输出结构化结果。一个典型的信号与数据链路如下：

• 采集层：工业相机通过 GigE Vision 或 USB3 Vision 采集图像，触发信号可来自 PLC 或光电传感器。
• 算法层：HALCON 执行图像预处理、模板匹配、边缘提取、Blob 分析、测量或分类，输出坐标、尺寸、缺陷面积、置信度等。
• 控制层：视觉结果经 TCP/IP、Modbus TCP 或共享内存传递给 PLC，驱动分拣气缸或报警灯。
• 数据层：视觉结果与产品条码、工位号、时间戳、设备参数一起写入数据库或 MES，形成追溯记录。

理解这个分层很重要，因为后续章节中涉及的接口设计、数据表结构、异常处理和性能优化，都建立在这个定位之上。HALCON 不是“万能系统”，而是整个追溯链路中负责“看”和“判断”的关键环节。

生产数据与质量追溯的业务价值

质量追溯的价值可以从三个维度理解。第一是合规与审计：汽车、医疗、电子等行业要求关键零部件具备批次级或单件级追溯能力，缺少记录可能导致整批产品被拒收。第二是异常闭环：当某台设备连续产生 NG 时，追溯系统能快速定位是来料问题、工艺漂移还是视觉误判，从而缩短停机时间。第三是持续改进：长期积累的视觉测量数据可以用于统计过程控制（SPC），发现尺寸趋势性偏移，在缺陷发生前进行干预。

以贯穿案例中的视觉检测工位为例，假设检测项目包括：定位孔圆心坐标、产品外径、表面划痕面积。若只保存“OK/NG”，当客户反馈某批次外径偏小时，无法判断是个别产品还是系统性问题。若保存了每件产品的测量值、对应相机曝光时间、光源亮度和产品序列号，就可以按批次聚合分析，快速判断偏差来源。

典型产线追溯需求拆解

一个可落地的追溯需求通常包含以下要素，它们也是后续数据表设计和接口定义的基础：

这些字段并非孤立存在，而是通过“产品序列号 + 时间戳”形成一条主键链路。设计时需要注意：视觉结果写入数据库的节拍必须与产线节拍匹配，否则会造成数据积压或丢帧。在贯穿案例中，我们假设产线节拍为 1.2 秒/件，视觉处理耗时约 300 毫秒，数据库写入采用异步队列，避免阻塞主检测流程。

贯穿案例介绍：从单点检测到追溯闭环

课程贯穿案例设定为一条“电机端盖视觉检测与追溯产线”。端盖由上游装配线流入，经过视觉工位时，相机拍摄端盖正面图像，HALCON 完成三项任务：定位中心孔、测量外径、检测表面划痕。检测结果与端盖上的二维码绑定，写入本地 SQLite 数据库，并同步到 MES 模拟接口。若判定为 NG，PLC 控制气缸将其推入废品槽，同时记录 NG 代码。

后续章节将逐步展开：如何用 HALCON 获取稳定图像、如何设计测量与缺陷检测算子、如何把结果封装为结构化数据、如何设计数据库表、如何通过 TCP/IP 与 PLC 交互、如何做异常处理与日志、如何验证追溯查询。本节先建立整体认知，下图展示了该案例从图像采集到追溯查询的完整数据流与系统边界。