1. MERLIC性能优化工程导论

在工业机器视觉项目中，算法能否跑通只是第一步，能否在产线节拍内长期稳定地跑好，才是决定项目能否交付的关键。MVTec MERLIC 作为一款面向快速应用开发的机器视觉软件，通过图形化流程、预置工具链和可复用的视觉配方，让工程师不必从零编写底层算子，就能搭建出完整的检测应用。但正因为它把大量细节封装在工具内部，一旦出现节拍超时、误检率上升或运行一段时间后结果漂移，问题往往不容易从界面上直接看出来。本课程的目标，就是建立一套面向 MERLIC 的性能优化工程方法：既理解速度、精度、稳定性三个维度的相互制约，也能把优化落到具体的工具参数、图像采集链路和运行环境上。

MERLIC 在工业视觉中的定位

工业视觉软件大致可以分为三类：底层算法库、通用视觉开发平台和面向应用的快速集成软件。MERLIC 属于第三类，它的核心价值在于“把常见视觉任务产品化”。一个典型的 MERLIC 应用由图像源、工具链和结果输出三部分组成：图像源可以是 GigE Vision 相机、USB 相机或图像文件夹；工具链由“采集图像—定位—测量/检测—判定—通信输出”等工具串联而成；结果通过 TCP/IP、PLC、Modbus 或文件方式交给上位系统。

这种结构的优点是开发快、可读性强，缺点是性能瓶颈容易被“平均化”。例如，一个包含 8 个工具的流程，整体耗时 120 ms，工程师很难一眼看出是采集占 40 ms、定位占 50 ms，还是某个测量工具在特定图像上反复迭代。因此，性能优化的第一步不是改参数，而是建立可观测的耗时与结果分解。

性能优化的三个核心维度

速度关注的是单次执行时间和节拍余量。工业现场通常以“每分钟件数”或“单件允许时间”表达，例如 60 件/分钟对应 1000 ms/件，扣除机械动作和通信时间后，视觉系统可能只有 300～500 ms 的预算。速度优化的对象包括图像采集曝光、传输、工具执行顺序、ROI 大小和搜索范围。

精度关注的是测量值或判定结果与真实值的偏差。精度不足可能表现为尺寸测量偏差、定位角度抖动或缺陷漏检。精度优化通常涉及标定、亚像素设置、模板质量、光照一致性和阈值策略。需要注意的是，精度和速度经常互相拉扯：扩大搜索范围、提高亚像素精度、增加验证工具，都会增加耗时。

稳定性关注的是系统在长时间运行、环境变化和批次差异下的结果一致性。稳定性问题往往不是“一次跑不对”，而是“跑一千次后偶尔不对”。常见诱因包括温度漂移导致的光照变化、相机触发抖动、内存增长、通信超时和模板老化。稳定性优化更偏向工程约束：固定曝光、锁定增益、定期复标定、设置超时与重试策略。

工程化优化流程概览

性能优化不是“凭感觉调参”，而是一个可重复的工程闭环。建议按以下五个阶段推进，每个阶段都有明确的输入和输出。

第一阶段：建立基线。在优化之前，先记录当前系统的真实表现。需要采集的数据包括：单次执行总耗时、各工具耗时、连续运行 1000 次的耗时分布、误检/漏检次数、通信超时次数。MERLIC 的执行时间可以在流程视图中观察，也可以通过日志或外部计时脚本记录。基线的作用是让后续每一次调整都有对比依据。

第二阶段：定位瓶颈。把总耗时按“采集—定位—检测—输出”分解，找出占比最大的环节。常见瓶颈有三类：采集环节的曝光和传输时间过长；定位环节的模板搜索范围过大；检测环节的工具数量过多或 ROI 设置过宽。定位瓶颈时不要只看平均值，还要看最大值和抖动，因为产线节拍通常由最慢的一次决定。

第三阶段：参数级调整。针对瓶颈做具体修改，而不是笼统地“优化算法”。例如：缩小模板搜索区域、降低不必要的亚像素精度、合并重复的定位工具、把固定阈值改为自适应阈值、减少图像分辨率或改用 ROI 裁剪。每一次调整只改一个变量，便于判断效果归属。

第四阶段：回归验证。调整后必须重新跑完整测试集，确认速度提升的同时精度和稳定性没有下降。建议使用同一批图像或同一批工件，对比调整前后的耗时、测量值和判定结果。如果速度提升但误检率上升，说明调整越过了精度边界，需要回退或折中。

第五阶段：固化与监控。把验证通过的参数写入 MERLIC 配方并版本化，记录修改原因和适用批次。上线后设置耗时和超时监控，当单次耗时超过预算的 80% 时提前预警，避免等到产线停线才发现问题。

一个可参考的优化记录表

为了让优化过程可追溯，建议为每个版本维护一份记录。下表是一个示例结构，字段可根据项目实际情况增减。

表中的数值为教学示例，用于说明记录方式，不代表任何实际项目的实测结果。真实项目中应使用现场采集的数据填写，并保留原始图像和日志，便于回溯。

本课程的学习路径