📚 课程目录第1章工业视觉概述

工业视觉图像处理与检测模型训练实战 - 第1节

1.1 机器视觉到底是什么？

先问个问题：你让机器「看」见东西，它真的能「看懂」吗？

其实，机器视觉不是让机器长眼睛。它是用相机拍下图像，再用算法从图像里提取信息，最后做出判断或控制。说白了，就是把光信号变成数字信号，再变成决策信号。

我入行那会儿，有个老工程师跟我说过一句话，我一直记着：「视觉系统就是给工业设备装上一双不会累的眼睛。」后来做了十几年项目，我越来越觉得，这双眼睛不光不会累，还能看到人眼看不到的东西——比如微米级的划痕、高速运动中的位置偏差。

  机器视觉的核心三要素：
  成像——用合适的光源和相机，把目标「拍清楚」
处理——用算法从图像里提取特征
决策——根据特征输出结果（OK/NG、坐标、角度等）

工业4.0这个概念，说白了就是「让工厂自己会思考」。你想想看，一条产线如果连产品好坏都靠人眼去盯，那还谈什么智能化？

我经历过一个典型的案例：某3C代工厂，一条手机中框检测线，原来用了12个质检员，每人每天要看3000多个产品。结果呢？漏检率一直在3%左右下不来。后来上了视觉系统，4台相机+1套算法，漏检率直接降到0.1%以下。这不是个例，这是趋势。

工业4.0对视觉的需求，主要集中在三个层面：

需求层面	具体内容	我的体会
数据采集	产线每个工位的产品图像需要实时上传	数据量比你想象的大得多，一条产线一天能产生几个TB
实时决策	检测结果必须在几十毫秒内反馈给执行机构	我曾经因为算法慢了20ms，整条线被客户投诉
柔性换产	换产品型号时，视觉系统能快速切换检测逻辑	传统规则算法换产要改代码，深度学习模型换产只要换权重

注意：工业4.0不是让你把所有数据都往云端传。边缘计算在视觉系统里越来越重要——很多判断必须在相机端或工控机上完成，否则延迟会让你吃大亏。

缺陷检测是工业视觉里最「卷」的领域。为什么？因为缺陷的种类太多了——划痕、脏污、凹陷、气泡、毛刺、缺料……而且同一个产品，不同批次的缺陷形态可能完全不一样。

我记得有一次做锂电池极片检测项目。极片表面的涂层缺陷，有些是针尖大小的黑点，有些是几毫米长的划痕。用传统算法做，你得给每种缺陷写一套特征提取规则，调参调到怀疑人生。后来换了深度学习，用几百张缺陷图训练了一个分割模型，效果反而更好。

目前主流的缺陷检测方案对比：

我的建议：不要一上来就上深度学习。先试试传统方法能不能解决——很多时候，一个高斯滤波+阈值分割就能搞定的事，没必要搬出ResNet。

尺寸测量是工业视觉的「基本功」。精度要求从毫米级到微米级都有。你想想看，一个手机摄像头模组的装配间隙，要求控制在±5μm以内。人眼加显微镜都测不准，但视觉系统可以。

尺寸测量的核心难点不在算法，而在标定。我踩过最大的坑就是：算法算出来尺寸是准的，但实际产品就是不合格。后来查了半天，发现是相机标定矩阵算错了——一个像素对应的物理尺寸偏了0.01mm，累积到几十个毫米的测量范围上，误差就大了。

尺寸测量的典型流程：

  避坑指南：我曾经在一个项目中，用了高精度的远心镜头，但忽略了温度变化对镜头膨胀的影响。结果白天和晚上的测量结果差了0.02mm。后来加了温度补偿模型才解决。记住：工业现场的环境比你实验室复杂得多。

定位引导，说白了就是让机器知道「东西在哪儿」，然后告诉机器人去抓、去放、去焊、去贴。

这个场景在3C组装、汽车零部件装配、食品包装等行业特别常见。我做过一个项目：机器人要从料盘里抓取不同姿态的螺丝，然后放到指定位置。如果没有视觉引导，你得用振动盘加机械定位，换一种螺丝就得换一套工装。有了视觉引导，相机一拍，算法算出螺丝的位置和角度，机器人直接抓取——柔性化程度高了一个量级。

定位引导的关键技术指标：

注意：定位引导最容易出问题的地方是「手眼标定」——相机坐标系和机器人坐标系之间的转换关系。标定做不好，算法算得再准，机器人也抓不准。我见过太多项目死在这个环节上。

下面这张图，把本章的核心知识点串起来了。你可以把它当作整个课程的「地图」——后面每一章，都会在这张图上展开。

这张图你看懂了吗？从上到下，其实是「系统定义 → 驱动因素 → 应用场景 → 技术细节」的层层展开。后面29章，我们会把「处理」这个环节拆开揉碎，从图像预处理讲到模型训练，再到最后的工程部署。

嗯，第一章就到这里。内容不多，但都是基础。基础打牢了，后面学起来才不费劲。