一、工业视觉概述：从一张照片到产线决策

大家好，我是老张。在工业视觉这行摸爬滚打了十几年，今天咱们聊聊最基础的问题——工业视觉到底是什么。

说白了，工业视觉就是用摄像头和算法，代替人眼去“看”产品。但这里有个关键点：它不是拍张照片那么简单，而是要从图像里提取出能指导生产的决策信息。

1.1 什么是工业视觉

工业视觉，也叫机器视觉。它把摄像头、光源、镜头、图像采集卡和算法软件组合在一起，在产线上完成检测、测量、定位、识别这些任务。

我经常跟新人说：你把它想象成一个“电子质检员”。这个质检员不会累，不会走神，速度还快得吓人——每秒能看几十上百个产品。

一个典型的工业视觉系统包含这几个部分：

• 光源与镜头——把产品“照亮”，让特征清晰可见
• 工业相机——把光信号转成数字图像
• 图像处理单元——运行算法，提取特征
• 通信接口——把结果告诉PLC或机器人

1.2 工业视觉 vs 计算机视觉

这两个概念经常被混用，但差别其实挺大的。我做个对比表，你一看就明白：

你看，工业视觉追求的是“确定性”——同一个产品，今天测和明天测，结果必须一样。而计算机视觉追求的是“智能性”——能认出从来没见过的猫。

为什么会这样？因为产线不允许“差不多”。我曾经在一个项目里，算法在实验室跑得挺好，一上产线就飘了。后来发现是产线灯光有频闪，计算机视觉的模型扛不住，但工业视觉的硬触发方案就能搞定。

1.3 工业视觉的典型应用场景

工业视觉的应用场景，我归纳成四大类。这四类几乎覆盖了90%以上的项目需求。

1.3.1 缺陷检测

这是工业视觉最“刚需”的场景。产品表面有没有划痕、凹坑、脏污、裂纹、毛刺……人眼盯久了会花，机器不会。

我做过一个手机中框检测项目，每分钟要检测60个产品，每个产品要检查12个面的划痕。人眼根本做不到，但视觉系统配合多角度光源，误检率控制在0.5%以内。

1.3.2 尺寸测量

测量产品的外形尺寸、孔径、间距、角度等。精度要求从0.1mm到0.001mm不等。

这里有个关键概念：像素当量。就是每个像素对应多少毫米。比如你用500万像素相机拍一个50mm的视野，像素当量就是50/2500≈0.02mm/pixel。理论上你能测到0.02mm的精度，但实际还要考虑镜头畸变、标定误差。

# 像素当量计算示例
视野宽度 = 50.0  # mm
相机水平分辨率 = 2500  # pixel
pixel_mm = 视野宽度 / 相机水平分辨率
print(f"像素当量: {pixel_mm:.4f} mm/pixel")
# 输出: 像素当量: 0.0200 mm/pixel

1.3.3 定位引导

机器人要抓取一个工件，但工件位置是随机的。视觉系统先拍一张照片，算出工件的坐标和角度，然后告诉机器人“往左3mm，旋转2度”。

这就是定位引导。它通常需要手眼标定——把相机坐标系和机器人坐标系对齐。我习惯用九点标定法，简单可靠。

1.3.4 OCR识别

读取产品上的字符、条码、二维码。比如电子元器件的批次号、药品包装的生产日期、PCB板上的序列号。

工业OCR和手机上的OCR不一样。手机OCR可以容忍模糊，但工业OCR要求“一次读取成功”，读不出来就是NG，不能重试。所以对光源和字符质量要求极高。

1.4 工业视觉知识体系总览

下面这张图，是我自己整理的工业视觉知识体系。你把它当作整个课程的地图，后面每一章都会对应到其中的一个模块。

嗯，这张图基本就是咱们这门课30章的骨架。硬件、图像处理、深度学习、部署集成，四个方向缺一不可。后面的章节，我会带着你一个一个啃下来。