一、工业视觉系统概述

工业视觉，说白了就是给机器装上「眼睛」和「大脑」。它不是简单的拍照，而是通过光学成像、图像处理、模式识别等一系列技术，让自动化设备能「看见」并「理解」生产线上发生了什么。

我入行那会儿，很多人还管它叫「机器视觉」。其实两者本质一样——用摄像头代替人眼，用算法代替人脑。但工业场景有个特点：环境恶劣、节拍快、精度要求变态。你想想看，一条产线每分钟跑几百个产品，漏检一个可能赔掉整批货。所以工业视觉不是实验室里的玩具，它是真刀真枪的工程系统。

1.1 系统组成：四大核心部件

一套完整的工业视觉系统，离不开四个关键部分。我习惯把它们比作「眼睛、眼镜、灯光、大脑」。

组件	类比	核心作用	选型要点
相机	眼睛	将光信号转换为电信号，生成数字图像	分辨率、帧率、传感器类型（CCD/CMOS）、接口
镜头	眼镜	控制光线进入相机，决定成像清晰度与视野	焦距、光圈、畸变、工作距离、靶面尺寸
光源	灯光	提供稳定、可控的照明，突出被测物特征	颜色、角度、亮度、均匀性、频闪控制
工控机	大脑	运行算法、处理图像、输出结果、控制I/O	CPU/GPU算力、内存、接口数量、散热、稳定性

这里有个坑，我踩过不止一次——很多人只盯着相机分辨率，却忽略了镜头和光源。你买个2000万像素的相机，配个廉价镜头，拍出来的图糊成一片，那还不如用500万像素配好镜头。光源更是关键，我见过一个项目，算法调了两个月搞不定，最后发现是光源角度偏了5度。嗯，照明搞定了，问题迎刃而解。

1.2 典型应用场景

工业视觉的应用，归纳起来就四个字：定、测、检、识。我这些年经手的项目，基本都逃不出这四类。

1. 定位（Location）

让机器知道「东西在哪」。比如手机组装线上，机械臂要抓取一个随意放置的螺丝，视觉系统先找到它的位置和角度，再把坐标发给机器人。精度通常要求0.1mm以内，节拍可能只有几百毫秒。

2. 测量（Measurement）

用图像代替卡尺、千分尺。我做过一个轴承滚珠直径测量项目，要求精度0.01mm。传统人工用气动量仪，一个零件测3秒，还容易疲劳。换成视觉后，0.5秒测完，重复性还更好。但要注意——测量精度不等于像素精度，亚像素算法和标定方法才是关键。

3. 检测（Inspection）

找缺陷。划痕、脏污、缺料、毛刺、颜色不均……这是工业视觉最头疼的领域，也是需求最大的领域。为什么头疼？因为缺陷千奇百怪，你永远不知道下一个坏品长什么样。我早期做PCB焊点检测，规则算法写了上千行，还是漏检。后来换了深度学习，才算真正搞定。

4. 识别（Recognition）

读码、OCR、分类。比如食品包装上的生产日期喷码，物流线上的条码/二维码，还有零件型号的分类识别。这类应用对速度要求极高，很多产线一分钟要识别600个以上。

1.3 知识体系总览

下面这张图，是我自己整理的知识框架。每次带新人，我都会先让他们看这张图——搞清楚工业视觉到底要学什么，才不会迷失在细节里。

1.4 工业视觉 vs 计算机视觉

很多人分不清这两个概念。我简单说下区别：

• 计算机视觉：目标是「理解图像」，追求算法精度和泛化能力。数据量大、场景开放、对实时性要求相对宽松。
• 工业视觉：目标是「解决问题」，追求稳定性、实时性和可重复性。场景固定、环境可控、对节拍有硬约束。

举个例子，人脸识别是计算机视觉——你可以在各种光线、角度下识别一个人。但产线上检测手机螺丝有没有拧紧，就是工业视觉——光照固定、角度固定、产品位置固定，你要做的就是在100毫秒内给出「OK」或「NG」。

1.5 本章小结

工业视觉不是一门纯理论学科，它是工程实践的产物。搞懂系统组成（相机、镜头、光源、工控机），分清四大应用（定位、测量、检测、识别），你就拿到了入场的门票。后面的章节，我会一步步带你深入每个环节——从选型到调试，从算法到部署，全是实战中摸爬滚打出来的经验。

记住一句话：工业视觉的终点不是算法跑通了，而是产线跑稳了。