1. 工业视觉概述

大家好，我是老张。在工业自动化这行摸爬滚打了十几年，今天咱们来聊聊工业视觉。说白了，就是给机器装上「眼睛」和「大脑」，让它能看懂生产线上的产品。

我第一次接触工业视觉是在一个电子厂的项目里。当时客户要求检测手机屏幕上的微小划痕，人工用放大镜看，一天下来眼睛都快瞎了。后来上了视觉系统，效率直接翻了好几倍。嗯，从那时起我就知道，这玩意儿大有可为。

1.1 什么是工业视觉

工业视觉，也叫机器视觉，是用摄像头和计算机来模拟人类视觉的技术。它不像人眼那样会疲劳、会走神。它稳定、快速、精度高。

一个典型的工业视觉系统包含这几个部分：

• 光源 —— 把产品照亮，让缺陷更明显
• 镜头 —— 把图像聚焦到传感器上
• 相机 —— 把光信号转成数字图像
• 图像采集卡 —— 把图像数据传给电脑
• 算法软件 —— 分析图像，做出判断
• 执行机构 —— 把不合格品剔除出去

你想想看，人眼能分辨的灰度级大概只有64级，而工业相机轻松达到256级甚至更高。这就是为什么机器能看见人眼看不见的细微缺陷。

1.2 工业视觉 vs 计算机视觉

很多人把这两个概念搞混。我刚开始也犯过这个错。它们确实有交集，但本质上是两码事。

对比维度	工业视觉	计算机视觉
应用场景	工厂生产线、质检	自动驾驶、人脸识别、图像搜索
环境控制	可控（固定光源、固定位置）	不可控（光照变化、角度变化）
精度要求	微米级，极高	像素级，相对宽松
实时性	毫秒级，必须跟上产线节拍	秒级或分钟级，可接受延迟
算法特点	规则明确、可重复、可解释	深度学习为主、黑盒、概率输出
硬件成本	工业相机、专用光源、工控机	普通摄像头、GPU服务器

举个例子。计算机视觉做「猫狗识别」，你给一张模糊的、逆光的、半遮挡的照片，它也能猜个八九不离十。但工业视觉做「螺丝有无拧紧」，环境必须严格控制——光源角度偏一度，结果可能就全错了。

1.3 典型应用场景

工业视觉的应用，我习惯把它分成四大类。这四类几乎覆盖了90%以上的工业场景。

1.3.1 缺陷检测

这是最核心、也最头疼的应用。说白了，就是找茬。

• 表面缺陷：划痕、凹坑、脏污、气泡、裂纹
• 内部缺陷：通过X光或超声波检测焊接空洞、铸件气孔
• 尺寸缺陷：变形、翘曲、毛刺超标
• 颜色缺陷：色差、氧化、涂层不均

我记得有个做锂电池隔膜的项目。隔膜上有个针眼大小的孔，肉眼根本看不见。但电池一旦短路，整批产品就废了。最后我们用高角度环形光加线阵相机，把检测精度做到了10微米。嗯，那段时间真是没日没夜地调参数。

1.3.2 定位

定位是给机器人装「眼睛」。让机械臂知道该往哪儿抓、往哪儿放。

• PCB板定位：贴片机需要精确知道板子的位置和角度
• 晶圆对准：光刻机里晶圆和掩模版的对准
• 抓取引导：机器人从料盘里抓取散乱零件

定位的精度通常用像素当量来算。一个像素对应多少毫米，决定了你能定位多准。

1.3.3 测量

测量是工业视觉的「老本行」。用图像代替卡尺、千分尺。

• 几何尺寸：长度、宽度、直径、角度、圆度
• 间距：引脚间距、焊盘间距、装配间隙
• 轮廓：复杂曲面的轮廓度检测

测量的精度受限于相机分辨率和镜头畸变。一个常见的经验公式是：

测量精度 ≈ 像素当量 × 0.1（亚像素精度）
像素当量 = 视野宽度 / 相机水平分辨率

举个例子。你要测一个10mm的零件，精度要求0.01mm。那像素当量至少得0.1mm/pixel。如果相机是500万像素（2592×1944），视野宽度就是2592×0.1≈259mm。嗯，这个视野够用。

1.3.4 识别

识别是让机器「读懂」产品上的信息。

• 字符识别：生产日期、批号、序列号
• 条码/二维码：一维码、Data Matrix、QR码
• 颜色识别：区分不同颜色的零件
• 型号识别：判断来料是不是正确的型号

识别这块，传统方法用OCR（光学字符识别），现在越来越多用深度学习。但我个人建议，能不用深度学习就不用。传统OCR稳定、可解释、部署简单。深度学习虽然准确率高，但遇到没见过的字体就抓瞎。

1.4 知识体系总览

下面这张图，是我自己总结的工业视觉知识体系。你把它吃透了，后面的课程学起来就轻松了。

1.5 本章小结

这一章我们聊了工业视觉的基本概念。说白了，它就是给工业生产线装上一双「永不疲倦的眼睛」。它和计算机视觉最大的区别在于：工业视觉追求的是「可控环境下的确定性」，而不是「开放环境下的概率」。这一点，贯穿整个课程，你务必记住。

四大应用场景——缺陷检测、定位、测量、识别——各有各的难点和坑。后面的章节，我会一个一个拆开来讲。从硬件选型到算法设计，从部署调试到性能优化，咱们一步步来。