1. 工业相机成像基础：从光子到数字信号

各位同学，欢迎来到这门课的第一章。我是你们的老朋友，一个在机器视觉和ISP领域摸爬滚打了十几年的工程师。今天咱们不聊虚的，直接切入工业相机的核心——光是怎么变成数字信号的。

你想想看，一个缺陷检测系统，如果连图像源头都搞不清楚，后面再牛的AI算法也是白搭。我见过太多项目，算法团队抱怨图像质量差，ISP团队说算法太敏感，最后发现是镜头脏了。嗯，这其实是个笑话，但也说明了一个道理：成像基础是所有人的共同语言。

1.1 从光子到电子的奇妙旅程

光，说白了就是一堆光子。相机的工作，就是把这堆光子变成我们能处理的数字信号。这个过程分三步：

1. 光子捕获：镜头把光线聚焦到传感器上。
2. 光电转换：传感器上的每个像素（Photosite）吸收光子，产生电子。光子越多，电子越多。
3. 量化输出：电子信号被转换成电压，再通过ADC（模数转换器）变成数字值。

这里有个关键概念——量子效率（QE）。它衡量的是传感器把光子转换成电子的能力。QE越高，传感器越灵敏。我在项目中遇到过一款号称高灵敏度的相机，结果在低光照下噪点满天飞。后来一查，QE只有30%，典型的参数虚标。

1.2 工业相机ISP Pipeline全景概览

ISP（Image Signal Processor）是什么？说白了，就是给原始图像数据“化妆”的流程。传感器出来的RAW数据，又暗又偏色，根本没法直接用。ISP的任务就是把它变成人眼看着舒服、算法能识别的图像。

我习惯把ISP Pipeline分成三个阶段：

• 前端处理：黑电平校正、坏点校正、去噪。这是基础，做不好后面全白搭。
• 中端处理：去马赛克（Demosaic）、白平衡、色彩校正。这里决定了图像的色彩还原度。
• 后端处理：伽马校正、锐化、色调映射。最终输出给显示或算法。

下面这张图，是我自己画的ISP Pipeline全景图。你仔细看，每个模块之间都有依赖关系。

1.3 缺陷检测的行业需求与挑战

缺陷检测，说白了就是找茬。但工业上的找茬，比你在朋友圈找不同难多了。为什么？

• 速度要求：产线节拍动辄每分钟几百个产品，相机必须快速采集、快速处理。
• 精度要求：微米级的缺陷，比如划痕、凹坑、脏污，人眼根本看不见。
• 环境干扰：光照变化、振动、温度漂移，都会影响成像质量。

我参与过一个锂电池极片检测项目。客户要求检测极片表面的针孔缺陷，直径小于10微米。你想想看，10微米是什么概念？一根头发丝的十分之一。当时我们试了市面上好几款相机，最后发现ISP的降噪模块是关键——降噪太强，小缺陷被抹掉了；降噪太弱，噪点被误判为缺陷。

1.4 工业相机选型的关键参数

选相机不是越贵越好，关键看参数。下面这个表格，是我自己总结的选型对照表，你直接拿去用。

参数	说明	缺陷检测影响
分辨率	像素数量，如500万、1200万	决定能检测的最小缺陷尺寸
帧率	每秒采集帧数，如30fps、100fps	决定产线节拍上限
像元尺寸	单个像素的物理大小，如2.2μm、3.45μm	影响灵敏度和信噪比
动态范围	能同时记录的最亮和最暗区域比值	高动态范围对高反光表面检测很重要
量子效率	光子转电子的效率	低光照场景下的关键指标

嗯，这里要注意。很多同学只看分辨率和帧率，忽略了像元尺寸和动态范围。我建议你，在选型时先明确缺陷类型和光照条件，再反推相机参数。比如检测透明玻璃上的划痕，就需要高动态范围相机，因为玻璃边缘的反光会非常强。

1.5 从成像到检测：一条完整的链路

最后，我想把整个链路串起来。从光子到数字信号，再到ISP处理，最后到缺陷检测算法，这是一条完整的链条。任何一个环节出问题，都会导致检测失败。

我习惯用下面这个流程来梳理项目：

1. 需求分析：缺陷类型、尺寸、产线速度、环境条件。
2. 相机选型：根据需求确定分辨率、帧率、传感器类型。
3. ISP调优：针对具体场景调整黑电平、去噪、白平衡等参数。
4. 算法开发：基于ISP输出的高质量图像，开发缺陷检测模型。
5. 联调验证：在真实产线上跑通整个流程，反复迭代。