1. 3D视觉概述：为什么我们需要第三维？

做机器视觉这些年，我经常被问到同一个问题：“2D视觉已经能做很多事了，为什么还要上3D？”

嗯，这个问题其实挺实在的。我刚开始接触3D视觉时，也觉得2D够用。直到有一次在项目现场，一个手机中框的平面度检测，2D相机怎么打光都看不清楚划痕的深度——说白了，2D视觉天生缺了“高度”这个维度。

1.1 2D视觉的局限性——我踩过的坑

先说说2D视觉的短板。不是它不好，而是有些场景它真的搞不定。

• 高度/深度信息缺失：2D图像里，一个凸起和一个凹陷可能看起来一模一样。我在做PCB焊锡检测时，2D相机根本分不清“焊锡够厚”和“焊锡只是面积大但很薄”。
• 光照敏感：反光表面、透明物体、黑色物体，2D打光打到崩溃。我记得有个项目测黑色橡胶件，换了5种光源还是不行。
• 无法测量平面度/共面性：一个平面是否平整，2D看不出来。你想想看，手机背板放在平台上，2D相机只能看到表面纹理，但翘曲了多少？不知道。
• 物体堆叠/遮挡：料框里抓取工件，2D视觉遇到重叠就傻眼。我早期做机器人抓取，2D定位经常抓错，因为上面的零件挡住了下面的。

1.2 3D视觉的应用场景——哪些行业在用它？

3D视觉这几年爆发式增长。我接触过的典型场景包括：

行业	典型应用	3D优势
3C电子	手机中框平面度、PCB焊锡高度、连接器针脚共面性	微米级高度测量，不受反光影响
汽车制造	车身间隙面差、轮胎花纹深度、焊接缝检测	大视野下高精度，适应复杂曲面
物流仓储	包裹体积测量、料框无序抓取	不受堆叠遮挡，直接获取三维轮廓
食品医药	包装密封性检测、药片缺粒检测	非接触，适合柔软/透明物体
半导体	晶圆翘曲、BGA球高测量	亚微米精度，高重复性

说白了，只要涉及“高度”、“深度”、“厚度”、“平面度”、“体积”这些词，就是3D视觉的菜。

1.3 3D视觉的硬件选型——三种主流方案怎么选？

做3D视觉项目，第一步就是选硬件。市面上主流的有三种：激光轮廓仪、结构光相机、双目相机。我一个个说。

1.3.1 激光轮廓仪（线激光）

这是我最常用的方案。原理很简单：激光线投射到物体表面，相机从侧面拍下变形后的激光线，通过三角法算出高度。

• 优点：精度高（微米级），抗环境光强，适合高速在线检测。
• 缺点：需要运动机构（物体移动或传感器移动），一次只能扫一条线。
• 典型场景：流水线上连续检测，比如PCB焊锡、电池极片涂布。

1.3.2 结构光相机

结构光相机投射的是编码图案（条纹、网格等），通过图案变形计算深度。像微软Kinect、Intel RealSense都是这类。

• 优点：面阵成像，一次拍一张图就能得到整个面的3D数据，速度快。
• 缺点：精度中等（百微米到毫米级），容易受环境光干扰，对反光表面不友好。
• 典型场景：机器人抓取、体积测量、人体扫描。

嗯，这里要注意：结构光相机的精度和测量范围是成反比的。你要大视野，精度就会下降。我一般用它做“粗定位”，再用激光轮廓仪做“精测量”。

1.3.3 双目相机

双目相机模拟人眼，用两个相机从不同角度拍同一物体，通过视差计算深度。

• 优点：硬件简单（两个普通相机就行），成本低，适合室外/大场景。
• 缺点：精度依赖纹理，纯色/光滑表面效果差；计算量大；基线越长精度越高但体积越大。
• 典型场景：AGV导航、大范围三维重建、安防监控。

1.4 三种方案对比——一张表看懂

对比项	激光轮廓仪	结构光相机	双目相机
成像方式	线扫描	面阵	面阵
典型精度	1-50 μm	0.1-5 mm	0.5-10 mm
是否需要运动	是	否	否
抗环境光	强	弱	中等
表面适应性	好（反光需处理）	差（反光/透明难）	依赖纹理
成本	中高	中	低
典型应用	在线高精度测量	抓取/体积/人脸	导航/重建

1.5 本章知识体系——一张图理清

下面这张图总结了本章的核心脉络。我习惯在讲新知识前先画个框架，这样后面学起来不会迷路。

1.6 本章小结——记住这三点

1. 2D不是万能的：遇到高度、深度、平面度、堆叠场景，果断上3D。
2. 3D应用很广：从手机到汽车，从物流到医疗，3D视觉正在渗透每个行业。
3. 选型看场景：激光轮廓仪适合高精度在线检测，结构光适合面阵快速成像，双目适合大场景低成本方案。