4、相机标定与系统搭建：相机内参、外参、手眼标定、多视角系统搭建与对齐
3D视觉缺陷检测系统的精度上限，往往不是由硬件分辨率决定，而是由标定精度与坐标系统一程度决定。相机标定是连接像素坐标与世界坐标的数学桥梁，手眼标定解决机器人或运动平台与相机之间的位姿关系，多视角系统则依赖全局对齐实现大尺寸或复杂曲面的完整覆盖。本章从内参、外参、手眼标定到多视角系统搭建，逐层拆解工程落地中的关键方法与常见陷阱。
4.1 相机内参标定：从像素到归一化坐标
内参标定的本质是求解相机从三维世界到二维像素的投影矩阵中的固有参数。对于工业面阵相机，核心内参包括焦距 fx、fy（单位像素），主点 cx、cy，以及径向畸变系数 k1、k2、k3 和切向畸变系数 p1、p2。针孔模型下，世界点 P(X,Y,Z) 到像素坐标 (u,v) 的映射关系为：
Zc * [u, v, 1]^T = K * [R|t] * [X, Y, Z, 1]^T
K = [[fx, 0, cx],
[0, fy, cy],
[0, 0, 1]]张正友标定法是目前工业界最常用的内参标定方法。其核心流程为：使用高精度陶瓷或玻璃标定板（棋盘格或圆点阵），从不同角度采集 15~20 张图像，提取角点后通过单应性矩阵求解内参初值，再用最大似然估计优化畸变系数。实际操作中，标定板姿态应覆盖俯仰、偏航、滚转三个自由度，且标定板在视场中占据面积不小于 1/3，以保证数值稳定性。
| 标定参数 | 典型值范围 | 对检测精度的影响 |
|---|---|---|
| fx, fy | 0.5~2 倍图像宽度 | 直接影响深度测量误差 |
| cx, cy | 图像中心 ±10% | 影响三维重建的空间一致性 |
| k1, k2 | -0.5~0.5 | 边缘畸变校正的关键 |
| p1, p2 | ±0.01 量级 | 镜头装配误差补偿 |
4.2 外参标定：建立相机与世界坐标系的变换关系
外参标定确定相机坐标系相对于世界坐标系（通常是检测平台或工件坐标系）的旋转矩阵 R 和平移向量 t。在固定式 3D 检测系统中，外参标定通常借助已知尺寸的标定板或标准球体完成。将标定板放置于检测工位，通过 PnP（Perspective-n-Point）算法求解外参。对于线激光轮廓传感器，外参标定还需考虑激光平面与相机光平面的夹角，通常使用量块或阶梯块进行 Z 轴方向校准。
外参标定的精度直接影响测量系统的绝对精度。例如，在 PCB 焊点检测中，若外参旋转误差为 0.1°，在 200mm 工作距离下会产生约 0.35mm 的位置偏差，足以导致误判。因此，外参标定后应使用已知尺寸的标准件进行验证，测量值与真值偏差应小于系统重复精度的 1/3。
- 将标定板固定于检测工位，确保标定板平面与工件平面重合或平行。
- 采集标定板图像，提取角点并匹配对应世界坐标。
- 使用 solvePnP 或等效算法求解 R、t 初值。
- 通过重投影误差最小化进行非线性优化。
- 使用标准量块验证 X/Y/Z 三个方向的测量误差。
4.3 手眼标定：机器人视觉系统的坐标统一
在机器人引导的 3D 检测系统中，手眼标定解决相机坐标系与机器人基坐标系（或工具坐标系）之间的变换关系。根据相机安装位置分为两种模式：眼在手上（Eye-in-Hand）和眼在手外（Eye-to-Hand）。两种模式均通过求解 AX = XB 矩阵方程获得手眼矩阵 X，其中 A 为机器人末端位姿变化，B 为相机观测标定板的位姿变化。
手眼标定的工程实现要点包括：
- 位姿采集数量：至少 10 组非共面的机器人位姿，且旋转轴方向应多样化。
- 标定板固定：眼在手上时标定板固定于工作台；眼在手外时标定板固定于机器人末端。
- 运动规划：机器人运动应包含平移和旋转组合，避免纯平移导致方程退化。
- 误差评估：标定完成后，控制机器人移动到多个验证点，计算视觉引导定位误差。
// 手眼标定核心方程（Tsai-Lenz 方法）
A * X = X * B
// A: 机器人末端位姿变换矩阵 (4x4)
// B: 相机坐标系下标定板位姿变换矩阵 (4x4)
// X: 待求的手眼变换矩阵 (4x4)4.4 多视角系统搭建与全局对齐
对于大型工件（如汽车车身、航空结构件）或需要全表面检测的场景，单相机无法覆盖完整视场，必须搭建多相机或多传感器系统。多视角系统的核心挑战在于将不同视角获取的点云或深度图统一到同一全局坐标系下，实现无缝拼接。
多视角对齐的工程方案通常分为三类：
| 方案类型 | 原理 | 精度 | 适用场景 |
|---|---|---|---|
| 基于公共标定板 | 各相机同时观测同一标定板，通过外参直接统一 | ±0.05mm | 小视场、固定工位 |
| 基于特征点拼接 | 提取工件表面特征点，通过 ICP 或 NDT 配准 | ±0.1~0.3mm | 大尺寸、无公共视野 |
| 基于机器人运动 | 借助机器人位姿将多视角数据转换到基坐标系 | ±0.2mm | 机器人扫描场景 |
在实际系统搭建中，推荐采用“粗对齐 + 精配准”的两阶段策略。粗对齐通过标定板或机器人位姿将各视角数据初步统一，精配准使用迭代最近点（ICP）算法对重叠区域进行优化。重叠区域应控制在 15%~30% 之间，过小导致配准不稳定，过大则降低扫描效率。
背景与约束：某轮毂制造厂需检测轮毂内外表面缺陷，轮毂直径 18~22 英寸，表面反光强烈。单相机无法覆盖完整圆周，且轮毂深腔区域存在遮挡。系统要求检测节拍 30 秒/件，缺陷检出率 ≥ 98%，误报率 ≤ 2%。
初始方案与问题：采用 4 台 500 万像素工业相机 + 4 台结构光投影仪，环绕轮毂 90° 均匀布置。初次搭建后，各相机独立标定，但拼接后点云在轮毂边缘出现 0.5~1.2mm 的错位，导致微小裂纹漏检。
分析与解决过程：排查发现，各相机外参标定基于独立标定板，但标定板放置位置与轮毂实际位置存在偏差。改进方案：设计专用环形标定工装，将 4 个标定板固定在同一刚性框架上，各相机同时采集，统一求解外参。同时，在轮毂表面喷涂显影剂降低反光，并在拼接算法中引入轮毂 CAD 模型先验约束。
结果对比：改进后拼接错位降至 0.15mm 以内，缺陷检出率提升至 99.2%，误报率降至 1.5%。节拍满足要求。
复盘经验：多视角系统的误差主要来源于标定基准不统一，而非相机本身精度。刚性连接多个标定板是低成本高收益的改进手段。此外，反光表面的预处理（显影剂或偏振光）对点云质量影响显著。
4.5 标定质量评估与系统维护
标定不是一次性工作。温度变化、机械振动、镜头松动都会导致标定参数漂移。工业现场应建立定期复标机制：
- 日常检查：使用标准量块或校准球，每日开机后快速验证测量精度。
- 周期性复标：每月或每季度进行完整内参、外参标定，并保存历史数据用于趋势分析。
- 异常触发复标：当检测系统出现系统性偏差（如同一缺陷位置偏移）时，立即复标。
标定质量评估的核心指标包括：重投影误差（应小于 0.1 像素）、三维测量重复性（应小于系统标称精度的 1/5）、以及绝对精度验证（使用高精度量块或三坐标测量机比对）。