2、3D视觉基础：深度相机原理（结构光、ToF、激光三角）、点云数据表示、坐标系与标定基础

在边缘破损检测项目中，2D视觉往往受限于光照变化、表面纹理缺失和遮挡，难以稳定提取缺陷的深度与轮廓信息。3D视觉通过直接获取物体表面的空间坐标，为破损检测提供了几何层面的判据。本章围绕深度相机的三大主流原理、点云数据组织方式以及坐标系与标定基础展开，帮助学员建立从硬件选型到数据预处理的核心知识框架。

2.1 深度相机三大主流原理

2.1.1 结构光原理

结构光技术通过投影仪向被测物体表面投射编码后的光斑、条纹或网格图案，相机同步采集被物体表面调制后的图案。由于物体表面的凹凸变化，投影图案会发生几何畸变，通过图像中特征点的位移量，结合投影仪与相机之间的基线距离，利用三角测量原理即可计算出每个像素对应的深度值。

在边缘破损检测中，结构光相机（如iPhone的FaceID、Intel RealSense D435）常用于近距离、高精度的表面缺陷检测。其优势在于空间分辨率高，能够捕捉细微的划痕、崩边和凹陷。但需要注意，结构光对物体表面的反射特性敏感，高反光金属或透明材料会产生测量噪声，因此在实际项目中通常需要喷涂显影剂或选用其他原理的相机。

2.1.2 ToF（飞行时间）原理

ToF相机通过发射连续或脉冲式红外光，测量光从发射到接收的相位差或飞行时间，直接计算每个像素的距离。ToF传感器（如TI OPT8241、索尼DepthSense系列）采用CMOS工艺，能够在VGA分辨率下实现30fps以上的实时深度输出，且对环境光有较好的抑制能力。

在边缘破损检测项目中，ToF相机适合检测较大尺寸的工件（如汽车零部件、家具板材），其测量范围可达数米，且帧率高，能够适应传送带上的动态检测。但ToF的深度分辨率相对较低（通常为1cm左右），对于微米级的破损缺陷（如细小裂纹）难以直接识别，更适合作为粗定位或分拣引导。

2.1.3 激光三角原理

激光三角法利用一束或多束激光线投射到物体表面，相机从另一角度拍摄激光线在表面的成像位置。当物体表面高度变化时，激光线在图像中的位置发生横向位移，通过标定好的几何关系即可计算出高度信息。该技术精度极高（可达微米级），是工业在线检测中应用最广泛的方案。

例如，基恩士（Keyence）LJ-X系列、康耐视（Cognex）3D-Laser系列均采用此原理。在边缘破损检测中，激光轮廓传感器可以扫描产品边缘，获取完整的边缘轮廓点云，通过轮廓比对算法识别缺口、毛刺、塌边等缺陷。其缺点是必须配合运动机构（如直线模组、旋转台）进行扫描，检测节拍受扫描速度限制。

2.2 点云数据表示与处理

深度相机输出的原始数据通常以深度图（Depth Map）或点云（Point Cloud）形式呈现。深度图是灰度图像，每个像素值代表该点的深度距离；点云则是三维空间中的离散点集合，每个点包含三维坐标和可选属性（颜色、强度、法向量等）。

在边缘破损检测中，点云数据需要经过预处理才能用于缺陷分析。首先进行滤波去噪（如统计滤波、半径滤波），去除离群点和飞点；然后进行下采样（体素滤波）以降低数据量，提高处理速度；最后通过法向量估计和区域生长算法提取边缘轮廓。

// PCL 点云预处理示例（C++）
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(50);
sor.setStddevMulThresh(1.0);
sor.filter(*cloud_filtered);

pcl::VoxelGrid<pcl::PointXYZ> voxel;
voxel.setInputCloud(cloud_filtered);
voxel.setLeafSize(0.001f, 0.001f, 0.001f); // 1mm体素
voxel.filter(*cloud_downsampled);

点云数据的组织方式直接影响算法效率。对于有序点云（如ToF相机输出），可以直接利用像素邻域关系进行快速处理；对于无序点云，需要构建KD-Tree或Octree来加速最近邻搜索。在边缘检测场景中，通常将点云转换为深度图或高度图（Height Map），将三维问题降维为二维图像处理问题，从而复用成熟的图像算法。

2.3 坐标系与标定基础

3D视觉系统的坐标系包括：世界坐标系（描述物体在空间中的绝对位置）、相机坐标系（以相机光心为原点）、图像坐标系（以光轴与成像平面交点为原点）和像素坐标系（以图像左上角为原点）。从世界坐标到像素坐标的转换涉及刚体变换（外参）和透视投影（内参）。

标定分为内参标定和外参标定。内参标定通常使用棋盘格或圆点标定板，通过拍摄多角度图像计算焦距、主点、畸变系数。外参标定则确定相机相对于机器人基座或传送带的位置关系。在边缘破损检测项目中，如果相机安装在机械臂上，还需要进行手眼标定（Eye-in-Hand），以将检测到的缺陷坐标转换到机器人坐标系下进行精确打磨或剔除。

2.3.1 标定流程与操作步骤

1. 准备标定板：选用高精度陶瓷或玻璃基板，图案为7x9棋盘格（格边长10mm），确保表面平整度优于0.01mm。
2. 采集图像：在检测工位的光照条件下，从不同角度（倾斜、平移、旋转）采集15~20张标定板图像，覆盖整个视场范围。
3. 角点提取：使用OpenCV或Halcon自动提取棋盘格角点，剔除模糊或反光的图像。
4. 计算内参：采用张正友标定法计算内参矩阵和畸变系数，重投影误差应小于0.1像素。
5. 外参标定：将标定板固定在检测平面上，采集一张图像，计算相机到该平面的旋转矩阵R和平移向量t。
6. 验证：测量已知高度的标准量块，对比点云测量值与真实值，误差应在系统精度范围内。

2.3.2 案例拆解：激光三角系统标定与边缘破损检测

背景与约束：某3C电子元器件生产商需要检测手机中框的边缘毛刺和崩边，要求检测精度±0.02mm，节拍小于3秒/件。选用基恩士LJ-X8400激光轮廓仪，安装于直线模组上，扫描速度50mm/s。

初始现象：首次调试时，点云数据出现周期性波浪状畸变，导致边缘轮廓提取失败。初步怀疑是运动平台振动或激光反射干扰。

关键数据与参数：激光轮廓仪采样周期为10kHz，扫描行程200mm，点云间距0.005mm。通过频谱分析发现畸变频率为25Hz，与模组丝杠导程（5mm）和转速（300rpm）吻合。

分析判断过程：确认畸变来源于丝杠运动时的轴向窜动，导致扫描过程中Z轴高度周期性变化。进一步检查发现模组联轴器松动，且导轨润滑不足。

实际操作步骤：①紧固联轴器并重新校准模组水平度；②更换高精度直线导轨润滑油；③在软件中增加低通滤波（截止频率10Hz）抑制残余振动；④重新进行外参标定，将标定板固定于检测平面，采集100帧点云取平均。

结果对比：处理后点云平面度从±0.08mm提升至±0.015mm，边缘毛刺检测准确率从82%提升至97.5%，误检率降低至0.3%。

风险与代价：增加滤波会损失部分高频细节，对于小于0.05mm的微细裂纹可能漏检。因此后续在滤波参数上做了自适应调整，根据边缘区域的梯度幅值动态决定滤波强度。

复盘经验：激光三角系统的精度不仅取决于传感器本身，更依赖于运动机构的刚性和稳定性。在项目设计阶段，应优先评估机械传动误差，并预留标定补偿接口。

2.4 常见误区与总结复盘

误区一：盲目追求高精度传感器。实际检测中，系统精度受限于机械运动、环境振动、标定误差等多方面因素。选择传感器时，应综合评估整体系统精度，而非只看传感器标称精度。

误区二：忽略环境光影响。结构光和激光三角对环境光敏感，在产线中应加装遮光罩或窄带滤光片。ToF虽然抗环境光能力强，但在强阳光下仍可能产生多路径干扰。

误区三：点云处理流程固化。不同材质、不同缺陷类型需要不同的预处理参数。建议建立参数库，针对不同产品型号自动加载对应配置。

误区四：标定一次永不更新。相机镜头松动、温度漂移、机械碰撞都会导致标定参数失效。应建立标定状态监控机制，当重投影误差超过阈值时自动报警。

总结而言，深度相机的选型需要结合检测精度、节拍、物体材质和成本综合权衡。点云数据的质量直接决定了后续缺陷检测算法的上限，而精确的坐标系标定则是实现高精度定位和测量的基石。在边缘破损检测项目中，建议采用“激光三角+高精度运动平台”作为核心方案，辅以结构光进行二次确认，同时建立完善的标定维护流程，确保系统长期稳定运行。