工业产线上，机器怎么"看"东西？答案不在算法里，在硬件选型的每一个细节里。
开场：一个真实的翻车现场
去年帮一个朋友调一条五金件检测线。缺陷检测算法在实验室跑得好好的，一上产线就各种误报。排查了半天，最后发现原因特别朴素——光源选小了。光源有效发光面积没覆盖住整个视野，画面中间亮、两边暗，边缘的工件特征被算法当成了缺陷。
一个两千块的光源问题，浪费了三天调算法。
这就是机器视觉的第一课：它是一个链式系统，光→镜头→相机→算法，环环相扣。任何一个环节的短板都会被后续环节放大。 算法再牛，喂给它的图像质量不行，结果就是垃圾进、垃圾出。
下面记录这条链路的学习要点。
硬件三件套：光源、镜头、相机
光源：最容易被低估的环节
很多工程师（包括以前的我）觉得光源就是"把东西照亮"。错。光源的核心目标是让目标特征和背景之间的对比度最大化。
打个比方：你要在白纸上检测白色划痕，用白光正面打，什么都看不到。但换成低角度的条形光源，光线擦过表面，划痕边缘产生反射，背景是暗的，划痕是亮的——缺陷就"跳"出来了。
课程里讲了五六种常见光源，我按使用频率排个序：
- 环形光源：最通用，360° 均匀照明，适合大多数表面检测。如果不知道用什么，先试环形光。
- 条形光源：方向性强，擅长消除镜面反光。检测金属平面字符时，条形光比环形光好用得多——环形光容易在光滑表面打出大面积光晕。
- 背光源：从底部打光，物体轮廓变成剪影。做尺寸测量、孔径检测时的标配。
- 同轴光源：内置分光镜，光线垂直照射。专门对付高反光的镜面、抛光金属，能消除凹凸产生的阴影。
- 穹顶光源：半球形漫射，360° 无死角。检测曲面工件（比如球形外壳）时的首选，普通光源打上去全是反光斑点。
还有一个容易忽略的点：光源颜色选择遵循互补色原理。红光照绿色物体，黑白相机下物体是黑色的；红光照红色物体，物体是白色的。想让红色字符在白色背景上更突出？用蓝色光源——红色字符吸收蓝光变黑，白色背景反射蓝光变亮，对比度直接拉满。
镜头：焦距只是起点
镜头选型的第一步是算焦距，公式不复杂：
焦距 = 工作距离 × 芯片尺寸 / 视场
但焦距选对了只是及格线。真正容易踩坑的是两个参数：
景深——简单理解就是"前后多大范围内的东西是清楚的"。景深越小，对焦平面以外的物体就越模糊。影响景深的三个因素：光圈越大景深越小，焦距越长景深越小，工作距离越近景深越小。做尺寸测量时，如果工件有厚度（比如一个盒子），景深不够就会出现"上面清楚、下面模糊"的问题。
畸变——普通定焦镜头天然有畸变，短焦是桶形畸变（像被捏扁了），长焦是枕形畸变（像被拉长了）。人眼看不出小于 2% 的畸变，但做精密测量时，边缘 1mm 的畸变就是实打实的误差。这时候就得上远心镜头——它的特点是"无论物体离镜头远近，在图像里的大小不变"。类比一下：普通镜头像人眼看东西，近大远小；远心镜头像用尺子量，不管尺子放多远，读数不变。
另外注意镜头和相机的接口匹配：C 口后截距 17.5mm，CS 口 12.5mm，差 5mm。CS 口相机接 C 口镜头要加 5mm 接圈，反过来不行。接口不匹配，图像就是糊的。
相机：一个公式定成败
相机选型的核心公式：
像素精度 = 视场 / 分辨率
意思是：图像上一个像素代表实际空间中多大的尺寸。
举个例子：用 500 万像素相机（2592×1944）拍 80mm 宽的视野，像素精度 = 80 / 2592 ≈ 0.031 mm/pixel。也就是说图像里一个像素对应实际 0.031mm。
经验值：要检测的最小特征，至少要在图像中占 2~3 个像素。 如果你要检测 0.1mm 的缺陷，像素精度至少要到 0.03~0.05mm/pixel，否则缺陷在图像里就一两个模糊的点，算法根本抓不住。
另一个关键选择是快门类型：
- 全局快门（Global Shutter）：整个芯片同时曝光。拍运动物体不会变形，但贵。
- 卷帘快门（Rolling Shutter）：逐行曝光。拍静止物体够用，拍运动物体会出现"果冻效应"——本来是圆的东西拍出来是椭圆。
飞拍场景（物体在运动中拍照）必须用全局快门，而且曝光时间要满足：最大曝光时间 × 运动速度 < 像素精度。曝光时间太短，进光量不够，图像太暗，就得靠加大光圈或增强光源亮度来补。
从像素到结果：图像处理流程
硬件搞定，拿到图像了。下一步是把像素变成有用的信息。
工业图像处理有一条标准流水线：
灰度化 → 滤波去噪 → 阈值分割 → 形态学运算 → 特征提取 → 结果输出
每一步都有工程取舍，不是"选最好的方法"，而是"选最适合当前场景的方法"。
灰度化：为什么要丢掉颜色？
工业场景里大部分检测不需要颜色信息。RGB 彩图一个像素 3 个通道，灰度图只要 1 个通道，数据量直接减到 1/3，处理速度快得多。常用公式：Y = 0.299R + 0.587G + 0.114B，这个权重是人眼对三色敏感度的近似。
滤波：去噪还是保边，是个问题
- 高斯滤波：去噪效果好，但会模糊边缘。适合噪声多但边缘不重要的场景。
- 中值滤波：取窗口内像素的中值，保边能力强。对椒盐噪声特别有效。
- 均值滤波：最简单，但会把边缘一起模糊掉，工业场景用得少。
实际项目里经常要组合使用：先高斯去噪，再用拉普拉斯算子锐化边缘。
阈值分割：把世界变成黑白
灰度图转二值图，关键在于找到合适的阈值。固定阈值在光照稳定的场景下好用，但产线上环境光一变就翻车。这时候用自适应阈值，让算法根据局部区域自动计算阈值。
形态学运算：修补分割结果的"美图秀秀"
阈值分割后，二值图经常有噪点、断裂、孔洞。形态学运算就是来修修补补的：
- 腐蚀：缩小白色区域，去掉细小噪点，分开粘连的目标。
- 膨胀：扩大白色区域，填补小孔洞，连接断裂的边缘。
- 开运算（先腐蚀后膨胀）：去噪点。
- 闭运算（先膨胀后腐蚀）：填孔洞。
特征提取：从像素到语义
最后一步是从二值图中提取有意义的特征——面积、周长、圆度、质心、外接矩形……比如判断一个缺陷是圆形的（可能是气泡）还是长条形的（可能是划痕），圆度 = 4π × 面积 / 周长²，越接近 1 越圆。
用 AI 辅助写 OpenCV 代码
下午做了一个很有意思的练习：用 AI 辅助写缺陷检测代码。模式是人定逻辑、AI 写代码——你告诉它"我要检测钢材表面缺陷，先灰度化，再高斯滤波，然后 Canny 边缘检测，最后形态学闭运算连接断裂边缘"，它帮你生成完整的 OpenCV 代码。
这个模式在工业视觉领域特别实用。工程师最值钱的能力是判断用什么方法、怎么调参，而不是背 OpenCV 的 API。AI 帮你写代码，你来验收逻辑——这才是高效的协作方式。
我们还接触了 NEU-DET 数据集（东北大学钢材表面缺陷数据集），1800 张 200×200 灰度图，覆盖六种典型热轧钢带缺陷：裂纹、夹杂、斑块、麻面、氧化皮压入、划痕。这个数据集后面会用来训练深度学习模型。
踩坑与排查
几个实际项目中容易踩的坑，分享一下排查思路：
- 图像中间亮、两边暗 → 光源尺寸太小，没覆盖住视野。换大一号的光源。
- 图像整体模糊 → 检查镜头接口是否匹配（C/CS 差 5mm），或者对焦没对准。
- 运动物体拍出来变形 → 用了卷帘快门，换全局快门相机。
- 算法在实验室好用、产线上不行 → 八成是光照环境变了。检查光源亮度是否稳定，是否有环境光干扰。
- 边缘检测结果断裂严重 → 先做形态学闭运算连接，再提取轮廓。
核心收获与下一步
最大的收获不是记住了多少公式参数，而是建立了一个认知框架：机器视觉是一个系统工程，硬件选型和算法设计同等重要，甚至更重要。 光打好了，简单算法就能解决问题；光没打好，再复杂的深度学习也救不回来。
下一步要深入的内容：
- 深度学习在缺陷检测中的应用（基于 NEU-DET 数据集）
- 相机标定与坐标系变换
- 实际项目的完整开发流程
硬件选型是门手艺活，公式只是起点，多动手打光、多看实际图像，才能练出直觉。*