识别技术——让机器从"看见"到"读懂"

Sat, 04 Jul 2026 18:00:00 +0800

机器视觉采集到图像之后，怎么从中提取有意义的信息？识别技术给出了答案。

双十一仓库的条码失明事件

想象一下这个场景：双十一仓库高峰期，传送带上每秒飞过上百个包裹。你设计的条码识别系统突然大批量"失明"——不是算法不对，而是条码印得太浅、包裹朝向随机、曲面包装拉伸变形。客户在电话那头吼：“你们的系统废了！”

这是工业视觉工程师的日常。识别不是一个算法问题，而是一个工程问题。条形码识别、二维码识别、几何识别、大豆检测——用四个真实场景告诉我们：让机器"读懂"图像，远比"看见"它难得多。

条形码识别：工业世界的基础语言

条形码是工业自动化的"老前辈"，从超市收银到物流分拣，无处不在。但你以为识别条码就是"扫一下"？太天真了。

课程用 DobotVisionStudio 搭建了一个食品包装盒识别系统，流程是：

图像采集 → 摄像头拍下包装盒
快速匹配 → 用模板定位条码区域
仿射变换 → 校正角度和位置
字符识别 → 读取包装上的文字信息
条码识别 → 解码条形码
脚本判断 → 对比字符与条码，判断是否匹配

听起来顺理成章，但坑在细节里。课程特别提到：有时候条形码根本识别不出来。为什么？

静区宽度不够：条码两侧的空白区域被压缩，解码器找不到起始位置。
码制没选对：系统默认只识别常见码制，如果遇到特殊编码，需要手动开启"所有码"选项。
定位不准：用快速匹配做模板时，矩形掩膜画得太小或太大都会翻车。

解决方案：调参数 + 试错。把静区宽度逐步调大，把码制选项全开，把匹配框精调到刚好包含条码。这没有银弹，只有耐心。

💡 经验之谈：条码识别的工程难度往往不在算法，而在"最后一公里"——印刷质量、安装角度、光照条件。这些才是现场调试工程师的噩梦。

二维码识别：比条码多一个维度

二维码识别的流程和条形码类似，但多了一个关键能力：抗变形。二维码可以贴在曲面、歪斜、甚至部分遮挡的物体上，依然能解码——靠的是 Reed-Solomon 纠错算法。

课程演示的完整流程：

快速匹配 → 定位二维码区域（创建模板 → 矩形掩膜 → 编辑模板）
仿射变换 → 校正透视变形（继承方式选"按区域"）
二维码识别 → 绘制识别区域，解码内容
脚本编写 → 把结果存入变量，做后续逻辑判断

这里有个有趣的工程细节：仿射变换的继承方式选"按区域"而不是"按图像"。为什么？因为二维码可能出现在画面的任何位置，你需要让变换矩阵跟着定位结果走，而不是固定死。

课程还展示了脚本编写——把识别结果存入 strEWMSB 变量，输出 RESULT 作为判断依据。这体现了工业视觉的核心思想：识别只是第一步，判断和决策才是目的。

几何识别：从像素到精确测量

如果说条码/二维码解决的是"读"的问题，几何识别解决的是"量"的问题。

课程用 DobotVisionStudio 的测量工具，演示了如何测量：

机器视觉入门——光、镜头、相机，以及为什么选错一个全白搭

Sat, 27 Jun 2026 18:00:00 +0800

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。

机器视觉 on FXIO 技术博客