做机器视觉外观检测这行快十年了，说真的，最初以为就是选个相机、配个镜头，然后写点代码。直到在客户现场被现实抽了一巴掌，才发现每个环节都是坑。今天不聊教科书上的理论，就说说我踩过的雷，以及那些图纸上画不出来的经验。
相机选型：别被像素数忽悠了
很多刚入门的朋友一上来就问“我要多少万像素的相机？”。这个问题本身就是错的。分辨率不是唯一指标，甚至不是最重要的。你的检测精度要求决定了最小像素尺寸，而像素尺寸又跟传感器靶面、镜头、视场角纠缠在一起。
举个实际例子。比如检测一个50mm×50mm的工件表面，要求发现0.1mm的划痕。理论上，你需要至少1000×1000个像素才能让一个缺陷对应一个像素，但实际工程上，单个缺陷至少要3×3个像素才不敢漏检，还要考虑边缘抖动——所以我通常会按5倍来设计。那就要5000×5000，也就是2500万像素。别觉得夸张，上次有个客户非要用1200万像素省成本，后来漏检率压了半天也下不来，最后乖乖换了5000万的。
关键点：分辨率 = 视野 / 最小特征尺寸 × 安全系数（常常取3~5）。这个公式简单，但几乎没人认真算过。
还有全局快门和卷帘快门的区别。检测高速运动的工件，必须用全局快门，不然图像会变形。记得有一次我忽略了这个问题，用了个卷帘快门相机拍流水线上的瓶盖，拍出来的瓶盖是歪的，看起来像椭圆的。客户以为我镜头没装好，其实原理上就错了。
光源设计：被低估的决定性因素
如果让我排优先级，光源比相机重要十倍。真的，不夸张。一个糟糕的光源，再好的相机也白搭，而一个巧妙的光源，能让最普通的相机看到奇迹。
很多人以为照明就是“照亮”，完全是两码事。缺陷的类型决定了光的照射方式：金属表面的划痕必须用低角度光，让划痕产生阴影；透明瓶子的杂质用背光，让杂质形成暗点；高反光表面的凹坑要用半球形光源或偏振光来消除反射眩光。
我在现场调光的时候，经常拿着手电筒反复琢磨角度。一次遇到一个精密陶瓷表面微裂纹检测，裂纹太浅，怎么都拍不出来。后来试了红外波段的同轴光，才把裂纹的轮廓勾出来。光源的波长、色温、方向、均匀性，每一个参数都能写一篇论文。
推荐大家在设计初期就预留光源调节空间，包括光源支架的角度可调、高度可调，甚至多种光源切换。不然到现场，你想调个角度都要动个钻头。
机构配合与震动：视觉系统的隐形杀手
这部分是机械工程师的盲区，也是最容易背锅的地方。相机的安装支架、被测件的运动机构、地板的震动，都会直接影响成像稳定性。哪怕相机分辨率再高，如果固定不牢，图像每帧都在晃，算法连个鬼都找不出来。
我见过最离谱的一次，客户把相机直接装在了一个气动机构的旁边，结果每次气缸动作，相机就跟着抖，拍出来的图像全是运动模糊。后来加了个橡胶减震垫，再换了个支架结构，模糊的问题瞬间消失。就这点改动，甲方还觉得我们技术不行，哈哈。
设计时要注意：相机中心要尽量与机构的重心重合，减少悬臂；支架强度要比你预想的高一个等级，钢的就是比铝的好；还有，相机和光源必须是同一个刚性整体，不能各自固定在不同位置，否则温度变化或震动会让相对位置漂移。
另外，触发信号的同步也至关重要。飞拍模式下，编码器信号必须与相机曝光严格同步，否则位置偏差会导致图像错位。这里有个经验：用差分信号，别用单端信号，抗干扰能力天差地别。
软件算法与硬件的博弈
算法这块，我本身不是专业搞图像的，但跟算法同事打了不少交道。传统图像处理（阈值、边缘、形态学）稳定可靠，但对于复杂纹理或微小缺陷，深度学习是个更省事的方向——然而它需要海量样本和GPU算力，而且推理时间不好控制。
我见过一个项目，用传统算法做了半年都没解决，换了深度学习，一周就突破了。但另一边的代价是，训练需要2000张缺陷图片，客户根本提供不出来，最后只能合成数据。所以算法选型真的得结合数据量和实时性来权衡。
记住，硬件设计要留有余量，包括计算单元（工控机）的CPU/GPU能力，以及网络带宽。曾经有一个案例，因为相机用GigE接口，但工控机网卡是百兆的，导致帧率上不去。换了个千兆网卡，一切正常。这种低级错误，图纸上根本看不出来。
结语
机器视觉外观检测，说白了，就是把光学、机械、电子、算法糅在一起。任何一环松懈，最终都是漏检率和误报率高到怀疑人生。我这些话都是实践出的经验，未必全对，但希望你在做设计时，能多往这些细节上想一想。
最后送一句我常跟刚入行的人说的话：先学会用眼睛观察，再想着用机器替代。
