简介这份资源围绕计算机视觉在工件尺寸测量中的应用展开面向从事工业检测、自动化产线或机器视觉方向的学习者与工程人员帮助理解如何用图像处理替代传统卡尺、千分尺等接触式量具实现非接触、高精度的尺寸测定。压缩包共3个文件包含1个txt说明、1个bmp图像样本和1个m脚本文件整体约119KB体量轻便便于快速查看与本地运行。其中m脚本可用于实现边缘检测、直线拟合等测量算法bmp图像则提供了可直接调试的工件样本txt文件补充了相关说明信息。资源内容涉及图像采集、预处理、特征提取、目标识别与测量计算等完整流程读者可借此梳理视觉测量的技术脉络理解坐标变换、投影运算等几何计算方法并参考脚本思路搭建自己的检测流程。目前已有391人学习适合作为入门视觉尺寸测量或验证算法思路的实践参考。1. 视觉工件尺寸测量从一张标定板到微米级重复精度的落地路径产线上新到一批冲压件质检员拿着游标卡尺逐个量一天下来眼睛发花抽检比例还上不去。老板问能不能用相机拍一下就把尺寸测出来这就是视觉工件尺寸测量最朴素的起点。它要解决的问题很具体用工业相机加镜头配合标定和图像算法把工件上两点之间的像素距离换算成毫米甚至微米替代或补充接触式量具。适合谁做设备工程师、机器视觉初学者、想给现有产线加一道非接触检测工序的自动化从业者。核心链路只有四步成像、标定、提取、换算。听起来简单但真正决定成败的是标定精度和边缘提取的稳定性而不是相机像素数。物体尺寸测量在近两年从实验室走向产线靠的正是标定流程标准化和亚像素算法成熟让普通工程师也能复现出可用的结果。2. 视觉尺寸测量的成像与标定为什么像素多不等于测得准2.1 从像素到毫米的映射关系视觉测量的本质是把图像上的像素坐标转换为物理坐标。假设相机光轴垂直于工件平面那么物面上一个长度为 L 的物体在图像上占据 N 个像素两者关系为 L N × k其中 k 是每个像素代表的物理尺寸单位 mm/pixel。这个 k 就是标定要得到的核心参数。很多人第一反应是买高像素相机觉得像素越多测得越准。实际上如果视野是 100mm × 100mm用 500 万像素相机单像素对应约 0.045mm换成 2000 万像素单像素对应约 0.022mm。理论分辨率提升了一倍但镜头畸变、工件边缘模糊、光照不均带来的误差可能远大于这个提升。我见过用 2000 万像素相机测出来重复性还不如 500 万像素的情况问题出在背光和镜头选型上。所以选型顺序应该是先确定测量精度和视野再算需要的像素分辨率最后选镜头和光源而不是反过来。2.2 标定板选型与标定实操标定常用棋盘格或圆点阵列标定板。棋盘格角点提取精度高适合 OpenCV 的 findChessboardCorners圆点阵列抗模糊能力稍好适合光照条件一般的场景。标定板材质建议用陶瓷或玻璃热膨胀系数小比打印纸靠谱得多。标定步骤分三步采集多姿态标定板图像、提取角点、计算相机内参和畸变系数。下面是一段可复现的 OpenCV 标定代码。import cv2 import numpy as np import glob # 棋盘格内角点数量例如 11x8 pattern_size (11, 8) # 棋盘格方格实际物理尺寸单位 mm square_size 5.0 # 生成棋盘格世界坐标 objp np.zeros((pattern_size[0] * pattern_size[1], 3), np.float32) objp[:, :2] np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) objp * square_size objpoints [] # 3D 点 imgpoints [] # 2D 点 images glob.glob(calib_images/*.jpg) for fname in images: img cv2.imread(fname) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 查找棋盘格角点 ret, corners cv2.findChessboardCorners(gray, pattern_size, None) if ret: # 亚像素优化窗口大小 11x11 corners2 cv2.cornerSubPix( gray, corners, (11, 11), (-1, -1), criteria(cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) ) objpoints.append(objp) imgpoints.append(corners2) # 标定输出内参矩阵、畸变系数 ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None ) print(内参矩阵:\n, mtx) print(畸变系数:\n, dist)这段代码的逻辑是先构造标定板在世界坐标系下的三维点再在每张图中找到对应的二维角点最后用多组对应点求解相机参数。参数说明pattern_size 必须和实际棋盘格内角点数一致数错一个角点整组数据就废了square_size 是方格边长单位要和后续测量单位统一cornerSubPix 的窗口大小影响亚像素精度一般 11×11 够用图像模糊时可适当加大。标定完成后用 mtx 和 dist 对测量图像做去畸变再计算像素当量。常见做法是拍一张已知尺寸的标准件用去畸变后的像素数除以实际尺寸得到该工作距离下的 k 值。注意变焦镜头每次调焦后 k 值会变必须重新标定。2.3 远心镜头与普通镜头的选择边界普通工业镜头存在透视误差工件稍微偏离光轴中心测量结果就会偏。远心镜头在一定的景深范围内放大倍率基本不变能显著降低透视误差。但远心镜头贵、视野小、工作距离固定。如果测量精度要求在 ±0.02mm 以内且工件厚度有变化建议上远心镜头如果精度要求 ±0.1mm 左右工件是薄片且能保证在同一平面普通定焦镜头加背光也能做。我一般会先问两个问题工件厚度公差多少测量精度要求多少这两个答案基本决定了光学方案。3. 边缘提取与尺寸计算亚像素算法怎么调才不飘3.1 边缘提取的三种常用方法拿到去畸变图像后下一步是找到工件边缘。常用方法有阈值分割、Canny 边缘检测、亚像素边缘提取。阈值分割速度快适合背光下黑白分明的图像Canny 抗噪好但需要调双阈值亚像素边缘提取精度最高常用矩方法或插值法。对于尺寸测量我一般用卡尺工具的思路在边缘附近取一个矩形区域沿垂直于边缘的方向做灰度投影找到灰度梯度最大的位置再用抛物线插值得到亚像素坐标。OpenCV 没有直接提供卡尺工具但可以用以下代码模拟。import cv2 import numpy as np def subpixel_edge(gray, x, y, dx, dy, search_len20): 在 (x,y) 处沿 (dx,dy) 方向搜索亚像素边缘 search_len: 搜索长度单位像素 # 沿搜索方向采样灰度 samples [] for i in range(-search_len, search_len 1): px int(round(x i * dx)) py int(round(y i * dy)) if 0 px gray.shape[1] and 0 py gray.shape[0]: samples.append(gray[py, px]) else: samples.append(0) samples np.array(samples, dtypenp.float32) # 计算梯度 grad np.abs(np.diff(samples)) idx np.argmax(grad) # 抛物线插值求亚像素位置 if 0 idx len(grad) - 1: y0, y1, y2 grad[idx - 1], grad[idx], grad[idx 1] denom (y0 - 2 * y1 y2) offset 0.5 * (y0 - y2) / denom if denom ! 0 else 0 else: offset 0 subpixel_pos idx offset - search_len return x subpixel_pos * dx, y subpixel_pos * dy这段代码的核心是在一维灰度序列上找梯度极值再用抛物线拟合极值点位置。参数说明search_len 要略大于边缘可能偏移的范围太小会搜不到太大容易受干扰dx、dy 是搜索方向必须是单位向量灰度采样用最近邻如果图像噪声大可以先做高斯滤波。实际使用时通常会在工件边缘上均匀取多个点分别提取亚像素坐标再拟合直线或圆最后计算距离。3.2 尺寸计算与重复性验证得到两条边缘的亚像素坐标后计算距离有两种方式一是直接算两条拟合直线间的距离二是算两条直线与指定方向交点的距离。对于平行边用直线拟合更稳对于圆孔直径用圆拟合。计算完成后必须做重复性验证。方法很简单同一工件在同一位置连续拍 30 次计算每次测量值看极差和标准差。如果极差大于精度要求的 1/3说明系统不稳定要回头查光源、振动、标定。我一般会要求重复性达到精度要求的 1/5 以下留足余量。下面是一个重复性统计的示例。import numpy as np # 假设连续测量 30 次单位 mm measurements np.array([10.012, 10.015, 10.011, 10.013, 10.014, 10.012, 10.016, 10.011, 10.013, 10.012, 10.014, 10.015, 10.011, 10.013, 10.012, 10.016, 10.014, 10.012, 10.013, 10.015, 10.011, 10.012, 10.014, 10.013, 10.016, 10.012, 10.015, 10.011, 10.013, 10.014]) mean np.mean(measurements) std np.std(measurements, ddof1) range_val np.max(measurements) - np.min(measurements) print(f均值: {mean:.4f} mm) print(f标准差: {std:.4f} mm) print(f极差: {range_val:.4f} mm)参数说明ddof1 表示样本标准差更符合实际极差反映最坏情况标准差反映整体波动。如果极差超过 0.005mm 而你的精度要求是 ±0.01mm那就要排查原因了。常见原因是光源频闪与相机曝光不同步导致每张图亮度略有差异边缘位置跟着漂。3.3 光源与工装对测量结果的影响背光是最适合尺寸测量的光源方式工件边缘在背光下呈现清晰的轮廓。但背光板亮度不均匀会导致边缘梯度变化进而影响亚像素定位。建议用平行背光源并在标定前先拍一张空背光图做平场校正。工装方面工件必须每次放在同一位置重复定位精度要高于测量精度的 1/3。如果工件是柔性材料还要考虑夹持力导致的变形。我见过用真空吸附平台测薄膜尺寸的案例吸附力过大薄膜拉伸测出来比实际大 0.05mm。后来改用低吸附力加机械限位问题才解决。4. 避坑与排查视觉尺寸测量现场最容易翻车的五个点4.1 标定板拍得太少或姿态太单一现象标定后测量标准件误差在视野边缘明显变大。原因标定图像数量不足或标定板只放在视野中心导致畸变系数求解不准。解决至少采集 15 到 20 张标定图标定板要覆盖视野的四个角和中心倾斜角度在 ±30 度范围内变化。注意标定板倾斜太大时角点提取容易失败要检查每张图的角点是否全部找到。4.2 镜头畸变未校正直接测量现象同一个工件放在视野中心测出来是 10.00mm移到边缘变成 10.05mm。原因镜头畸变没有校正边缘像素当量和中心不一致。解决标定后必须用 undistort 对测量图像做去畸变或者用畸变模型在计算时补偿。不要为了省时间跳过这一步这是视觉测量最基础的环节。4.3 边缘提取受反光或毛刺干扰现象测量值偶尔跳变 0.1mm 以上重复性很差。原因工件边缘有毛刺或反光导致灰度梯度极值点偏移。解决优化光源角度用背光或低角度暗场照明突出轮廓在算法上增加边缘点筛选比如用 RANSAC 拟合直线剔除偏离大的点。如果工件本身有加工纹路可以考虑用多个卡尺区域取中值。4.4 温度变化导致标定参数漂移现象早上开机测得好好的下午测量值整体偏了 0.02mm。原因车间温度变化导致相机、镜头、工装热胀冷缩像素当量发生变化。解决开机后预热 30 分钟再标定如果精度要求高每 2 小时用标准件复核一次工装材料选殷钢或陶瓷减少热变形。我一般会在程序里加一个标准件复核按钮操作员每班次点一次超差就重新标定。4.5 相机曝光与光源频闪不同步现象连续采集的图像亮度忽高忽低测量值跟着波动。原因相机卷帘曝光与光源频闪频率不匹配或者光源使用 PWM 调光。解决改用全局快门相机光源用恒流驱动避免 PWM 调光如果必须用频闪确保相机曝光时间覆盖完整的光源脉冲。这个坑很隐蔽因为人眼看不出来亮度变化但算法能敏感地捕捉到边缘漂移。5. 把重复精度压到 1 微米一个现场可用的验证习惯视觉工件尺寸测量做到能测不难做到稳定可重复才难。我的习惯是任何一套新系统上线前先做三件事。第一用标准量块或标准件在视野内九个位置各测 30 次记录每个位置的均值和极差画一张分布图。如果边缘位置的极差明显大于中心说明畸变校正或远心度不够。第二连续运行 4 小时每小时测一次标准件看数据有没有单调漂移。如果有查温度或光源衰减。第三换一个操作员重新装夹工件测 30 次看装夹引入的波动有多大。这三步做完基本能判断系统能不能上产线。进阶用法上如果节拍允许可以用多相机从不同角度测量或者用线激光扫描获取三维尺寸。但对于大多数平面工件二维视觉加背光已经够用。参数设置上我一般把亚像素搜索窗口设为边缘过渡带的 2 到 3 倍高斯滤波 sigma 设为 1.0 到 1.5太大边缘会糊太小噪声压不住。验证方法上除了标准件还可以用已知直径的针规做快速点检针规便宜且精度高适合现场随时复核。说个我自己的教训早期做视觉测量时总觉得算法越复杂越好后来发现 80% 的问题出在光源和工装上。现在我去现场先看光源怎么打的再看工件怎么放的最后才看代码。把这两件事做扎实普通算法也能出好结果。希望帮到你。本文还有配套的精品资源点击获取
视觉工件尺寸测量：从标定到亚像素边缘提取的微米级落地实践
简介这份资源围绕计算机视觉在工件尺寸测量中的应用展开面向从事工业检测、自动化产线或机器视觉方向的学习者与工程人员帮助理解如何用图像处理替代传统卡尺、千分尺等接触式量具实现非接触、高精度的尺寸测定。压缩包共3个文件包含1个txt说明、1个bmp图像样本和1个m脚本文件整体约119KB体量轻便便于快速查看与本地运行。其中m脚本可用于实现边缘检测、直线拟合等测量算法bmp图像则提供了可直接调试的工件样本txt文件补充了相关说明信息。资源内容涉及图像采集、预处理、特征提取、目标识别与测量计算等完整流程读者可借此梳理视觉测量的技术脉络理解坐标变换、投影运算等几何计算方法并参考脚本思路搭建自己的检测流程。目前已有391人学习适合作为入门视觉尺寸测量或验证算法思路的实践参考。1. 视觉工件尺寸测量从一张标定板到微米级重复精度的落地路径产线上新到一批冲压件质检员拿着游标卡尺逐个量一天下来眼睛发花抽检比例还上不去。老板问能不能用相机拍一下就把尺寸测出来这就是视觉工件尺寸测量最朴素的起点。它要解决的问题很具体用工业相机加镜头配合标定和图像算法把工件上两点之间的像素距离换算成毫米甚至微米替代或补充接触式量具。适合谁做设备工程师、机器视觉初学者、想给现有产线加一道非接触检测工序的自动化从业者。核心链路只有四步成像、标定、提取、换算。听起来简单但真正决定成败的是标定精度和边缘提取的稳定性而不是相机像素数。物体尺寸测量在近两年从实验室走向产线靠的正是标定流程标准化和亚像素算法成熟让普通工程师也能复现出可用的结果。2. 视觉尺寸测量的成像与标定为什么像素多不等于测得准2.1 从像素到毫米的映射关系视觉测量的本质是把图像上的像素坐标转换为物理坐标。假设相机光轴垂直于工件平面那么物面上一个长度为 L 的物体在图像上占据 N 个像素两者关系为 L N × k其中 k 是每个像素代表的物理尺寸单位 mm/pixel。这个 k 就是标定要得到的核心参数。很多人第一反应是买高像素相机觉得像素越多测得越准。实际上如果视野是 100mm × 100mm用 500 万像素相机单像素对应约 0.045mm换成 2000 万像素单像素对应约 0.022mm。理论分辨率提升了一倍但镜头畸变、工件边缘模糊、光照不均带来的误差可能远大于这个提升。我见过用 2000 万像素相机测出来重复性还不如 500 万像素的情况问题出在背光和镜头选型上。所以选型顺序应该是先确定测量精度和视野再算需要的像素分辨率最后选镜头和光源而不是反过来。2.2 标定板选型与标定实操标定常用棋盘格或圆点阵列标定板。棋盘格角点提取精度高适合 OpenCV 的 findChessboardCorners圆点阵列抗模糊能力稍好适合光照条件一般的场景。标定板材质建议用陶瓷或玻璃热膨胀系数小比打印纸靠谱得多。标定步骤分三步采集多姿态标定板图像、提取角点、计算相机内参和畸变系数。下面是一段可复现的 OpenCV 标定代码。import cv2 import numpy as np import glob # 棋盘格内角点数量例如 11x8 pattern_size (11, 8) # 棋盘格方格实际物理尺寸单位 mm square_size 5.0 # 生成棋盘格世界坐标 objp np.zeros((pattern_size[0] * pattern_size[1], 3), np.float32) objp[:, :2] np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) objp * square_size objpoints [] # 3D 点 imgpoints [] # 2D 点 images glob.glob(calib_images/*.jpg) for fname in images: img cv2.imread(fname) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 查找棋盘格角点 ret, corners cv2.findChessboardCorners(gray, pattern_size, None) if ret: # 亚像素优化窗口大小 11x11 corners2 cv2.cornerSubPix( gray, corners, (11, 11), (-1, -1), criteria(cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) ) objpoints.append(objp) imgpoints.append(corners2) # 标定输出内参矩阵、畸变系数 ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None ) print(内参矩阵:\n, mtx) print(畸变系数:\n, dist)这段代码的逻辑是先构造标定板在世界坐标系下的三维点再在每张图中找到对应的二维角点最后用多组对应点求解相机参数。参数说明pattern_size 必须和实际棋盘格内角点数一致数错一个角点整组数据就废了square_size 是方格边长单位要和后续测量单位统一cornerSubPix 的窗口大小影响亚像素精度一般 11×11 够用图像模糊时可适当加大。标定完成后用 mtx 和 dist 对测量图像做去畸变再计算像素当量。常见做法是拍一张已知尺寸的标准件用去畸变后的像素数除以实际尺寸得到该工作距离下的 k 值。注意变焦镜头每次调焦后 k 值会变必须重新标定。2.3 远心镜头与普通镜头的选择边界普通工业镜头存在透视误差工件稍微偏离光轴中心测量结果就会偏。远心镜头在一定的景深范围内放大倍率基本不变能显著降低透视误差。但远心镜头贵、视野小、工作距离固定。如果测量精度要求在 ±0.02mm 以内且工件厚度有变化建议上远心镜头如果精度要求 ±0.1mm 左右工件是薄片且能保证在同一平面普通定焦镜头加背光也能做。我一般会先问两个问题工件厚度公差多少测量精度要求多少这两个答案基本决定了光学方案。3. 边缘提取与尺寸计算亚像素算法怎么调才不飘3.1 边缘提取的三种常用方法拿到去畸变图像后下一步是找到工件边缘。常用方法有阈值分割、Canny 边缘检测、亚像素边缘提取。阈值分割速度快适合背光下黑白分明的图像Canny 抗噪好但需要调双阈值亚像素边缘提取精度最高常用矩方法或插值法。对于尺寸测量我一般用卡尺工具的思路在边缘附近取一个矩形区域沿垂直于边缘的方向做灰度投影找到灰度梯度最大的位置再用抛物线插值得到亚像素坐标。OpenCV 没有直接提供卡尺工具但可以用以下代码模拟。import cv2 import numpy as np def subpixel_edge(gray, x, y, dx, dy, search_len20): 在 (x,y) 处沿 (dx,dy) 方向搜索亚像素边缘 search_len: 搜索长度单位像素 # 沿搜索方向采样灰度 samples [] for i in range(-search_len, search_len 1): px int(round(x i * dx)) py int(round(y i * dy)) if 0 px gray.shape[1] and 0 py gray.shape[0]: samples.append(gray[py, px]) else: samples.append(0) samples np.array(samples, dtypenp.float32) # 计算梯度 grad np.abs(np.diff(samples)) idx np.argmax(grad) # 抛物线插值求亚像素位置 if 0 idx len(grad) - 1: y0, y1, y2 grad[idx - 1], grad[idx], grad[idx 1] denom (y0 - 2 * y1 y2) offset 0.5 * (y0 - y2) / denom if denom ! 0 else 0 else: offset 0 subpixel_pos idx offset - search_len return x subpixel_pos * dx, y subpixel_pos * dy这段代码的核心是在一维灰度序列上找梯度极值再用抛物线拟合极值点位置。参数说明search_len 要略大于边缘可能偏移的范围太小会搜不到太大容易受干扰dx、dy 是搜索方向必须是单位向量灰度采样用最近邻如果图像噪声大可以先做高斯滤波。实际使用时通常会在工件边缘上均匀取多个点分别提取亚像素坐标再拟合直线或圆最后计算距离。3.2 尺寸计算与重复性验证得到两条边缘的亚像素坐标后计算距离有两种方式一是直接算两条拟合直线间的距离二是算两条直线与指定方向交点的距离。对于平行边用直线拟合更稳对于圆孔直径用圆拟合。计算完成后必须做重复性验证。方法很简单同一工件在同一位置连续拍 30 次计算每次测量值看极差和标准差。如果极差大于精度要求的 1/3说明系统不稳定要回头查光源、振动、标定。我一般会要求重复性达到精度要求的 1/5 以下留足余量。下面是一个重复性统计的示例。import numpy as np # 假设连续测量 30 次单位 mm measurements np.array([10.012, 10.015, 10.011, 10.013, 10.014, 10.012, 10.016, 10.011, 10.013, 10.012, 10.014, 10.015, 10.011, 10.013, 10.012, 10.016, 10.014, 10.012, 10.013, 10.015, 10.011, 10.012, 10.014, 10.013, 10.016, 10.012, 10.015, 10.011, 10.013, 10.014]) mean np.mean(measurements) std np.std(measurements, ddof1) range_val np.max(measurements) - np.min(measurements) print(f均值: {mean:.4f} mm) print(f标准差: {std:.4f} mm) print(f极差: {range_val:.4f} mm)参数说明ddof1 表示样本标准差更符合实际极差反映最坏情况标准差反映整体波动。如果极差超过 0.005mm 而你的精度要求是 ±0.01mm那就要排查原因了。常见原因是光源频闪与相机曝光不同步导致每张图亮度略有差异边缘位置跟着漂。3.3 光源与工装对测量结果的影响背光是最适合尺寸测量的光源方式工件边缘在背光下呈现清晰的轮廓。但背光板亮度不均匀会导致边缘梯度变化进而影响亚像素定位。建议用平行背光源并在标定前先拍一张空背光图做平场校正。工装方面工件必须每次放在同一位置重复定位精度要高于测量精度的 1/3。如果工件是柔性材料还要考虑夹持力导致的变形。我见过用真空吸附平台测薄膜尺寸的案例吸附力过大薄膜拉伸测出来比实际大 0.05mm。后来改用低吸附力加机械限位问题才解决。4. 避坑与排查视觉尺寸测量现场最容易翻车的五个点4.1 标定板拍得太少或姿态太单一现象标定后测量标准件误差在视野边缘明显变大。原因标定图像数量不足或标定板只放在视野中心导致畸变系数求解不准。解决至少采集 15 到 20 张标定图标定板要覆盖视野的四个角和中心倾斜角度在 ±30 度范围内变化。注意标定板倾斜太大时角点提取容易失败要检查每张图的角点是否全部找到。4.2 镜头畸变未校正直接测量现象同一个工件放在视野中心测出来是 10.00mm移到边缘变成 10.05mm。原因镜头畸变没有校正边缘像素当量和中心不一致。解决标定后必须用 undistort 对测量图像做去畸变或者用畸变模型在计算时补偿。不要为了省时间跳过这一步这是视觉测量最基础的环节。4.3 边缘提取受反光或毛刺干扰现象测量值偶尔跳变 0.1mm 以上重复性很差。原因工件边缘有毛刺或反光导致灰度梯度极值点偏移。解决优化光源角度用背光或低角度暗场照明突出轮廓在算法上增加边缘点筛选比如用 RANSAC 拟合直线剔除偏离大的点。如果工件本身有加工纹路可以考虑用多个卡尺区域取中值。4.4 温度变化导致标定参数漂移现象早上开机测得好好的下午测量值整体偏了 0.02mm。原因车间温度变化导致相机、镜头、工装热胀冷缩像素当量发生变化。解决开机后预热 30 分钟再标定如果精度要求高每 2 小时用标准件复核一次工装材料选殷钢或陶瓷减少热变形。我一般会在程序里加一个标准件复核按钮操作员每班次点一次超差就重新标定。4.5 相机曝光与光源频闪不同步现象连续采集的图像亮度忽高忽低测量值跟着波动。原因相机卷帘曝光与光源频闪频率不匹配或者光源使用 PWM 调光。解决改用全局快门相机光源用恒流驱动避免 PWM 调光如果必须用频闪确保相机曝光时间覆盖完整的光源脉冲。这个坑很隐蔽因为人眼看不出来亮度变化但算法能敏感地捕捉到边缘漂移。5. 把重复精度压到 1 微米一个现场可用的验证习惯视觉工件尺寸测量做到能测不难做到稳定可重复才难。我的习惯是任何一套新系统上线前先做三件事。第一用标准量块或标准件在视野内九个位置各测 30 次记录每个位置的均值和极差画一张分布图。如果边缘位置的极差明显大于中心说明畸变校正或远心度不够。第二连续运行 4 小时每小时测一次标准件看数据有没有单调漂移。如果有查温度或光源衰减。第三换一个操作员重新装夹工件测 30 次看装夹引入的波动有多大。这三步做完基本能判断系统能不能上产线。进阶用法上如果节拍允许可以用多相机从不同角度测量或者用线激光扫描获取三维尺寸。但对于大多数平面工件二维视觉加背光已经够用。参数设置上我一般把亚像素搜索窗口设为边缘过渡带的 2 到 3 倍高斯滤波 sigma 设为 1.0 到 1.5太大边缘会糊太小噪声压不住。验证方法上除了标准件还可以用已知直径的针规做快速点检针规便宜且精度高适合现场随时复核。说个我自己的教训早期做视觉测量时总觉得算法越复杂越好后来发现 80% 的问题出在光源和工装上。现在我去现场先看光源怎么打的再看工件怎么放的最后才看代码。把这两件事做扎实普通算法也能出好结果。希望帮到你。本文还有配套的精品资源点击获取
