1. 机器视觉这套系统，说到底在解决什么问题
刚接触机器视觉和工业相机的人，最容易犯的错是先买了一台相机，再想拿它干什么。我见过太多项目是这样开头的：老板说"我们要上视觉"，采购问"买多少万像素的"，然后一台相机摆在桌上，镜头、光源、算法、执行机构全没定，项目就卡在那里了。所以先别急着看参数表，把"这套系统到底替代了什么"想清楚，后面所有选型都会顺理成章。
一条产线上，人眼要做的事情无非四类：检测（有没有划痕、有没有缺料、印刷对不对）、测量（这个孔径是不是 5.02mm，同轴度够不够）、定位（这个料在不在工位上，偏了多少角度，好让机械手去抓）、识别（这一片上的二维码是什么，这批料是哪个型号）。人做这些事情的问题是显而易见的：连续盯八小时之后漏检率会明显上升，不同班次的判定标准不一致，速度也上不去，一条高速产线每分钟过几百个件，人眼根本跟不上。机器视觉干的就是把这些重复、枯燥、要求一致性的判断，交给一套"相机 + 镜头 + 光源 + 算法 + 通讯"的组合去完成。
工业相机和手机、单反里那颗传感器，差别不在像素数，而在"确定性"。消费级相机会自动白平衡、自动增益、自动对焦、做降噪和美颜，这些对拍照是好事，对测量是灾难——同一块白色料，今天拍出来是 200，明天补光换了个色温就变成 215，你的阈值还怎么定？工业相机的逻辑恰好相反：曝光、增益、白平衡全部锁死，输出的是可复现的原始数据。再叠加上可外部触发、全局快门、工业级接口、宽温宽压、七年十年的供货周期，这才是它贵的原因。
这里顺带说一个被问得挺多的词——"适合飞拍的工业相机"。严格讲工业相机不是给航拍用的，但确实有一类相机被装到无人机、巡检机器人、机械臂末端这种移动平台上：它们的特点是体积小、重量轻、供电范围宽、工作温度宽、抗振动，并且必须是全局快门。全局快门的意义在于，平台在动、目标也在动，卷帘快门会产生"果冻效应"和倾斜畸变，测出来的尺寸直接偏掉。所以如果你是在做移动平台的视觉，选型顺序里"全局快门"这一条要排在分辨率前面。
一套完整的视觉方案，成本构成大致是这样的：相机和镜头大概占 20%~30%，光源和打光结构占 10%~20%，但决定了 50% 以上的成像质量，工控机或智能相机占 15%~25%，软件和算法（自研或商用库授权）占 15%~30%，剩下的机械结构、线缆、调试工时经常被低估，实际能占到 20%。很多人第一次报价只算了硬件，后面发现机械治具、遮光罩、标定板、现场调试差旅加起来比相机还贵，这是行业里非常典型的翻车点。
至于谁来学、学到什么程度，我把它分成三条线：应用工程师要懂选型、打光、标定、调试和现场排障；算法工程师要懂图像处理、特征提取、亚像素、模板匹配和深度学习；设备集成商要懂通讯协议、PLC 交互、节拍和产线改造。三条线共用的地基是同一套东西：光学基础、相机参数含义、成像链路。地基不牢，后面无论学 Halcon 还是 OpenCV，都是照抄算子。
2. 选型第一步：把像素精度算清楚
2.1 视野、分辨率与精度的换算关系
选型这件事，永远从"要看多大范围、要看到多小"开始，而不是从"买多少万像素"开始。核心公式只有一行：
单像素代表的实际尺寸（mm/pixel）= 视野宽度（mm）÷ 相机横向分辨率（pixel）
举个具体例子。你要检测一个 100mm × 80mm 的工件上的缺陷，客户要求能稳定检出 0.05mm 的瑕疵。这时候不能简单地让 1 个像素等于 0.05mm，因为一个缺陷落在两三个像素之间时，边缘会被"糊"掉，灰度对比度不够，算法根本切不出来。工程上普遍的做法是取 3~4 个像素对应一个最小可检特征，这是我在实际项目里反复验证过的经验值。
按 3 个像素算：需要的单像素尺寸 = 0.05 ÷ 3 ≈ 0.0167mm。 需要的横向分辨率 = 100 ÷ 0.0167 ≈ 6000 pixel。
也就是说，这个项目至少要上 600 万像素以上的相机，实际建议直接选800 万到 1200 万像素（常见的 4096×3000 或 4024×3036），留出余量。这里还有个容易被忽略的点：算出来的分辨率要"向上取整到实际型号"，而不是取最接近的，因为余量是留给对位误差、镜头畸变和工件摆动的。
同样的思路反过来用：如果客户已经买好了一台 500 万像素相机（2448×2048），视野要求 100mm，那单像素就是 100 ÷ 2448 ≈ 0.041mm，理论可检最小缺陷约 0.12mm，做不到 0.05mm。这时候只有三条路——换更高分辨率相机、缩小视野（把工件分段拍或者加一个工位）、改成远心镜头配合小视野高精度方案。提前把这笔账算给客户听，比调试时被质疑"为什么检不出来"要舒服得多。
2.2 为什么精度会变：机器视觉动了什么会导致像素精度变化
热词里那句"机器视觉动了什么会导致像素精度变化"，其实问的是同一套硬件为什么今天准、明天不准。我把它归成五类原因，按现场出现频率排序。
第一类是光学链路被动过。镜头锁紧环松了、相机法兰距变了、工作距离因为治具磨损缩短了 0.5mm，像素精度就会变。尤其是手动光圈和手动对焦的镜头，现场振动一天下来，焦点可能就飘了。我的习惯是，镜头调好后在镜筒和相机之间画一条记号笔线，第二天开机先看一眼记号有没有错位。
第二类是标定失效。用标定板算出来的 mm/pixel 系数，是建立在一个特定工作距离和特定视野上的。你动了相机高度，就必须重新标定。我见过一个项目，因为换了台更厚的相机垫片，高度差了 1.2mm，导致整个视野缩放了约 0.8%，测量全超差。
第三类是温度漂移。相机传感器和镜头都会热胀冷缩，产线早上刚开机和下午连续跑八小时，同一个工件测出来的尺寸能差几个微米。高精度项目一般要求开机预热 30 分钟再开始测量，这不是迷信，是实测数据。
第四类是打光变化。光源衰减、反光板脏了、环境光从缝隙漏进来，都会改变边缘的灰度过渡带宽度，进而影响亚像素边缘位置。像素精度没变，但你测出来的结果变了。
第五类是算法参数被改。换了个人维护，把亚像素阈值从 0.5 改成 0.3，结果就飘了。所以参数要版本化管理，改一个值都要记录。
注意：只要工作距离、镜头型号、相机型号、打光方式里任何一项发生改动，就必须重新标定并做一组已知标准件验证，不要相信"应该差不多"。
2.3 镜头、工作距离与景深的取舍
相机定了之后，镜头的选择决定成败。这里需要同时满足三个约束，而它们经常互相打架：
| 需求 | 与镜头的矛盾 |
|---|---|
| 视野要大 | 焦距要短，或工作距离要远 |
| 精度要高 | 视野要小，或分辨率要高 |
| 景深要够 | 光圈要小，但进光量会下降，曝光时间变长 |
景深公式（近似，非严格光学式）可以这样理解：
景深 ∝ （光圈系数 × 允许弥散圆直径 × 工作距离²）÷ 焦距²
看这个关系就知道：想增大景深，要么缩小光圈、要么拉远工作距离、要么减小焦距。而拉远工作距离会让视野变大、单像素尺寸变大、精度下降。所以做测量类项目，我一般优先选远心镜头——它的特点是放大倍率不随工作距离变化，几乎没有透视误差，测圆柱、测孔、测间隙时稳定性完全是另一个级别。代价是贵、体积大、视野小。
景深具体要多少，取决于工件的"高度差"。如果工件表面有 3mm 的起伏，景深至少要覆盖 ±3mm，也就是 6mm 以上，否则高处的边缘清楚、低处就是糊的。有个实用的粗算方法：定好工作距离后，做个简单的实测——放一个斜块或者阶梯规，用实际光圈拍一张，看哪个高度范围内边缘仍然锐利，这比算公式靠谱得多。
2.4 面阵还是线阵，2D 还是 3D
面阵相机一次曝光得到一整幅二维图像，适合视野内一次性覆盖的场合，也是绝大多数项目的第一选择。
线阵相机只拍一条线，靠工件或相机运动来"拼"出二维图。它的优势是可以做超高横向分辨率——比如 4K、8K 甚至 16K 像素的线，配上传送带运动，能拍下整卷材料。纸、布、薄膜、金属带、印刷品的连续检测，天生属于线阵。但线阵有个硬门槛：必须严格同步运动速度，编码器信号一旦有抖动，拼出来的图就会拉伸或压缩，测量直接报废。
3D 视觉这几年确实是热点，入门门槛也在降低。主流的几种原理各有边界：激光三角测量精度高、速度快，适合焊缝、胶路、体积测量，但对反光和黑色吸光材料比较头疼；结构光一次投影多条纹，速度快、点云密，适合抓取类应用，对高反光表面需要多次曝光融合；双目立体视觉便宜，但弱纹理表面基本无能为力；ToF 相机响应快、量程大，但精度通常在毫米级，适合导航避障而不是精密测量。
给刚入门的建议：先把 2D 做到"能独立完成一个测量项目"，包括选型、打光、标定、编程、验证；再摸 3D。因为 3D 的标定、点云处理、手眼变换，本质上是 2D 标定能力的延伸，2D 没搞明白就直接上 3D，会在坐标变换那一步卡很久。
3. 打光：决定项目成败的隐形环节
3.1 光源类型与适用场景对照
打光不是"把黑暗照亮"，而是通过控制光的入射角度和波长，把目标特征和背景之间的对比度做强。同一块工件，换一种打光方式，算法难度可能差十倍。常见光源和它们的适用面，我用一张表说清楚：
| 光源类型 | 典型用途 | 关键特点 |
|---|---|---|
| 环形光 | 通用照明、字符、表面轻微缺陷 | 便宜好装，容易在球面反光 |
| 低角度环形光 | 划痕、凹凸、边缘缺陷 | 掠射增强表面起伏对比 |
| 背光源 | 轮廓尺寸、孔位、有无检测 | 形成剪影，边缘极锐利 |
| 同轴光 | 镜面、金属、芯片字符 | 消除反光，表面缺陷清晰 |
| 穹顶光（无影光） | 球面、圆柱面、螺纹、高反光件 | 均匀无阴影，成本高 |
| 条形光 | 大平面、线扫、可组合 | 灵活拼接，角度可调 |
| 点光源 | 局部高亮、配合透镜聚光 | 光斑小，适合特征定位 |
| 偏振光 | 去除水面、玻璃、塑料反光 | 需配偏振镜使用 |
波长选择也是打光的一部分。红光穿透力强、成本低、晶圆检测里经常用；蓝光波长短，在硅片和某些镀层上的对比度更好；紫外光短波在细微划痕和荧光检测上有奇效；红外光能穿透某些塑料外壳看到内部结构。颜色选择的基本原则是：让目标特征吸收光（变黑），让背景反射光（变白），对比度最大化。比如红色字符印在白色纸上，用红光打，红色字符吸收红光变暗，白纸反射红光变亮，对比度拉满；换成白光，对比度反而下降。
3.2 打光方案怎么一步步调出来
我调打光的顺序基本固定，分享给刚上手的朋友：
第一步，先关掉所有光源，只用环境光拍一张。这张图是基线，能看到环境光漏进来多少、有没有天窗反光。很多现场问题就是车间灯管直射造成的。
第二步，背光试轮廓。如果你的需求是尺寸、孔位、有无，先上背光，背光能把问题从"图像处理"直接降级成"二值化"，这是最省算法的方案。
第三步，正面光试表面。用环形光或条形光，从 0°、30°、45°、60° 几个入射角各拍一张，观察缺陷对比度。表面划痕通常需要 5°~20° 的掠射角，光几乎是贴着表面过去的，划痕的凹凸才会投出阴影。
第四步，处理反光。工件是金属、铝件、塑料件时，正面光会形成一块过曝的亮斑，把缺陷彻底淹没。这时候上同轴光或者穹顶光，或者在镜头前加偏振镜、光源前加偏振片，旋转到反光消失的角度。偏振片的角度要找，不是装上去就行，两片偏振片夹角约 90° 时消光效果最好。
第五步，检查光源的频闪与相机曝光是否同步。用频闪控制器驱动光源的时候，如果闪光时间和曝光窗口没对齐，图像会忽明忽暗，看起来像是随机噪声，实际是同步问题。这块要拿示波器或者把相机设成固定长曝光去观察。
心得：打光阶段花的每一小时，能省下后面算法阶段的十小时。我在做检测项目时，宁可让机械工程师多做一个光源支架，也不愿意让算法去处理一张对比度差的图。
3.3 现场打光容易被忽略的三件事
光源会衰减。LED 用一两年之后亮度可能掉 10%~20%，如果你的阈值是卡着临界值定的，生产半年后就会开始误判。所以定阈值时留 20%~30% 余量，并且定期用同一块标准件做稳定性比对。
遮光罩比你想的更重要。车间有吊灯、有窗户、有对面设备的指示灯，这些杂散光会让同一批产品在不同时段表现不一致。加一个黑色哑光的遮光罩，是最便宜的稳定性投资。
光源支架要能锁死。我见过因为支架螺丝没拧紧，光源被线缆拉偏了 3mm，导致半条产线误判的事故。光源、相机、镜头，三个位置的紧固件都要有防松措施，并且做好位置标记。
4. 相机接入与调试实操
4.1 接口怎么选：GigE、USB3、Camera Link、CoaXPress
接口选择的唯一依据是数据带宽需求，算法上算一遍就清楚了：
所需带宽（MB/s）≈ 图像宽度 × 高度 × 位深 ÷ 8 ÷ 1000000 × 帧率
举例：一台 500 万像素黑白相机（2448×2048），8bit，30fps：
2448 × 2048 × 1 × 30 ÷ 1000000 ≈ 150MB/s
换算成网络带宽大约是 1200Mbps，已经超过千兆网的理论上限 1000Mbps 了，所以这种配置上千兆网口必然丢帧。
| 接口 | 理论带宽 | 实际可用 | 线缆长度 | 适用场景 |
|---|---|---|---|---|
| USB 3.0 | 5Gbps | 约 350~400MB/s | 3~5m | 中低分辨率、单相机、成本敏感 |
| 千兆网 GigE | 1Gbps | 约 110~118MB/s | 100m | 500万像素以下，多相机组网 |
| 2.5G / 5G / 10GigE | 10Gbps | 约 900MB/s~1.1GB/s | 100m（10G 建议机内短距） | 高分辨率高速 |
| Camera Link | 2~6.8Gbps | 视配置 | 10m | 线阵、老平台 |
| CoaXPress | 单通道 6.25Gbps，可多通道聚合 | 极高 | 40m 以上 | 超高分辨率超高帧率 |
选择逻辑很直白：500 万像素、30fps 以内，USB3 和千兆网都能干；800 万以上或者高帧率，直接上 10GigE 或 CoaXPress，别硬撑。还有一条容易被忽略——多相机同时工作时，不要指望一张网卡带四台相机，网卡带宽是共享的，四台各 100MB/s 就已经到顶了。正确做法是多网卡，或者用带独立通道的网卡，每台相机走一个独立的物理通道。
4.2 工业相机插上网速不对怎么解决
这个问题现场极其常见，"插上网线，显示协商速率 100Mbps 而不是 1Gbps"，图像能出但帧率上不去。排查顺序我固定按下面走：
先看协商速率。打开网卡状态看速度是 100Mbps 还是 1Gbps。如果是 100Mbps，说明链路里有一环只支持百兆，重点查三样东西：网线、网口、交换机。
网线是头号嫌疑。很多现场随手拿了一根老网线，五类线（Cat5）在质量差的情况下只能跑百兆，或者水晶头某对线束压得不好，导致千兆协商失败自动降速。换一根超五类（Cat5e）以上、最好是六类（Cat6）的成品线，长度控制在 30m 以内，先排除线的问题。
网口和水晶头氧化、接触不良。工业现场的粉尘、油雾会让 RJ45 触点氧化，插拔几次或者换一口试试。有些国产相机用的是带锁紧的工业网口，插的时候要听到"咔"的一声才算到位，没插到底就会降速。
交换机和网卡。如果中间接了交换机，确认交换机每个口都是千兆的，有些廉价交换机是"百兆口 + 一个千兆上联口"，相机接错口就降速。网卡这边，进设备管理器看网卡属性，确认"速度和双工"设置为"自动协商"或者手动锁定 1.0Gbps 全双工。
驱动和巨帧。网卡属性里的"巨帧（Jumbo Frame）"要设成 9KB（9000 字节），"接收缓冲区"调大，"中断节流"关掉。这些设置直接影响能否稳定跑满带宽，后面讲丢帧还会详细说。
如果这些都排除了还是不达标，用相机厂商自带的工具（各家的相机配置软件里都有带宽测试和链路诊断）看一眼实际协商结果，能快速定位是物理层还是配置层的问题。
4.3 触发信号收不到，怎么一步步查
"海康工业相机未收到触发信号"这类问题，本质是相机的外部触发输入端没有检测到有效的电平跳变。我一般按信号链路从头到尾查：
第一步，确认触发模式设对了。相机要设成"外触发（硬触发）"模式，不是内触发或软触发。有些软件里改完模式没生效，重新连一遍相机再读一次配置确认。
第二步，量电平。用万用表或示波器量相机触发输入端的电压。工业相机的外部触发一般是光耦隔离输入，支持 5~24V，分 NPN（低电平有效、共阳）和 PNP（高电平有效、共阴）两种接法。这里最常见的错误是：PLC 输出的是 PNP，相机接的是 NPN 接法，信号永远进不去。先把这根线搞清楚。
第三步，看极性设置。相机里触发极性通常可以选"上升沿"或"下降沿"。如果传感器是常亮、触发时拉低，你设成上升沿就永远等不到。改成下降沿试试。
第四步，看信号是不是太窄。触发脉冲宽度有最小值要求，一般 10μs 以上。如果传感器输出的脉冲只有几微秒，相机识别不到。用示波器量一下脉宽。
第五步，看共地问题。相机和触发源必须共地，或者信号有独立的回流路径。现场经常是相机用 24V 供电、传感器用另一个电源，两边地没接在一起，电平就没有参考，触发随机丢。把地接好，问题解决。
第六步，检查触发延时和去抖。机械开关或光电传感器的输出可能有抖动，相机如果不带去抖功能，会收到一串无效触发。可以在 PLC 侧做 3~5ms 的滤波，或者在软件里加延时和去抖参数。
排查过程中，一个很实用的技巧是：先用软件触发验证整条链路。如果软件触发能正常拍照，说明相机、通讯、算法都没问题，问题一定在触发信号这条线上；如果软件触发也不行，那问题在相机配置或通讯层，方向就完全不同了。
4.4 丢帧问题的系统性排查思路
丢帧（比如常被提到的某品牌相机丢帧）是视觉项目里最耗时的问题之一，因为它表现随机，有时连拍一百张才丢一张。我把它分成五层来查，从下往上：
第一层，带宽层。先按前面公式算一遍你需要的带宽，再乘以 1.3 的余量，看是不是超过链路能力。超了，就降帧率、降分辨率、改用 RO 感兴趣区域输出，或者换更高带宽接口。降低分辨率是最立竿见影的办法，因为数据量是平方级下降的。
第二层，网络配置层。这一层是丢帧的重灾区，要点有四条：
- 开启巨帧（Jumbo Frame），网卡和交换机都要设成 9KB，两端不一致会导致大包被丢弃。
- 调大网卡接收缓冲区，默认值往往很小，几百 KB，改成 4MB 或最大。
- 关闭中断节流（Interrupt Moderation）和节能选项，允许网卡在高负载时全速响应。
- 关闭网卡的"流控"或者确认流控两端一致，流控不一致会导致某一端暂停发送。
跨网段、走交换机、还有其他设备抢带宽的场景，丢帧概率会明显上升，能直连就直连。
第三层，主机层。CPU 占用率过高、内存拷贝过多、硬盘写入速度不够，都会让采集线程来不及取走缓冲区的图像。检查方法：采集时看任务管理器的 CPU 和磁盘占用。如果 CPU 常年 90% 以上，或者采集线程在做实时显示、实时保存全尺寸图，那大概率是主机侧处理不过来。解决办法是采集与处理分离，采集线程只管往环形缓冲区丢，处理线程慢慢消费；或者降低显示刷新率，别每帧都刷新界面。
第四层，相机设置层。检查相机的采集帧率上限、曝光时间、传输包间隔（Packet Delay / Inter-Packet Delay）。曝光时间如果大于帧周期，帧率自然下降，看起来像丢帧。传输包间隔是为了防止突发流量打爆交换机而设的，值设太大会限制有效带宽，可以适当调小，观察是否稳定。
第五层，物理层。线缆质量、接插件接触、供电不足（USB 相机尤其怕，USB 口供电不足时相机会自动降速甚至重连）、温升导致的链路异常。USB3 相机建议用带独立供电的扩展卡或带供电的集线器，不要直接插主板前置口。
实操心得：排查丢帧时，先打印一个"采集帧计数"和"接收帧计数"，放在软件界面上长期显示。有没有丢、丢了多少、是稳定的还是随机的，这三个信息一出来，方向就定了。最怕的是凭感觉说"好像偶尔丢"，那永远查不下去。
4.5 SDK 与开发环境怎么搭
相机接入之后就是编程。主流工业相机都提供 C、C++、C#、Python 的 SDK，一般包含设备枚举、取流、参数读写、事件回调这几个模块。下面是一个 GigE 相机取流的伪代码骨架，思路各家大同小异：
// 伪代码：初始化设备 -> 配置参数 -> 开始取流 -> 回调处理 handle = openDeviceByIP("192.168.1.100"); setEnum(handle, "TriggerMode", "Off"); // 内触发，先跑通 setInt (handle, "Width", 2448); setInt (handle, "Height", 2048); setFloat(handle, "ExposureTime", 5000.0); // 单位 us setFloat(handle, "Gain", 0.0); // 增益要克制 setEnum(handle, "PixelFormat", "Mono8"); // 黑白 8bit，带宽最省 registerCallback(handle, onFrame); // 注册回调 startGrabbing(handle); void onFrame(Frame f) { // 回调线程里只做拷贝，不做耗时处理 pushToRingBuffer(f.data, f.width, f.height); releaseFrame(f); }几个必须注意的点：回调函数里不要做算法、不要做图像保存、不要刷新 UI，只做数据搬运，否则一定会丢帧。算法放在独立线程里，从环形缓冲区取数据。增益能不给就不给，增益是电子放大，会把噪声一起放大，优先用曝光时间补亮度，曝光时间又不够的时候再考虑增益，并且记住增益会改变噪声分布，影响后续阈值。像素格式优先选 8bit 黑白，除非确实需要彩色，8bit 黑白的数据量只有彩色 24bit 的三分之一，带宽和算力都省。
如果不想自己写底层，也可以用商用视觉软件（Halcon、VisionPro 这类），它们对主流相机都有直连驱动，配置得快，适合做原型验证和中小项目快速交付。自研 SDK 的价值在深度定制和授权成本控制上，两条路不冲突，很多团队是原型用商用库、量产换自研。
5. 常见故障速查与避坑清单
把前面散落的问题汇总成一张表，现场遇到问题时可以直接对着查：
| 现象 | 最可能的原因 | 优先排查动作 |
|---|---|---|
| 图像全黑 | 镜头盖没取、光圈全闭、没触发 | 手动开一次软触发看有无图 |
| 图像全白过曝 | 曝光过长、增益过高、光源太亮 | 降到最短曝光逐级加 |
| 帧率只有一半 | 曝光时间超过帧周期 | 曝光时间与帧率对照计算 |
| 协商速率只有 100M | 网线、水晶头、交换机口 | 换 Cat5e 以上成品线 |
| 随机丢帧 | 带宽超限、巨帧未开、缓冲区小 | 算带宽，开巨帧，调缓冲区 |
| 触发无响应 | 极性错、NPN/PNP 接反、未共地 | 示波器量电平与脉宽 |
| 图像忽明忽暗 | 频闪光源与曝光不同步 | 固定长曝光观察对比 |
| 边缘有拖影 | 卷帘快门 + 运动目标 | 换全局快门相机 |
| 测量值整体偏大偏小 | 标定系数失效、工作距离变化 | 重新标定并加标准件验证 |
| 同一件反复测不重复 | 光源衰减、环境光干扰、温度漂移 | 加遮光罩，预热，留阈值余量 |
| 相机间歇性掉线 | 供电不足、线缆接触、交换机过热 | 换独立供电，直连测试 |
| 软件连不上相机 | IP 网段不一致、防火墙拦截 | 相机和网卡设同网段 |
再补几条我在实际项目里踩出来的避坑经验，都是文档里不太写、但现场特别容易出事的：
不要在产线运行时改相机参数。有些参数（比如宽高、像素格式）一改，取流会中断，PLC 那边的触发计数就对不上了。所有参数改动放在停机或者开机初始化阶段完成。
标定板要保存在专用盒子里。标定板表面划伤、落灰、被手指摸过，都会让标定结果漂移。我见过因为标定板被随手放在机床上沾了油，整批测量值偏 0.03mm 的事。
预留一个"标准件"长期放在设备旁。每天开机用它测一次，记录数值。数值一旦超出历史范围，说明系统有变化，这时候先别生产，先查原因。这个习惯能拦住绝大多数批量性误判。
触发信号和结果输出要成对计数。设备上显示"触发 N 次、输出结果 N 次"，两个数不相等就说明中间有丢帧或超时。这是最便宜的系统健康监测手段。
线的颜色和标签要在图纸上标清楚。触发线、电源线、网线、编码器线，颜色五花八门，换个人接线很容易接错。做一个端子定义表贴在电柜门上，能省掉大量沟通成本。
6. 学习路线、3D 入门与面试准备
6.1 从零到能独立交付的学习路径
机器视觉学习路线最忌讳一上来就啃算法。我的建议按这个顺序走，每一阶段都要求有能跑起来的东西，而不是只看懂：
第一阶段（2~4 周），打基础。掌握 C++ 或 C# 中的一门（现场项目以 C# 居多，算法侧以 C++ 为主），理解图像的基本概念：灰度、位深、分辨率、ROI、直方图。同时把光学基础补齐——焦距、光圈、景深、视场、放大倍率这几个概念要能张口就算。
第二阶段（4~6 周），图像处理。把 OpenCV 的常用模块过一遍，重点是滤波、二值化、形态学、连通域、边缘检测、模板匹配、轮廓分析。这个阶段不要追求用上深度学习，先把传统算子玩熟，因为工业现场 80% 的检测任务用传统算子就能解决，而且速度快、可解释、好调参。
第三阶段（4~6 周），相机和标定。拿一台真实相机，从装驱动、连软件、调曝光、外部触发、取图保存开始，完整走一遍。然后学标定：九点标定、棋盘格标定、远心镜头的标定、手眼标定。标定这一环是分水岭，能独立完成标定的人，才算能独立交付项目。
第四阶段（持续），项目实战与商用库。用 Halcon 或者 VisionPro 做几个完整的例子：定位、测量、缺陷检测、条码识别。商用库的价值在于它的算子是经过工业验证的，稳定性和速度往往比你自己写的版本强，而且文档和例程非常全，学起来反而快。
关于网上流传的那本《机器视觉算法与应用》，作为理论参考确实值得反复翻，但不要指望看完这本书就会做项目，它讲的是原理和算法，工程实现完全是另一套东西。正确的用法是：遇到某个算子不明白为什么这么设计，回去查对应章节，这时候理解最深。
6.2 3D 视觉从哪个点切进去
3D 入门我给一个具体的最小可行路径，不需要昂贵设备也能跑通：
第一，先用标定板把 2D 标定彻底搞明白。理解像素坐标到物理坐标的映射矩阵是怎么来的，这是所有 3D 变换的基础。
第二，用手边的设备采一组简单的 3D 数据。如果有双目相机或者结构光相机最好；没有的话，可以用单目相机加一个已知位移（比如放在滑台上移动一段距离），模拟出视差，采两组图来理解三角测量的直觉——同一个点在两幅图里的位置差，反推出距离。这个练习能让你真正理解"3D 是怎么来的"，而不是把点云当成黑盒。
第三，学点云处理的基础操作。滤波去噪、下采样、平面拟合、聚类分割、法向量估计，这些是点云处理的四个基本动作。抓取类项目里，典型流程就是"去噪 → 找平面（工作台）→ 分割出物体 → 估计位姿 → 转换成机器人坐标"。
第四，学手眼标定。这是 3D 视觉落地最核心也最容易出错的环节。核心是把相机坐标系和机器人坐标系对齐，标定的精度直接决定抓取能不能成功。常用的两种方式是眼在手外（相机固定）和眼在手上（相机装在机械臂末端），两者的标定方法和误差来源都不一样。
3D 项目的最大坑是对材质敏感。高反光、透明、纯黑吸光、半透明这四类表面，是几乎所有 3D 方案的噩梦。遇到这类工件，先准备好"喷显像剂、贴标记点、多角度融合、改用特定波段光源"这几种备选手段，别指望换一个相机型号就能解决。
6.3 面试里真正会被追问什么
机器视觉岗位面试，我的观察是很少问你"什么是边缘检测"这种定义题，更多的是往项目细节里钻。常见的问题和回答思路：
"你做的这个项目精度是多少？怎么保证的？"这是必问题，考的是你有没有算过像素精度、有没有做标定验证、有没有做过重复性测试。回答时要给出具体数字：视野多大、相机多少像素、单像素多少毫米、重复性实测标准差是多少、怎么用标准件验证的。
"检测节拍是多少？算法跑了多长时间？"考工程意识。要能说出单张图算法耗时、相机帧率、整个流程的单件耗时，以及哪一部分是瓶颈。
"打光怎么设计的？为什么选这种光源？"考的是你有没有真正调过光，而不是抄方案。要讲清楚入射角、波长、为什么这个角度能看到缺陷，以及试过哪些别的方案不行。
"遇到漏检和误检怎么处理？"考排查方法论。区分"漏检"（缺陷没检出）和"误检"（好件被判为坏件），这两种问题的处理方向完全相反：漏检要提升对比度和灵敏度，误检要收紧阈值和做多条件联合判定。
"标定怎么做？动了相机要不要重新标定？"考基础扎实程度。要答出，只要工作距离、镜头、相机任一变化，标定就作废，必须重新标。
"你会用哪些视觉库？"别只报名字，要说清楚用它做过什么，比如用模板匹配做定位、用亚像素边缘做尺寸测量、用形状匹配做旋转工件的角度检测。
"PLC 交互怎么做的？"工业现场一定会问。常见的交互方式有 IO 硬线、以太网 TCP/IP、Modbus TCP、Profinet 等，要能说明触发信号怎么给、结果怎么回、异常怎么处理。
我的建议是，面试前把自己做过的项目按"需求—方案—选型理由—实现—验证数据—遇到的问题—怎么解决"这七步整理一遍，每个项目准备三分钟和十分钟两个版本。面试官问到任何一个细节，你都能往下讲两层，这比背概念有用得多。
最后说点个人体会。做机器视觉这些年，我最大的感受是：这个行业里真正决定项目成败的，很少是算法有多高级，而是光学成像有没有把问题变成简单问题。一个好的打光方案配一个普通的算法，能稳定跑几年；一个糟糕的成像配再先进的深度学习，也只能在演示视频里好看。所以每次拿到新需求，我会先花半天时间在实验室里试光、试镜头、试工作距离，把图像拍到"看一眼就知道该怎么处理"的程度，再去写代码。这半天从来不会浪费。
还有一件事值得长期做：给自己建一个"成像样本库"。每做一个项目，把典型的好图、坏图、边界图按类别存好，标注好相机、镜头、光源、参数。做久了你会发现，当新项目的工件长得像以前某个样品时，你几乎可以立刻给出可行的方案，这就是经验真正沉淀下来的样子。
