基于OpenCVSharp的棋盘格角点检测实现板材平整度测量

做机器视觉测量的朋友，一定遇到过这种场景：被测表面看着平整，用卡尺量也差不多，但装到设备里就是有缝隙、有翘曲。后来我才意识到，视觉系统不仅能测尺寸，还能通过角点检测评估平整度。最近我把 OpenCVSharp 的角点检测技术整理成一套可复用的参考代码，用来对板材类表面的平整度做低成本测量。这篇文章就把思路、原理、代码、以及我踩过的坑都记录下来，适合正在做视觉检测、想用 C# 搭视觉方案的朋友参考。内容不涉及复杂的硬件平台，一台普通工业相机、一块标准棋盘格、一台上位机就能把测量逻辑跑起来。

1. 项目整体设计与思路拆解

1.1 核心需求与测量原理

平整度通常指一个表面在宏观几何上偏离理想平面的程度。传统做法是用塞尺、百分表、激光干涉仪或三坐标测量机去测，但这些手段要么是接触式的，要么设备昂贵。在产线场景里，很多工件不允许接触，或者节拍很快，这时候视觉方案的优势就体现出来了。

我的思路是在被测表面上贴一块标准棋盘格图案，然后用固定相机拍照。表面如果平整，棋盘格角点会均匀排列；表面如果有翘曲、凹坑或者局部起伏，网格图案会发生可见的几何畸变，角点位置也会随之偏移。通过量化角点在图像中的偏移量，就能间接评估出表面的平整度水平。

要注意，这种单目视觉方案测的不是绝对高度，而是角点相对于理想网格的“投影畸变”。它可以用来做产线上的快速筛选和趋势监控，比如区分合格品与不合格品、监控同一模具的产品形变是否变大。如果要做绝对高度测量，需要双目标定或者引入结构光，那是后续扩展方向。本文分享的这套代码，核心是把“几何畸变”量化成具体数值，给平整度判定提供一个可对比的指标。

1.2 技术选型对比：角点检测算法

OpenCVSharp 里常用的角点检测方案有三类，各有各的适用场景。

算法	核心原理	适用场景	说明
Harris 角点	基于图像自相关矩阵的特征值，判断角点	自然纹理、无规则特征	速度快，但亚像素精度需要二次优化
Shi-Tomasi 角点	改进 Harris 的评分函数，取较小特征值作为响应	特征跟踪、稀疏点提取	对弱纹理比 Harris 更稳定
棋盘格角点	利用黑白交替图案的几何关系，定位角点	标定板、规则网格、平整度测量	可获得亚像素级精度，排列顺序明确

在做平整度测量时，我优先选棋盘格角点。原因很简单：棋盘格角点自带行列顺序，每个角点对应一个已知的索引位置，这样计算模型偏差时非常方便。如果用 Shi-Tomasi 提取任意角点，你得自己做特征匹配和排序，还容易受边缘干扰，工程复杂度高很多。

当然，棋盘格方案也有个前提：被测表面必须能贴图案。如果表面不允许贴标靶，可以用激光投影网格或者直接利用表面的自然纹理配合 Shi-Tomasi 角点，但精度和稳定性就要打个折扣。本文以棋盘格为基准展开，更常见也更容易复现。

1.3 识别目标与整体流程设计

这套测量系统的目标是：输入一张含棋盘格标靶的表面图像，输出一组角点坐标、网格畸变的 RMS 偏差和最大偏差，最终根据阈值判定平整度是否合格。

整体流程分五步：

1. 图像采集：固定相机和光源，拍摄带棋盘格标靶的表面图像。
2. 预处理：转灰度、直方图均衡、必要时去噪。
3. 角点检测：调用 FindChessboardCorners 定位棋盘格角点。
4. 亚像素优化：用 CornerSubPix 把角点坐标精度提升到亚像素级。
5. 偏差计算：把实际角点坐标和理想网格坐标做比较，得到平整度指标。

这五步看起来简单，但每一步都有隐藏细节。比如直方图均衡不是必须的，但如果现场光照不均匀，它能让棋盘格角点检测的成功率明显提高。再比如角点顺序，OpenCV 返回的角点顺序是按行排列的，从左到右、从上到下，这个顺序直接影响后续理想网格的构建，必须用文档验证过的方式去索引，否则偏差计算会完全错乱。

2. 核心细节解析与实操要点

2.1 图像预处理与光照处理

棋盘格角点检测最怕两件事：光照不均和运动模糊。光照不均会导致黑白格子的灰度对比度不一致，检测算法在找四边形时容易把某些格子漏掉。运动模糊则会让角点附近产生拖影，角点位置被拉偏。

我实测下来，预处理顺序建议这样安排：

• 如果原图是彩色图，先转灰度。
• 使用直方图均衡EqualizeHist提升全局对比度。
• 如果图像有噪声，适当做高斯模糊，但核不能太大，3x3 到 5x5 就够。
• 调用 FindChessboardCorners 时，加上AdaptiveThresh | NormalizeImage | FilterQuads三个标志。

这里的FilterQuads很关键。它会让 OpenCV 先提取图像中的四边形，再筛选出符合棋盘格几何关系的候选区域。如果现场图像里有很多类似方形的干扰物，这个标志能帮你滤掉大部分误检。但代价是，如果棋盘格本身畸变过大，有些格子被压缩得很厉害，可能会被误删，导致检测失败。所以，当图像畸变明显时，我反而会去掉这个标志，让算法更宽松地搜索。

2.2 亚像素定位与参数设置

FindChessboardCorners 返回的角点坐标通常是整数像素附近的值，但工业测量的平整度要求往往到 0.1 毫米甚至更细，仅靠整数像素是不够的。此时必须用CornerSubPix做亚像素精确定位。

这个函数的参数有几个讲究：

• 搜索窗口尺寸：一般取 5x5 到 11x11。窗口太小，收敛不稳定；窗口太大，会把相邻角点的信息卷进来。我在 500 万像素图像上用 11x11 效果稳定。
• 零区域尺寸：填 new Size(-1, -1) 表示禁用零区域，让所有邻域像素都参与计算即可。
• 迭代条件：CriteriaTypes.Eps | CriteriaTypes.MaxIter，迭代次数建议 30 到 50，精度值 0.001。这里 0.001 不是图像物理单位，而是坐标变化的收敛阈值，设置太大亚像素优化等于没做，设置太小算法会长时间不收敛。

亚像素定位的本质是计算角点附近灰度梯度的加权中心。你可以把它理解成，算法在整数角点周围的小窗口内寻找灰度变化“最像真实交点”的那个点。只要光照稳定、图像无模糊，它能把角点定位到 0.1 像素以内的重复精度。

2.3 透视校正与畸变补偿

相机拍摄时，镜头和被测表面很难做到完全平行，所以图像里天然存在透视变形。棋盘格角点坐标必须经过坐标变换，才能和理想网格做有意义的比较。

最简单的方法是用GetPerspectiveTransform把检测到的棋盘格角点映射到一个标准正面视图，然后用映射后的坐标计算偏差。但这里有个容易混淆的点：透视变换需要指定四个对应点，而棋盘格角点往往超过四个。实践中，我会用四个边角点来估计透视矩阵，或者直接用所有角点做仿射拟合。

仿射拟合的思路是：假设理想网格坐标可以用行列索引的线性组合表达。设某个角点的行索引为 j、列索引为 i，则它的理想图像坐标为：

u = ai + bj + c v = di + ej + f

采集到的实际角点坐标和相机安装角度、镜头焦距、棋盘格姿态有关，但在一个较小的视场范围内，仿射模型已经能描述“旋转 + 缩放 + 平移”这些全局变化，剩下的残差就是我们关心的局部畸变。如果镜头有严重的桶形畸变或马鞍形畸变，仿射模型会吸收不了，此时应该先用相机标定参数Undistort对整张图像去畸变，再做角点检测。

2.4 平整度指标的量化

把偏差变成可判定的指标，通常用两个数值：

• RMS（均方根偏差）：所有角点偏差的均方根，代表整体平整度。这个值越小，表面越接近理想平面。
• 最大偏差（Max Deviation）：所有角点偏差中的最大值，代表局部最严重的不平整点。

另外，还可以把偏差拆成 X 方向和 Y 方向分别统计。有时候一个方向的偏差明显大于另一个方向，说明表面可能存在单向弯曲。现场很多同事只看一个总偏差，容易漏掉这种方向性信息，我习惯在结果里同时输出横向 RMS、纵向 RMS 和总 RMS。

需要提醒的是，图像上的像素偏差要换算成物理尺寸，必须知道标靶网格的实际间距。比如棋盘格小方格边长是 5 毫米，一个角点在图像上偏移了 0.3 个像素，在标定尺度是 0.1 毫米/像素的情况下，实际偏移就是 0.03 毫米。这个换算关系必须在测量前用标定板标定好，否则不同安装距离下拍出来的偏差值没有可比性。

3. 实操过程与核心环节实现

3.1 工程环境准备

开发环境我建议用 Visual Studio 或 Rider，目标框架选择 .NET 6 以上。NuGet 安装 OpenCvSharp4 和 OpenCvSharp4.runtime.win 两个包即可，前者是库文件，后者是运行时依赖。

安装完以后，先在工程里确认using OpenCvSharp;能编译通过。如果遇到找不到 OpenCV 相关 dll 的问题，多半是运行时包没有装全，或者输出目录下没有 native 文件夹，把 OpenCvSharp4.runtime.win 重新安装一下就能解决。

硬件方面，我用的是一台 500 万像素的工业相机，棋盘格图案打印在哑光相纸上，小方格边长 10 毫米，内部角点数量是 11x8。之所以选 11 列而不是 12 列或更多，是因为 FindChessboardCorners 要求棋盘格内部角点在行列上都不能相等，所以常用的是 11x8、9x6 这类不对称组合。

3.2 棋盘格角点检测完整代码

下面是一段可以直接跑的参考代码，实现从图像读取到角点检测、亚像素优化、可视化和偏差输出的完整流程。

using System; using OpenCvSharp; class ChessboardFlatness { // 棋盘格内部角点数：11 列 x 8 行 private static readonly Size PatternSize = new Size(11, 8); static void Main(string[] args) { string path = args.Length > 0 ? args[0] : "surface_grid.bmp"; using var src = Cv2.ImRead(path, ImreadModes.Grayscale); if (src.Empty()) { Console.WriteLine("无法读取图像: " + path); return; } // 1. 直方图均衡，增强对比度 using var norm = new Mat(); Cv2.EqualizeHist(src, norm); // 2. 检测棋盘格角点 var flags = CalibCbFlags.AdaptiveThresh | CalibCbFlags.NormalizeImage | CalibCbFlags.FilterQuads; bool found = Cv2.FindChessboardCorners(norm, PatternSize, out Point2f[] corners, flags); if (!found) { Console.WriteLine("未找到棋盘格角点，请检查图像质量和图案尺寸"); return; } // 3. 亚像素优化 var criteria = new TermCriteria(CriteriaTypes.Eps | CriteriaTypes.MaxIter, 40, 0.001); Cv2.CornerSubPix(norm, corners, new Size(11, 11), new Size(-1, -1), criteria); // 4. 绘制角点用于可视化 using var color = new Mat(); Cv2.CvtColor(src, color, ColorConversionCodes.GRAY2BGR); Cv2.DrawChessboardCorners(color, PatternSize, corners, found); Cv2.ImShow("Chessboard Corners", color); Cv2.WaitKey(0); // 5. 计算网格畸变指标 double rms = EvaluateGridDistortion(corners, PatternSize, out double maxDev, out double rmsX, out double rmsY); Console.WriteLine("角点数量: " + corners.Length); Console.WriteLine("RMS 偏差: " + rms.ToString("F4") + " px"); Console.WriteLine("横向 RMS: " + rmsX.ToString("F4") + " px"); Console.WriteLine("纵向 RMS: " + rmsY.ToString("F4") + " px"); Console.WriteLine("最大偏差: " + maxDev.ToString("F4") + " px"); } /// <summary> /// 计算实际角点与理想网格之间的偏差 /// </summary> static double EvaluateGridDistortion(Point2f[] corners, Size pattern, out double maxDev, out double rmsX, out double rmsY) { int cols = pattern.Width; int rows = pattern.Height; // 用相邻角点向量求平均行列基向量 double hx = 0, hy = 0, vx = 0, vy = 0; for (int j = 0; j < rows; j++) { for (int i = 0; i < cols - 1; i++) { int idx = j * cols + i; hx += corners[idx + 1].X - corners[idx].X; hy += corners[idx + 1].Y - corners[idx].Y; } } hx /= rows * (cols - 1); hy /= rows * (cols - 1); for (int j = 0; j < rows - 1; j++) { for (int i = 0; i < cols; i++) { int idx = j * cols + i; vx += corners[idx + cols].X - corners[idx].X; vy += corners[idx + cols].Y - corners[idx].Y; } } vx /= (rows - 1) * cols; vy /= (rows - 1) * cols; Point2f origin = corners[0]; double sumSq = 0, sumSqX = 0, sumSqY = 0; maxDev = 0; for (int j = 0; j < rows; j++) { for (int i = 0; i < cols; i++) { int idx = j * cols + i; double modelX = origin.X + i * hx + j * vx; double modelY = origin.Y + i * hy + j * vy; double dx = corners[idx].X - modelX; double dy = corners[idx].Y - modelY; double dist = Math.Sqrt(dx * dx + dy * dy); sumSq += dist * dist; sumSqX += dx * dx; sumSqY += dy * dy; if (dist > maxDev) { maxDev = dist; } } } int total = rows * cols; rmsX = Math.Sqrt(sumSqX / total); rmsY = Math.Sqrt(sumSqY / total); return Math.Sqrt(sumSq / total); } }

代码里用平均基向量构建理想网格，这个模型能自动适应棋盘格的旋转、平移和缩放。如果被测表面整体倾斜很小，这套模型足够稳定。但如果现场图像存在明显的透视变形，我建议先用透视校正或者改用仿射拟合，不然算出来的残差会包含全局透视分量，导致真实局部畸变被淹没。

3.3 角点坐标偏差评估算法

上面代码的核心是EvaluateGridDistortion方法。它先计算所有横向相邻角点的平均位移向量，再计算所有纵向相邻角点的平均位移向量，这样就得到了理想网格的行向量和列向量。

需要注意的是，平均基向量的方向是角点顺序决定的，也就是 FindChessboardCorners 返回顺序中的“左右方向”和“上下方向”。只要 OpenCV 返回的是按行排列的角点，那么横向向量就是从左边角点指向右边角点，纵向向量就是从上方角点指向下方角点。这样对每个角点用索引乘基向量，就能得到它在理想均匀网格中的坐标。

这种方法不是最严谨的数学拟合，但工程上足够直观。它最大的优势是：即使棋盘格边缘有一些反光干扰，只要内部角点检测正确，基向量依然能保持稳定，不会因为个别点异常导致整体网格重建失败。我通常会在得到 RMS 后，再画一张残差矢量图，或者把残差映射成伪彩色图，这样能直观看到表面哪里凸、哪里凹。

3.4 结果输出与可视化

代码里的可视化分两块：一是用DrawChessboardCorners把检测到的角点直接画到原图上，方便确认角点有没有偏；二是把残差值打印到控制台，用于自动判定。

实际项目中，我不会只打印数字。更常用的做法是，把同一工件在不同批次下的 RMS 值存成 CSV 或 SQLite，观察趋势变化。如果 RMS 值连续上升，说明模具磨损或者材料应力在累积，这时候即使单件还在合格阈值内，也应该安排检修。这种趋势监控的价值，比单纯做合格/不合格判断更大。

我认为最实用的可视化是在图像上叠加残差箭头，箭头方向和长度对应当前角点与理想位置之间的偏移。调试阶段，这个箭头图能快速暴露问题：如果所有箭头都指向同一个方向，说明相机和棋盘格之间有整体倾角；如果箭头只在局部区域规律变化，说明该区域表面真的不平整。

3.5 代码运行效果说明

我用一张模拟的棋盘格图像跑过这段代码，在良好光照下，FindChessboardCorners能在几十毫秒内完成检测，CornerSubPix大概再花 20 到 50 毫秒。500 万像素图像整体处理时间不到 0.1 秒，完全能满足离线分析需求。

在平整表面的测试中，角点 RMS 偏差一般在 0.05 到 0.15 像素之间；当表面有明显弯曲时，RMS 可能上升到 0.3 像素以上。这不是一个固定阈值，因为图像分辨率、镜头畸变、标靶尺寸都会影响数值，但同一个测量系统内，这个指标具有非常好的重复性和可比性。

4. 常见问题与排查技巧实录

4.1 角点漏检和误检

漏检最常见的原因是棋盘格图案没有占满整个画面。OpenCV 的棋盘格检测算法需要在图中找到完整且清晰的四边形网格，如果棋盘格打印过小、格子数量太少，或者拍摄角度太斜，就很容易失败。

我调试时遇到过几次“换一个角度就找不到角点”的情况。后来发现是棋盘格贴在被测面上时产生了一些褶皱，导致局部格子不是严格的矩形。这时用CALIB_CB_ADAPTIVE_THRESH和直方图均衡能解决一部分问题，但最根本的办法还是把标靶贴平整，尽量用陶瓷或玻璃基材的棋盘格。

误检相对少见，但一旦发生就很难排查。我会在程序里加一条角点数量校验：如果检测出的角点数量和预期不一致，直接输出告警，不继续计算偏差。这条规则成本很低，却能在产线上把错误数据挡在门外。

4.2 测量重复性差

测量重复性差，通常不是算法问题，而是硬件环境问题。最常见的是相机抖动、光源闪烁、工件位置不稳定。

三次测量同一工件，RMS 偏差如果忽高忽低，第一步先检查相机固定方式。很多新手用普通的相机支架，稍微有人碰到桌面，图像就会发生亚像素级偏移，而亚像素优化会把这种偏移保留下来，导致测量结果跳动。第二步看光源。工业相机如果用的是交流驱动的荧光灯或普通 LED，可能存在 50Hz 到 100Hz 的亮度波动，角点灰度变化后，亚像素定位结果也会跟着变。解决办法是使用直流驱动光源，或者把曝光时间控制在光源波动周期的整数倍上。

第三步，把多次测量的平均结果作为最终判定依据。比如连续采 5 帧图像，每帧单独计算 RMS，然后取平均值和中位数，能显著提升稳定性。这个做法简单有效，我在项目里几乎是标配。

4.3 标定与基准面处理

之前提到，像素偏差要换算成物理偏差，必须先标定像素当量。一个容易忽略的问题是，像素当量只有在相机光轴垂直于被测表面的前提下才是恒定的。如果相机有倾斜，图像边缘的像素当量和中心不一致，测量结果就会引入系统误差。

我在项目里使用“基准面扣除”的方法：先对一个经过计量检测的标准平面拍摄并计算 RMS 偏差，这个值作为设备本身的背景噪声；然后测量工件时，从结果中扣除这个背景噪声。这样能抵消镜头畸变、相机安装角度等因素引起的固定偏差，让最终读数更接近工件的真实平整度。

这个方法的前提是，背景噪声在测量过程中保持不变。所以相机、镜头、光源一旦调整过，就必须重新记录基准值。不要偷懒沿用旧的基准数据，否则测量精度会大打折扣。

4.4 实战中的独家细节

最后一组经验是散落在代码之外的。

第一，棋盘格小方块边长不要太小。如果边长小于 3 毫米，在 500 万像素图像里每个格子占不到足够多的像素，亚像素定位精度会明显下降。我通常让每个格子至少在图像里占 20x20 像素以上。

第二，相机曝光时间不要过长，尽量让棋盘格白色区域的灰度值在 200 到 240 之间，黑色区域在 30 到 80 之间。如果白色区域过曝，亚像素优化时灰度分布会“削顶”，角点位置容易向高亮区域偏移。

第三，在 C# 中处理 OpenCV 的 Mat 时，一定要注意释放资源。虽然 .NET 的垃圾回收能处理托管内存，但 Mat 底层是原生内存，我用using模式来确保及时释放。项目跑久了不释放，内存会缓慢增长，最后在生产环境里莫名崩溃，很难排查。

此外，FindChessboardCorners在 OpenCvSharp 中的重载签名版本不同，参数顺序略有差异。如果编译报错，先检查 NuGet 包的版本，再对照官方文档确认out Point2f[] corners的写法。这类问题不是算法问题，纯粹是 API 版本差异，遇到别慌，查一下就行。

我个人在实际项目里踩过几次坑之后，总结出一条最朴素的建议：平整度视觉测量，精度不是靠算法堆出来的，而是靠可控的光照、稳定的装夹和明确的基准标定堆出来的。角点检测只是最后一步把图像坐标变成偏差读数的工具。你先把采集环境做稳了，再回头调参数，会发现很多“算法问题”其实是环境问题。如果后面有机会，我计划把这套代码扩展成双目标定版本，直接重建棋盘格角点的空间坐标，那样就能把平整度从像素偏差换算成真实高度误差，测量应用范围也会更宽。