刚入行那会儿，我以为机器视觉就是买个相机，接个软件，万事大吉。结果呢？第一个项目就卡了两个月——现场光线一变，系统直接瞎掉。💢 后来才知道，这行最深的学问，根本不在算法，而在你对物理世界的理解。机器视觉，说白了，是用硅基的眼睛和大脑，去模拟碳基的判断。但工业现场，从来不讲道理。
说实话，我挺反感那些把机器视觉吹上天的文章。什么“赋予产线智慧之眼”——真到产线蹲过坑的就知道，灰尘、油污、振动，哪一样不让你怀疑人生？不过话说回来，当你真正啃下一块硬骨头，那种爽感，又是真金白银换不来的。❗
你以为的精度，其实都是假象
先抛个观点：很多项目死在“像素精度”上。客户张口就要0.01mm，你算算视场，传感器像素根本不够。然后呢？销售为了订单啥都敢应，回头让技术变魔法。😂 我就遇到过，检测手机外壳划痕，要求识别宽度0.02mm的细纹——现场光照角度稍微偏5度，划痕就隐身了。最后怎么解决的？改用同轴光加偏振片，把表面反光压下去，再搭配亚像素边缘提取算法，才勉强达标。
这里有个误区：很多人觉得分辨率越高越好。其实不然。分辨率上去，数据量爆炸，处理速度断崖式下跌。而且镜头解析力跟不上，也是白搭。我现在的习惯是，先做光学实验，拿实物打光，不同波长、不同角度试一轮——很多时候，光的波长比像素数更重要。比如红外光能穿透某些油墨，紫外能让荧光材料显形。这些物理特性，才是视觉的灵魂。
那个让我半夜惊醒的误判
有一回，系统在仓库存放了三个月，运到客户那里，突然良率暴跌。远程排查三天，毫无头绪。飞到现场一看——哭笑不得：工厂的日光灯管换了一批，色温变了！我们的算法依赖颜色特征做分类，而CCD相机对色温极其敏感。从那以后，我再也不敢轻视环境光。⚠️ 要么用单色光主动照明，把环境光压到可忽略；要么在算法里加入动态白平衡，并定期用标准色卡校准。但后者复杂得多，不是万不得已，别碰。
说到这，想起一个同行。他做药瓶标签检测，用了深度学习。训练集里全是蓝色瓶盖，上线后出现绿色瓶盖，网络直接判定为缺陷。这就是数据偏差的经典翻车。所以现在我强调：训练数据必须覆盖最大变异，包括光源退化、季节变化、批次差异。宁可在采集端多花工夫，也别指望后期调参能救场。
问：选工业相机，到底看什么？
问：老师傅常说“相机是眼睛”，但我采购时参数一堆，什么靶面、帧率、接口，到底怎么选不踩坑？
答：别上来就看像素。先定传感器类型：CCD还是CMOS？现在CMOS在速度和成本上碾压，但CCD在弱光均匀性上仍有优势。再根据被检物体的运动速度，算曝光时间和帧率。如果物体高速移动，必须用全局快门，卷帘快门会拉成“果冻效应”。接口的话，USB3.0足够多数场景，但线缆超过5米得用GigE或Camera Link。至于靶面，记住：相同分辨率下，大靶面意味着更高的感光能力和动态范围。我一般让工程师先拿实物试拍，用同一款镜头，不同相机对比，肉眼看不出区别的，就别为参数溢价买单。
问：深度学习与传统算法，到底怎么选？
问：现在深度学习火得很，是不是可以彻底替代传统图像处理了？我之前用边缘检测、模板匹配，感觉越来越吃力。
答：千万别被忽悠瘸了。深度学习擅长处理高波动性、强干扰、难以建模的场景，比如自然纹理缺陷、字符变形识别。但它的黑箱性、数据需求、硬件成本，都是大坑。实际上，我见过的靠谱产线，八成还是传统算法为主，深度学习打辅助。传统算法好比一把精确的卡尺，速度快，可解释性强，调参有物理意义；深度学习像一位老匠人，经验丰富但偶尔打盹。一个典型的混合架构：先用传统方法快速定位ROI、滤除噪声，再用轻量CNN做分类。既稳又准。👌
三句话，救过我的项目
入行快十年，有三句话让我少走很多弯路。
- “光学是上限，算法是下限”：光源没打好，图像没对比度，任你算法上天也没用。某次检测透明塑料件上的小气泡，试了环形光、背光都不行，最后用低角度暗场照明，气泡如星斗闪烁。
- “标定不是一次性的事”：机械振动、温度变化，都会让相机偏移。我在关键工位装了激光测距，每次触发前自动微调对焦和位姿。
- “人不该成为视觉链上的传感器”：如果设计还得依赖人工复判，那系统就不算成功。我要求最终漏检率<0.1%，过杀率<5%，否则绝不签字验收。💡
这几年有个趋势：机器视觉正从“检测”走向“测量与引导”。比如机械手动态抓取，需要3D视觉实时重构点云，计算抓取点。这又牵扯出结构光、ToF、双目立体等方案的选择。唯一不变的是：应用场景决定技术路线。别追潮流，先泡在产线，闻闻机油味，听听老师的抱怨——那里才有真需求。
说到底，机器视觉是一点一滴磨出来的手艺。它不像互联网产品，能快速迭代。可能半年才能稳定一个工艺窗口。但正因如此，它才值得被尊敬。写完这篇，我打算再去调调那个反光的镀铬件缺陷检测——嗯，第四次了，这次换个紫外光源试试。祝我好运吧。🤞