引入（零）：机器视觉 与 奥普特Smart3

ll0.1.什么是机器视觉

​ 我们每天醒来，睁开双眼，就通过视觉感知这个世界。眼睛是我们获取信息最重要、最直接的通道，它帮助我们辨认方向、拿取物品、阅读文字，这一切都依赖于高效精准的生物视觉系统。 ​ 计算机作为人类最伟大的发明之一，自诞生之初就致力于模拟人脑的运算能力，协助我们处理繁重而重复的计算任务。从庞大笨重的大型机到今天功能强大的个人电脑、智能手机乃至超级计算机，其计算能力实现了跨越式发展。然而，一个仅有大脑而无法感知环境的系统能力终究受限。于是，我们开始为计算机装配感官，希望它能像我们一样看见和听见，从而执行更复杂的任务。

机器视觉与人工视觉的对比 在以往大批量工业生产过程中，主要靠人工视觉对产品进行测量、识别和分析。由于人工视觉处理时，效率低，稳定性差且精度不高，用机器视觉可以大幅度提高处理效率和自动化程度；同时，在一些不适合人工作业的危险工作环境或人眼难以满足要求的场合，也常用机器视觉来替代人眼，如核电站监控、晶圆缺陷检测；而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术之一。由于机器视觉系统可快速获取大量信息，且易于自动处理及信息集成，故在现代自动化生产过程中，机器视觉系统广泛用于装配定位、产品质量检测、产品识别、尺寸测量等方面。

	机器视觉	人工视觉
效率	效率高	效率低
速度	速度快	速度慢
可靠性	检测效果稳定	易疲劳、有情绪，不易保持检测效果
工作时间	可24小时不停工作	容易疲劳，工作时间有限
信息集成	可实现信息集成	不易实现信息集成
成本	成本(一次投入)	成本高
环境	适于危险的检测环境	不适于危险的检测环境

​ 在各类感知设备中，摄像头的作用尤为关键。 早期，它仅作为数字记录员负责拍摄与存储画面，图像中的内容与含义仍需人工解读。 随着技术发展，计算机逐渐能够处理一些有规律的视觉任务，例如自动对焦、图像定位、基础图案识别等，但这还远远不够。 ​ 当计算机的视觉能力从普通记录与识别，进一步转向在工业环境中执行精确检测，一门更专注、更强大的工程技术，机器视觉便应运而生。 【机器视觉是一门综合工程技术，通过集成相机、镜头、光源与计算机算法，为机器赋予视觉感知能力，使其能够在工业场景中自动完成检测、测量、识别与引导等任务。】

机器视觉系统简介 机器视觉顾名思义是使机器具有像人一样的视觉功能，从而实现各种检测、判断、识别、测量、定位等功能。机器视觉可以显著提高生产效率和自动化、智能化程度。一个典型的机器视觉系统包括：光源、镜头、相机、图像处理硬件、图像处理软件、执行单元等。 机器视觉综合了光学、机械、电子、计算机软硬件方面的技术，涉及图像处理、模式识别、人工智能、光机电一体化等多个领域。

​ 一个成功的机器视觉应用。 首先需要运用好光，从而获得高对比度的图像，然后进行高速稳定的图像分析处理。光源发出的光照射在被检测的物体上，物体将光反射至镜头，再通过镜头成像至相机的传感器。相机将光信号转换成电信号，并传送给主机。通过运行在主机的软件分析图像，得到物体的相关信息，如尺寸、颜色、位置、是否存在缺陷等。

​ 机器视觉主要分为图像采集硬件和视觉软件。其中视觉软件赋予机器大脑分析处理图像信息，最终完成识别、测量、定位检测等功能。

机器视觉系统工作原理 机器视觉系统通过图像采集硬件(相机、镜头、光源等)将光信号转换成图像信号，并传送给图像处理软件。图像处理软件根据像素亮度、颜色分布等信息，对目标进行特征提取，并做出相应的判断，根据结果输出来控制现场设备，实现检测功能。 视觉处理系统包含硬件和软件两方面。根据硬件的不同，机器视觉系统分为智能相机和基于PC的视觉系统。一个基于PC的机器视觉系统最为核心的部分由光源、镜头、相机、视觉处理系统四个部分组成。 镜头主要作用是将被测目标成像至摄像机的感光芯片上。 相机主要作用是采集图像，将光信号转换成电信号，从而输出图像给计算机。 软件的核心技术为图像处理及分析算法，它包括图像增强、图像分割、特征抽取、图像识别与分析等。通过图像处理与分析，对产品质量判断、尺寸测量，并将结果信号传输到相应的硬件进行显示或执行。

机器视觉发展趋势 随着机器视觉应用场景的复杂多样，其与深度学习算法、3D应用技术、互联互通标准等技术的融合也越来越紧密。 深度学习算法：深度学习算法模拟类似人脑的层次结构，通过深度神经网络建立从低级信号到高层语义的映射，以实现数据的分级特征表达。深度学习算法被引入机器视觉图像处理系统来进行外观检测，使识别过程更智能，视觉信息处理能力更强大。 3D应用技术：随着3D应用技术的不断深入，越来越多的3D重构技术被引入到机器视觉，如结构光、DFF、TOF、立体视觉、光度立体法等。3D图像处理与分析的算法也被研究得越来越广泛，将成为机器视觉的一个主流发展方向。 互联互通标准：机器视觉系统内部，以及与智能制造设备之间，与企业的管理系统之间，有必要进行互联互通，使设备和制造管理朝着更智能方向发展。目前视觉行业内部，包括EMVA、AIA、CMVA、JIIA等，合作制定了GenICam标准。AIA制定了GigE Vision，USB3 Vision等相机通信协议。视觉行业还与其他行业协会合作，不断拓展互联互通的外延，旨在促成视觉系统与其他行业的互联互通。

ll0.2.奥普特smart3 介绍

​ 奥普特smart3 是一款高度开放易用的视觉软件，综合了近百个行业的视觉应用经验，遵循以人为本的设计理念，契合实际应用需求。Smart3 软件采用可视化图形编程，无需大量代码，使用简单易上手，快速响应需求，缩短项目开发周期。针对复杂的项目应用，Smart3 可新增子流程，为多工位运行提供简洁、可读性高的流程图。子流程支持事件触发或常驻运行方式，易复用和易理解。 ​ Smart3 拥有丰富的界面控件，能快速实现界面布局和管控交互。设计以人为本，改善传统软件界面亲和力差的问题。在不停机、不停产的情况下，Smart3 支持在线调试，通过调整参数快速完成项目检测。Smart3 具有三百余种算法，集成2D、3D视觉及深度学习视觉应用，基于并行异构计算、任务级并发技术，可快速准确的分析图像信息。Smart3 软件支持脚本编程及开发扩展接口，可快速实现二次开发程序，满足用户自定义需求。Smart3 软件已在各行业数十万台设备稳定运行，如锂电、光伏、三C、电子、医药、液晶面板等。

ll0.2.1.版本说明

​ Smart3 是opt公司推出的标准工业视觉软件，经过多年持续迭代与优化，目前已发展至成熟稳定阶段。截至2025.10.25，最新发布版本为Smart3 1.9.2.6，更新日期为2025.10.13。本次培训将使用Smart3 比1.9.2.0，该版本与最新版功能基本一致，不影响学习与实验。

​ 软件版本号说明。Smart3 版本号采用四位数字标识。第一位是重大功能更新或架构调整，第二位是中等规模的功能增强，第三位是小幅功能改进或优化，第四位是问题修复与局部优化。

​ 注意事项：

• 第一，高版本软件创建的工程文件无法在低版本中打开。
• 第二，使用高版本软件打开低版本工程时，可能出现内容丢失或配置错误，请务必在打开后仔细核对项目设置。
• 第三、不同版本间的扩展库或其他支持文件大多不可通用，如需跨版本使用，请联系研发团队或产品支持中心。

ll0.2.2.软件安装

1. 双击获取到的安装包文件，启动安装程序。在语言选择界面中选择安装语言，点击确认，进入下一步。
2. 阅读软件许可协议，必须勾选我同意此协议方可点击下一步继续安装，否则将退出安装流程。
3. 选择软件安装路径，确认后点击下一步。
4. 在安装信息确认界面中核对设置，如无误则点击安装开始正式安装。
5. 安装完成后，点击完成退出向导，软件图标将默认创建于桌面。

注意事项：一、本安装流程适用于 smart3 v1.9系列 版本，其他版本可能存在差异。

​ 二、如在安装过程中遇到任何异常或报错，建议截图保存，并及时联系研发或产品支持中心协助处理。

ll0.2.3.加密狗使用

​ Smart3 、软件加密由verbox工具提供，分为线下的硬件加密狗和线上软件加密狗。Verbox工具在安装Smart3 时会自动捆绑安装，且默认随系统自启动，可以从Windows右下角小图标进入varbox界面进行查看。

​ 加密狗型号区分为保障软件正常授权，请根据使用的Smart3 版本配套使用对应类型的加密狗。目前项目中使用的新旧两种加密狗外形相同，但互不通用，若使用错误将导致无法打开软件。

加密狗适用于Smart3 v1.7.0.0以下版本以及smart2 系列软件。新加密狗适用于Smart3 v1.8.1.0及以上版本。由于两种加密狗外观无差异，如需查看新旧加密狗类型，先打开右下角的verbox工具，点击切换到我的软件，找到界面中显示的加密狗许可。如未显示任何许可，则表示未识别到加密狗或该加密狗已失效。双击该许可项查看详细信息，点击更多查看加密狗产品ID，根据ID后缀判断类型，后缀为 150 即为新加密狗，其他后缀为旧加密狗或其他类型加密狗。

​ Smart3 软件的新加密狗根据功能权限划分为五种不同类型，旧加密狗不区分功能，统一具备完整权限。

​ 对于Smart3 v1.8.1.0 以上版本，虽然安装包中已包含全部功能模块，如2D、3D、深度学习等，但实际可使用哪些功能取决于所使用的加密狗型号。若加密狗未授权某项功能，则对应模块将无法使用。如需查看当前加密狗权限，打开Smart3 软件，依次点击菜单帮助关于，在弹出窗口中即可查看当前识别的加密狗型号信息。

加密狗型号列表以及对应功能如下

存货名称	规格型号
Smart3 智能视觉系统软件_全能加密狗	Smart3-M
Smart3 智能视觉系统软件_2D 功能加密狗	Smart3-U
Smart3 智能视觉系统软件_2D+深度学习	Smart3-U-DL
Smart3 智能视觉系统软件_2D+3D	Smart3-U-3D
Smart3 智能视觉系统软件_定制款	Smart3-S

​ 硬件加密狗使用。将加密狗插入到电脑端USB口，同时verbox界面识别到加密狗，确认加密狗信息无误后，即可开始使用Smart3 软件。软件加密狗使用获得软件狗授权码以后，打开vbox用户工具，点击云与软锁本地软锁授权码在线激活。进入授权码激活界面，将授权码输入对应位置，点击激活即可开始使用Smart3 软件。

​ ==教学时分配的是 M 型==

ll0.2.4.软件界面布局

​ 软件安装完成且加密狗使用无误后，在桌面上找到 Smart3 软件，双击打开，进入 Smart3 软件界面。 最上一排属于菜单栏，包含菜单按钮、方案文件、操作方案、运行停止、切换、运行界面、一些必要的参数设置、一些使用小工具以及用户登录按钮。 ​ 左边是工具箱，Smart3 工具箱内工具分为十六个大类，点击、折叠或展开、收起、打开所有工具，同时支持搜索栏搜索，方便快速寻找工具。 ​ 正中间是流程图界面，它是Smart3 方案编写的主要区域，负责搭建方案、运行逻辑、图像与数据的处理以及收发规则等，同时可以在该区域切换、添加、删除子流程。 ​ 右边是当前算子块参数设置区，根据算子块类型显示对应的内容。 ​ 正下方是监控区域，可以在这里查看变量结果、算子工具结果、运行日志以及错误信息。

ll0.3.具体使用流程

ll0.3.1.引入

​ 在工业自动化项目中，视觉系统充当设备的眼睛，负责定位物料位置或判断产品是否合格，就像人眼通过神经节将图像信息传递给大脑一样。在工厂中，视觉系统也需要将图像处理结果传输给机械手或其他自动化设备，而这离不开稳定可靠的通讯连接。

​ 目前通讯方式多种多样，不同自动化设备厂商采用的通讯协议与通讯方式也各不相同，要逐一厘清各厂家在通讯机制上的差异并非易事。

​ 然而，在Smart3 软件中，这一问题已得到有效解决。

​ 软件已内置并封装了市面上常见的各类通讯方式，用户无需深入理解每种通讯背后的复杂原理，只需根据指引填写相应参数，即可快速与自动化设备建立连接，实现高效的数据交互。

ll0.3.2.正式开始

接下来，我们将以最常用、通用且基础的 TCP/ IP 通讯为例，为大家演示具体操作流程，用来模拟视觉与其他自动化设备的交互。

TCP/ IP 通信协议是一套基于网络接口的通信规范，也是全球应用最广泛、最基础的一组网络协议。我们日常的上网浏览、在线游戏、短视频观看等都依赖于 TCP/ IP 协议来实现。无论是手机还是电脑，在接收和解析网络数据时均遵循该协议的规范。

TCP/ IP 协议的核心作用在于统一网络数据传输的格式与规则。它明确定义了数据中每个部分的用途、编码方式及组织结构，从而确保不同设备和系统之间能够准确高效的交换信息。

以上是 TCP/ IP 的一些相关知识，接下来让我们在Smart3 上动手连接并收发数据。

我们需要用到Smart3 软件以及模拟运控机械手的通讯助手。

ll0.3.2.1. Smart3 软件设置

首先让我们先打开Smart3 ，找到菜单栏的硬件设置，点击打开，把硬件设置切换到通讯页。在左侧通讯选择栏找到并切换 TCP/ IP ，在参数栏输入对应的连接参数。

针对这四位参数，需要注意的是。

一、驱动名称 是此连接在Smart3 上的一个标识，实际不干扰通讯连接。

二、模式 TCP/ IP 通讯需要客户端与服务端相连为一组通讯连接，所以互相通讯的两方需要是不同的模式。即Smart3 作为服务端时，要连接的对象必须是客户端，反之亦然。

三、主机IP IP是一个网络地址，每个网络上的设备都有它自己的IP地址，我们需要依靠这个IP地址在网络上寻找对应的设备。

电脑上IP地址的查看方式如下：在Windows任务栏或键盘上同时按住win加S找到搜索，在搜索框输入控制面板，找到后点击进入控制面板；再在控制面板中找到并进入网络和共享中心；在网络和共享中心中找到并点击更改适配器设置，打开网络适配器后会显示这台电脑所有的网络，找到需要查看的网络，如果无法区分，建议拔插网线，右键打开需要查看网络的选项，点击状态详细信息即可查看该网络的IP地址。

四、端口号 是当前IP地址下的 TCP/ IP 通讯的再次细分。如果把IP地址比作现实中大楼的地址，端口号就是具体房间号。回到我们Smart3 软件，将这四个参数一一输入，驱动名称和端口号在这里不做要求。模式选服务端与客户端皆可，这里我们先用服务端做演示。

==IP地址我们输入一个特殊的IP地址，127.0.0.1==，这个IP地址是Windows系统为本机预留的IP地址。即使没有连接网络，该IP地址也是连接状态，它是Windows预留用来调试以及本机内部通讯的地址。

设置完参数以后，我们点击添加，可以看到窗口中已出现一个连接，日志栏提示启动成功，但连接状态显示红色，即未连接。这就需要我们之前提到的通讯助手作为另一端来与它相连了。

ll0.3.2.2. 通讯助手设置

打开通讯助手，选择对应的通讯模式，包括TCP server（服务端）和TCP client（客户端）。按照我们之前提到的 TCP/ IP 通讯模式，这里要选客户端才能与服务端的Smart3 相连。选择客户端后，点击左上角创建，在弹出的窗口中填上与Smart3 对应的参数，即IP地址与端口号需与Smart3 上保持一致。参数设置完成后，点击确认创建连接，再点击连接完成助手与Smart3 的连接。此时，如果Smart3 作为客户端连接，需要在Smart3 上点击配置完成并退出硬件设置界面。

完整配置示例：

ll0.3.2.3. 算子配置与参数详解

ll0.3.2.3.1算子块定义

如图所见的block1，

算子块（也称为普通算子块）的定义如下：

• 基本定义：算子块是可以放入“工具箱”里工具的容器，用于集成一个小的功能。
• 主要作用：在块内部利用放入的工具对传入的数据（如图像）进行定位、测量等处理，并将结果返回。它可以将连续好几个工具一次性全部按顺序放入其中。
• 运行逻辑：内部运行逻辑严格按照序号从上往下执行。
• 输入与输出：可以接收外部传入的数据（如图像），经过内部工具处理后，将结果返回出去。

ll0.3.2.3.2 TCP/IP算子配置

鼠标左键点击，选中流程图界面默认添加的算子块，再到左边工具箱，找到并打开通讯设置分类，在分类下鼠标双击 TCP/ IP ，进入 TCP/ IP 算子参数界面。

一、连接配置 在连接下拉框选择当前的连接，点击右侧的配置，进入之前的硬件设置界面，查看所有通讯连接。连接状态显示当前所选是否已连接。

二、模式与类型 模式与类型按需求选择，我们先测试Smart3 读取助手发过来的数据，默认的读类型使用默认的字符串，也就是我们常见的文字形式。另一种内存数据是一种更为基础的计算机数据类型，表现为一组组的十六进制数字。字符编码是将计算机二进制数字转换成字符的编码方式，我们使用默认的即可。

三、连接超时 表示该通讯算子运行超过多少毫秒以后，未接收到数据即报错并继续往下运行，下一个算子未打开此开关则默认是5000毫秒，这里我们使用默认即可。

四、保持连接 的作用是在连接异常断开的情况下，是否允许 Smart3 主动发起并重新建立连接。按照 TCP/ IP 客户端与服务端相连的模式，一般只有 Smart3 作为客户端时，此设置才有实际作用，这里我们默认即可。

五、清空缓存 是针对 TCP/ IP 通讯的另一种特质。 TCP/ IP 通讯并不是两个设备直接收发数据即可，而是两者在建立连接后会形成一个缓冲区间，可以理解成一个小型的存储空间。两边发送过来的数据都会先存在这个空间内，需要时再从空间内读取出来，这样可以有效防止某一方突然断开连接以后导致的数据丢失。清空缓存依旧默认即可。设置好参数后，点击右下角确定会退出参数设置界面并保存当前设置。

接收端配置：

可以看到 TCP/ IP 算子已经添加进入算子块内，现在我们可以来测试一下。切换到通讯助手，在输入框内输入要发送的字符，点击发送，再切换回Smart3 。

右键算子块，选择运行块。左键选中算子块内的 TCP/ IP 算子，下方的日志栏会显示当前所选算子的输出结果。我们再试一下从Smart3 发送数据到通讯助手。依旧从工具箱双击 TCP/ IP 算子，打开 TCP/ IP 算子参数。在算子参数界面，从读模式改为写。可以看到参数栏多了一些参数，主要用于自动为待发送的数据添加一些格式符。这里我们不用去特意设置其他参数，保持默认，在待发送数据框内填入我们想要发送的数据，再在右下角点击确认，即完成发送数据的配置。

发送端配置：

运行结果：

鼠标右键再次运行该算子块。运行完成后，可以看到通讯助手已经成功接收该数据。随后我们再测试几遍。

ll0.3.2.3.3注意事项

一、 在测试Smart3 发送数据时，我们等待了较长时间，主要因为在运行算子块时，同时会运行块内接收数据的 TCP/ IP 算子，此时助手并未发送数据过来，从而接收数据算子在延时等待，直到到达超时的时间，即 TCP/ IP 算子内的连接超时。

二、 以上收发数据，两个算子在一个算子块内的方式仅作为演示，实际现场一般不以此等方式使用。

ll0.3.2.4. 添加其他流程块

将鼠标放置于任意箭头的线段上，可以添加流程控制模块

再配合流程控制模块共同实现视觉检测方案，其简介见下表 2.1.7。

图标	说明	备注
	主流程起始块	程序入口
	普通算子块	可添加不同算子实现图像获 取、检测算法和通信控制等
	条件分支算子块	程序结构控制，相当于 C 语 言中的 switch 语句
	多线程算子块	实现多线程运行，至少有两 个线程
	goto跳转块	实现算子跳转
	流程运行结束块	结束程序

ll0.3.2.4.1.goto块基本配置

goto块测试结果：

ll0.3.2.4.2.switch块基本配置

switch块测试：

发送【1】继续程序，发送其他任意字符结束程序

工程一：基本流程练习

素材：方向图标.zip - 蓝奏云

gc1.1.自锁

gc1.1.1.通讯块数据配置

gc1.1.2.goto块配置

跳转位置选通讯块，跳转条件设置为通讯状态的值，false假

gc1.2.switch分支

gc1.2.1.switch配置

gc1.2.2.普通算子块配置

gc1.2.2.1.图像导入 与 图形显示

gc1.3.运行结果：

工程二：基本图形判断

素材：基本图形匹配.zip - 蓝奏云

gc2.1.流程概览

gc2.1.1.主要模块

流程主要模块：【来料检测】

图像导入要注意勾选【图片循环加载】，让每次运行后切换下一张图

gc2.1.2.主要使用算子

主要使用工具：【有无检测】—>【Blob分析】

【辅助工作】—–>【逻辑运算】

gc2.2.步骤细节

注意：【来料判断】–>【图形显示】要取消【清除窗口】

gc2.3.运行结果

理论（一）：图像处理基础概念

ll1.1.图像基础知识

ll1.1.1. 工业相机的内部结构

工业相机的成像过程是从光学信号转换为数字信号的过程。其内部基础结构主要包含以下部分：

• 光学接口：用于连接镜头。
• 传感器芯片：最核心的部件，负责成像。
• 防尘片/滤光片：防止灰尘进入芯片表面，或过滤特定光线。
• 控制信号转换电路板：处理信号转换。
• 数据接口：将数据传输至电脑。

镜头的成像是以凸透镜成像的原理为基础，通过透镜的组合，把物体发出或者反射的光线成像在像平面上(与芯片面重合) 。运用凹凸透镜组合能有效地平衡球差、轴外像差、色差等各种像差，提高成像质量。

---

ll1.1.2. 核心成像原理：光电效应

成像的核心原理基于光电效应。

1. 光信号转电信号：
   • 传感器芯片由许多横纵排列的感光单元（传感器）组成。
   • 当光线照射到传感器上时，根据光线的强弱，传感器会将其转换为对应强弱的电信号。
   • 规律：照射光线越强 –> 电信号越强；光线越弱 –> 电信号越弱。
2. 成像过程：
   • 镜头（如凸透镜）将光线聚焦，投射到传感器阵列上。
   • 传感器阵列上的每个小单元（像元）根据接收到的光照情况产生不同的电信号（亮区信号强，暗区信号弱）。
   • 系统收集所有传感器的电信号，通过数字量化，传输给电脑。
   • 电脑将数值还原为亮暗（或颜色），最终形成图像。

---

ll1.1.3. 关键基础概念

ll1.1.3.1. 镜头参数

ll1.1.3.1.1. 焦点/焦距

与光轴平行的光线射入凸透镜时，理想的镜头应该是所有的光线聚集在一点后，再以锥状扩散开来，这个聚集所有光线的点叫做焦点。对于单个透镜来说，焦距是指从光心到焦点的距离，如图一；对于多个透镜组成的镜头组来说，焦距是指像方主平面到焦点的距离，如图二。

ll1.1.3.1.2. 光圈

在镜头内部，有一个多边形或者圆形且面积可变的孔状光栅装置，这个装置就叫做光圈。光圈的作用是控制镜头的通光量，通常用光圈系数来描述其大小。光圈系数是指镜头焦距 与整个镜头入瞳直径D的比值，通常用f/#来表示。其计算公式：f/#=f′/D。

f/#值越小，光圈越大。一般f/#值是以√2倍递增，因此光圈常用的计数为F1.4，F2.0，F2.8，F4.0……在同一单位时间内上一级的通光面积是下一级的两倍，例如光圈从f/8调整到f/5.6，通光面积便增加一倍。

光圈对图片亮度的影响：相同应用条件下，同一镜头，光圈越大，通光孔径越大，图片越亮。

ll1.1.3.1.3. 工作距离

​ 工作距离(Working Distance)：镜头聚焦清晰时，被测目标到镜头最前端的距离称为工作距离。实际应用中，镜头不能对任意物距下的目标都同时聚焦清晰，因此镜头的工作距离有一定范围。

ll1.1.3.1.4. 视场角/视野

1、视场角

​ 在光学工程中，视场角是指镜头对图像传感器的张角，即若y’为Sensor的半对角线长度，则视场角2θ≈2*arctan(y’/f’)。

2、视野

​ 视野(Field of View, FoV)，也叫视场范围，是指镜头能观测到的实际范围。镜头的视野大小和相机的分辨率，决定视觉系统所能达到的视觉检测精度。

​ 相同的工作距离下，焦距越短，视场角越大，视野也就越大；相同的焦距下，视场角一定，工作距离越远，视野越大。

ll1.1.3.1.5. 放大倍率

放大倍率定义为像的大小与物的大小之比。 -1＜β ＜0时，物像异侧，成倒立缩小的实像，如AA′所示，这就是镜头的成像原理。 β=-1时，物像异侧，成倒立等大的实像，如BB′所示。 β＜-1时，物像异侧，成倒立放大的实像，如CC′所示，这就是显微镜的成像原理。 β＞0时，物像同侧，成正立放大的虚像，如DD′所示，这就是放大镜的成像原理。

ll1.1.3.1.6. 分辨率

​ 分辨率是指光学系统可以测到的被测物体上的最小可分辨特征尺寸。镜头能分辨物体的细节越小，镜头的分辨率就越高。通常用像面处每毫米能够分辨的黑白相间的条纹对数(lp/mm)描述。 ​ 在实际应用中，建议镜头的分辨率不低于相机的分辨率。

ll1.1.3.1.7. 景深

​ 景深：能在像平面上获得清晰像的物方空间深度。即：在被摄物平面(对焦点)前后一定范围内的物体，在无需调焦的情况下，其成像仍然清晰，这段可清晰成像空间深度就是景深。

影响景深的主要因素

1、镜头光圈

​ 光圈越大，景深越小；光圈越小，景深越大。

2、镜头焦距

​ 镜头焦距越长，景深越小；焦距越短，景深越大。

3、拍摄距离

​ 距离越远，景深越大；距离越近，景深越小。

| 镜头光圈对景深的影响上面两张图同为OPT-C3514-5M镜头在相同工作距离下拍摄。左图的光圈为F1.4，右图的光圈为F16，可以看出右图的景深比左图的景深大。 | 镜头焦距对景深的影响 上面两张图片是在相同的光圈，相同的工作距离下拍摄的。左图是用OPT-C1218-5M拍摄的，焦距f’=12mm；右图则是用OPT-C3514-5M拍摄的，焦距f’=35mm。可以看出左图的景深比右图的景深大。 | | ———————————————————— | ———————————————————— |

| 工作距离对景深的影响 上面两张图片是用镜头OPT-C3514-5M，在光圈相同的前提下，改变工作距离拍摄的。左图是的工作距离是1.2m，右图的工作距离是4.2m，可以看出右图的景深比左图的景深大。 | | ———————————————————— |

ll1.1.3.1.8. 光学畸变

​ 光学畸变(distortion)：由于镜头在不同视场放大倍率的不一样，使得像相对于物体失去相似性，这种像变形的缺陷称为光学畸变。光学畸变只影响成像的几何形状，并不影响成像的清晰度。常见的光学畸变主要有两种类型，桶形畸变和枕形畸变(如图)。

ll1.1.3.1.9. TV畸变

​ TV畸变是图像的视觉畸变的度量，TV畸变的定义有很多 。其中RIAA TV畸变计算公式如下：

ll1.1.3.1.10. 后截距

1、法兰距：镜头法兰面到像面(芯片)的距离。 2、机械后截距：镜头最后的机械面到像面的距离。 3、光学后截距：镜头最后端镜片表面顶点到像面的距离。

ll1.1.3.2. 图像参数

ll1.1.3.2.1. 像元

• 定义：传感器阵列中每一个小的感光传感器单元。
• 作用：它是成像的最小物理单元。

ll1.1.3.2.2. 分辨率

• 定义：传感器阵列横向和纵向排列的像元数量。
• 表示方式：横向数量 * 纵向数量。
  • 例如：1920 * 1200，表示横向有1920个显色/感光单元，纵向有1200个。
• 与图片的关系：要拍摄特定分辨率的图片（如 2592 * 1944），相机的传感器阵列必须至少包含对应数量的感光单元。

ll1.1.3.2.3. 像素数量（“多少万像素”）

• 含义：指传感器阵列上像元的总数量。
• 计算公式： 总像素 = 横向像元数 * 纵向像元数
  • 例如：2592 * 1944 = 5,000,000，即 500万像素 相机。

ll1.1.3.2.4. 位深度 / 灰度等级

• 定义：描述单个像素亮度（灰度）等级的数值精度。
• 单位：比特。
• 原理：
  • 使用二进制位数来存储亮度信息。
  • 8位深度：使用8位二进制数存储。
    • 数值范围：0 ~ 2^(8 -1)，即 0 ~ 255。
    • 这意味着有 256个 灰度等级（色阶）。0通常代表黑，255代表白。
• 应用：
  • 黑白相机：常用8位深度，处理速度快，内存占用小，成本低。
  • 彩色/高端显示：可能有10比特或12比特，色彩/灰度过渡更细腻。

---

ll1.1.4. 图像数据在电脑中的表现

• 坐标原点：图像的原点 $(0,0)$ 通常在左上角。
  • X轴正方向：向右。
  • Y轴正方向：向下。
• RGB值/灰度值：
  • 鼠标在图像上移动时显示的数值（如 RGB: 254, 254, 254 或 Gray: 3）。
  • 该数值代表了当前像素点的亮度等级（灰度等级）。
  • 图像就是由无数个不同灰度/颜色的像素点组合而成的。

注意：在购买显示器或电视时，参数中的“8bit”、“10bit”指的就是色彩/灰度位深度，数值越高，色彩过渡越自然，断层越少。

ll1.1.5. 常见图像格式与数据存储原理

ll1.1.5.1.BMP格式（无损存储）

• 定义：一种未经压缩的图像存储格式。
• 存储方式：按照像素的横纵排列顺序，将每个像素点的灰度等级或亮度值依次存储。
• 特点：
  • 完整性：完整保留了每个像素点的原始数据。
  • 体积大：由于未压缩，文件占用的内存空间较大。
• 应用场景：专业的图像处理领域。因为处理算法需要精确的原始数据，BMP格式能避免数据失真。

ll1.1.5.2. JPG与PNG格式（有损/压缩存储）

• 定义：日常通用的压缩图像格式。
• 存储方式：在原始像素数据的基础上，通过算法对数据进行压缩。
• 特点：
  • 体积小：同等分辨率下，文件占用内存远小于BMP。
  • 数据丢失：压缩过程中会隐藏或“删除”部分像素信息（人眼不易察觉）。
  • 拟合还原：查看图片时，软件会利用算法将被压缩掉的像素“拟合”出来，这会导致图像细节与原始数据存在偏差。
• 应用场景：日常浏览、网络传输。不适合对精度要求极高的工业图像处理。

ll1.1.5.3.格式对比总结

特性	BMP格式	JPG/PNG格式
压缩情况	无压缩	有压缩
数据完整性	完整保留，无失真	有丢失，算法拟合还原
文件体积	大	小
适用场景	图像处理、机器视觉	日常查看、网页展示

---

ll1.1.6. 灰度值与RGB色彩原理

ll1.1.6.1.灰度值

• 在黑白（灰度）图像中，每个像素点只有一个数值，代表亮暗程度，称为灰度值或灰度等级。

ll1.1.6.2.RGB三原色原理

• 定义：RGB代表红、绿、蓝三种颜色通道。
• 黑白图像：
  • 虽然是黑白显示，但在计算机底层（如查看属性时），其R、G、B三个通道的值通常是相同的。
  • 例如：R=100, G=100, B=100，表现为灰色。
• 彩色图像：
  • 构成：单个像素点包含三个不同的数值，分别代表红、绿、蓝三原色的强度。
  • 成像原理：通过不同强度的红、绿、蓝三色光混合（拟合），呈现出各种颜色。
  • 示例：
    • 黄色表现：红色和绿色通道数值较高，蓝色通道数值较低。
    • 颜色变化：只要三个通道的数值不同，就能组合出丰富的色彩。

ll1.2.预处理

ll1.2.1. 图像预处理与增强算法

ll1.2.1.1.图像二值化

二值化是计算机视觉中最基础、最简单且最常用的算法之一，常用于提取目标物体（如测量电容半径、定位位置等）。

原理与步骤

1. 灰度差异分析：利用目标物体（如电容）与背景在灰度等级上的差异（例如目标比背景亮）。
2. 阈值筛选：
   • 设定一个灰度阈值（例如100）。
   • 遍历图像中的每一个像素点。
   • 若像素灰度值高于阈值（如 > 100），则保留该区域；若低于阈值，则忽略。
3. 二值化处理：
   • 激进处理：将筛选出的区域（高于阈值）全部变为纯白色，低于阈值的区域全部变为纯黑色。
   • 结果：图像只保留黑白两色（0和255），最大程度去除干扰（如字符、纹理），仅保留目标形状（如圆环）。

二值化的类型

• 手动二值化：用户手动调整阈值（如0-255之间），可设定阈值范围（如50到180），并选择对象类型（将阈值范围内的变为黑还是白）。
• 自动二值化：算法根据图像灰度值的分布情况，自动适配最佳阈值。
• 变量二值化：使用变量来控制阈值。
• 彩色二值化：针对彩色图像，基于RGB三个通道进行处理。

---

ll1.2.1.2.形态学操作

形态学主要用于去除噪点、平滑边界或连接断裂区域。

基础操作

• 腐蚀：
  • 作用对象：针对白色区域（前景）。
  • 效果：让白色区域收缩，黑色区域扩展。
  • 应用：去除噪点（如雪花点），使物体边界更清晰。可以通过增加“迭代次数”来增强效果。
• 膨胀：
  • 作用对象：针对白色区域。
  • 效果：让白色区域扩张，填充物体内部的空洞。

复合操作 为了在去噪的同时尽量保持物体原有的形状特征，常将腐蚀和膨胀结合使用：

• 开运算：
  • 顺序：先腐蚀，后膨胀。
  • 作用：去除细小噪点，平滑物体轮廓。
• 闭运算：
  • 顺序：先膨胀，后腐蚀。
  • 原理：先膨胀使物体变大（覆盖噪点或填补空洞），再腐蚀使物体恢复原状（但被覆盖的噪点不会恢复）。
  • 作用：填充物体内部的小孔，连接邻近物体，同时基本保留整体形状。

ll1.2.1.3.其他预处理工具

• 滤波算法：工具箱中还包含各类滤波算法，用于进一步平滑图像或去除特定类型的噪声。

ll1.2.2. 通道提取

通道提取主要针对彩色图像。大部分图像处理算法（如找圆、找线、匹配）仅针对黑白图像，因为黑白图像单通道计算量小，特征计算更简单直白。

彩色转黑白原理

• 差异：彩色图像单像素包含RGB三个值，黑白图像单像素只有一个灰度值。
• 目标：将三个值转换为一个值。

转换方法

• 单通道保留：直接提取R、G或B中任意一个通道的值，丢弃其他两个。不同通道提取出的图像效果差异较大。
• 加权计算：将每个通道的值乘以特定比例后相加。
• 色彩模式：除了RGB（红绿蓝），还可以使用其他模式描述彩色图像，如：
  • HSL：色调、饱和度、亮度。
  • HSV：色调、饱和度、明度。
  • HSI：色调、饱和度、强度。

注意：不同的通道提取模式可能会产生意想不到的处理效果。

---

ll1.2.3. 预处理工具的使用说明

• 独立预处理工具：处理后的图像可以输出，供后续其他工具使用。

• 工具内置预处理：许多算法工具（如找圆）内部自带预处理选项。其处理方式与独立工具一致，但处理结果仅供该工具内部使用，不会对外输出图像。

ll1.3.匹配与定位

ll1.3.1. Blob分析

Blob分析是工业机器视觉中功能强大且原理相对简单的核心工具，常用于有无检测。

核心原理

• 基础：基于二值化。
• 连通域提取：在二值化筛选的基础上，将阈值范围内相邻的像素格连通成一个区域，并记录该区域的特征（如面积、位置、中心点等）。

参数设置与功能

• 阈值设置：支持低阈值、高阈值、自动筛选或局部自适应筛选。
• 形态学结合：可配合膨胀和腐蚀调整区域结果。
  • 例如：通过膨胀将断开的区域连通。
• 填充孔洞：自动填充区域内部的孔洞（若边缘未闭合则无法填充）。
• 忽略边界对象：可设置忽略靠近图像边缘的大区域。

结果筛选 Blob分析会输出每个连通区域的详细数据，用户可根据这些数据进行筛选，去除干扰：

• 特征参数：
  • 面积、中心点、角度、外接矩形（宽/高）、重心、方向、长宽比等。
• 筛选逻辑：
  • 勾选需要显示或筛选的参数。
  • 示例：若干扰区域面积为900，目标区域面积为10000+，可设置面积最小值为2000，从而剔除干扰。

输出结果

• 状态：运行状态指示。
• 图像：输出经过二值化及筛选后的黑白图像（比普通二值化更干净，去除了不满足条件的区域）。
• Count：分析出的区域个数。
• 数组数据：以数组形式输出面积、中心点、外接矩形、长宽比、角度等数值。

---

ll1.3.2. 工业视觉定位与ROI应用

定位与检测的关系

• 定位：本质是在图像中找到工件的具体位置。
• 检测：涵盖有无检测、瑕疵检测、字符识别等。
• 协同工作：通常采用“先定位，后检测”的策略。先找到工件位置，再在特定区域内进行字符识别或瑕疵检测，避免在全图范围内无效运算，从而节省硬件资源，提升检测效率与速度。

ROI与Mask概念

• ROI：
  • 定义：感兴趣区域，算法仅在此区域内执行。
  • 作用：相比全图处理，ROI能显著减少计算量，提升运行速度。
  • 类型：支持矩形、旋转矩形、椭圆、圆形、环形、多边形等多种形状。
• Mask：
  • 定义：与ROI相反，算法在Mask区域内不执行。
  • 应用：用于屏蔽特定的干扰区域，使用频率相对较低。

工业定位的高标准要求

• 高精度：工业场景常要求极高的定位精度（如0.01mm-0.05mm），远超普通人脸识别等应用。
• 高稳定性：必须保证同批次工件定位结果一致，不能出现抖动或漂移。

双层定位嵌套策略 为了满足高精度与高稳定性，工业上常采用“粗定位+精定位”的嵌套模式：

1. 粗定位：
   • 目的：在大范围内搜寻，找到工件的大概位置。
   • 工具：如Blob分析。
   • 特点：允许存在一定程度的波动，不要求极高精度。
2. 精定位：
   • 目的：在粗定位的基础上，利用工件上稳定的特征进行精确锁定。
   • 方法：例如寻找矩形的四条边直线，计算交点（角点），通过对角线交叉确定中心点。
   • 优势：
     • 抗干扰：相比Blob分析容易受边缘脏污或凸起影响导致中心点偏移，找线算法能更好地过滤局部干扰，保持直线特征稳定。
     • 结果：消除粗定位的波动，实现更高精度和稳定性的定位。

常见工具

• 粗定位工具：Blob分析是常用的粗定位工具之一，因其逻辑简单、运行速度快（毫秒级），适合快速筛选大概区域。

ll1.3.3. 粗定位

ll1.3.3.1.灰度匹配

这是最常用且基础的匹配方式。

操作流程

1. 新建模板：
   • 在图像上绘制一个框（矩形或旋转矩形）来框选特征区域。
   • 调整技巧：旋转矩形框上的凸出红点用于旋转角度，其他红点用于调整位置。
   • 原则：尽可能框住核心特征，减少无关背景干扰。
2. 保存与运行：保存模板后，算法会自动在图中搜寻相似区域。
3. 结果可视化：可以通过“图形显示”参数调整结果的颜色、大小和字体。

核心原理

• 特征记录：算法记录模板区域内的灰度特征信息（如平均灰度值、灰度方差等）。
• 遍历搜寻：
  • 按照模板尺寸，在整张图上逐个像素（或按步长）移动。
  • 计算当前位置与模板的相似度（重合度）。
  • 支持旋转角度匹配。
• 结果判定：计算综合得分，得分最高的区域被认定为目标。

---

ll1.3.3.1.1.关键参数解析

• 模板编辑：
  • 支持屏蔽（擦除）模板内的特定区域，使其不参与匹配。
  • 定位点：绿色十字标记代表匹配结果的输出坐标位置。
• 金字塔分解层数：
  • 原理：将图像按比例压缩（如分辨率减半），在低分辨率图上进行快速匹配，再逐级回溯。
  • 权衡：
    • 层数越高：压缩越厉害，运算速度越快，但图像可能失真，导致误判率增加。
    • 层数越低：接近原图，运算速度越慢，但精度更高，误判率低。
• 角度范围：
  • 设置匹配时的旋转搜索范围（如-180°到180°）。若目标角度超出此范围，会导致匹配失败。
• 角度步长：每次旋转的角度间隔。
• 匹配数目：设置匹配结果的数量上限。
• 重合度/最小得分：
  • 设定相似度阈值（如60分）。低于该分数的匹配结果将被过滤掉。

---

ll1.3.3.2.特征匹配

• 原理：提取图像中的特征点（如角点、边缘、轮廓线）。
• 边缘检测基础：
  • 计算机通过判断相邻像素间灰度值的变化来识别边缘。
  • 灰度值变化剧烈的区域即为边缘。
• 阈值设置：
  • 检测器/匹配器阈值：设定灰度值变化达到多少才算作有效边缘，用于过滤噪声。

ll1.3.3.3.轮廓匹配

• 原理：基于边缘检测，将邻近的边缘点连接拟合，形成轮廓线。
• 极性：
  • 指灰度变化的方向一致性。
  • 统一极性：例如从左到右都是“黑变白”（灰度值从小到大）。
  • 忽略极性：允许边缘方向不一致的情况。

轮廓匹配参数优化

• 滤波系数：对边缘进行平滑处理。当轮廓线因脏污或噪点断开时，调整滤波系数有助于连接断开的轮廓。
• 对比度：指边缘的亮度（灰度）变化差值。差值越大，边缘分割越明显。
• 最短/最长轮廓：筛选由多少个点构成的轮廓线（例如100-100,000个点），过滤过短或过长的干扰。
• 贪婪系数：用于处理断开的轮廓线。系数越大，算法将断开部分连接起来的趋势越强。

ll1.3.4. 精定位

ll1.3.4.1.找点

原理

• ROI设定：算法区域是一条直线（箭头形状），记录直线穿过像素的灰度值，形成折线图。
• 边缘识别：通过分析折线图的导数极值，找到灰度值变化最大（坡度最陡）的区域。

关键参数

• 边缘极性：灰度变化的方向（黑到白、白到黑、所有）。
• 边缘强度：设定灰度差值的阈值（如30以上），只有变化超过此值的才被识别。
• 边缘宽度：
  • 作用：消除水平方向的噪点干扰。
  • 原理：计算当前点前后N个像素的平均灰度值再进行差值比较，而非单点对比。
• 投影宽度：
  • 作用：消除垂直方向的噪点干扰。
  • 原理：计算垂直方向上N个像素的平均值。
• 过渡像素：边缘从黑变白经过的像素数量。过渡像素越少，图像越清晰，定位越准。

---

ll1.3.4.2.找线

原理

• 基于“找点”原理，在ROI区域内沿多条搜索线找到边缘点，再通过算法拟合出一条直线。

参数设置

• 搜索方向：根据ROI（矩形或旋转矩形）的凸起方向确定（如从上到下）。
• 搜索线数目：决定用于拟合直线的点的数量。
• 剔除距离：在拟合过程中，如果某个点偏离拟合直线超过设定距离（如5个像素），则将其剔除，不参与计算。

---

ll1.3.4.3.找圆

原理

• 同样基于找点拟合，但搜索方式是从中心发散或从外向内收敛。

ROI形状

• 环形：由内圆和外圆组成的环形区域。
• 扇形环：支持扇形区域。
• 算法仅在环形或扇形区域内寻找边缘点并拟合圆。

---

ll1.3.4.4.几何关系

功能

• 用于计算已提取特征（点、线、圆、矩形）之间的数学关系，如交点、夹角、距离等。

操作方法

• 选择特征：从结果变量中选择两个特征（如两条线）。
• 输出结果：勾选需要的计算结果（如“线1到线2的旋转角”、“交点坐标”）。
• 过滤：当特征过多时，可使用过滤功能只显示特定类型的特征（如只显示点）。

工程三：手机框架定位

素材：手机框架定位.zip - 蓝奏云

gc3.1.流程概览

gc3.2.步骤细节

图像导入：勾选【图像循环加载】 Blob分析：删除默认的 Roi 框，参考跳转到指定位置 ROI 校正基准设置：如图

找直线 1 ~ 4 ：

如上操作依次找到手机框架最外面的四条边

几何关系 1 ~ 4 ：

找相邻两条边的交点

几何关系 5 ~ 6 ：

找到两点的对角线

​

元素选择对角的两个点，结果勾选拟合线。

几何关系 7 ：

找到对角线的交点

元素选择两条对角线，结果勾选交点。

添加延时（300ms）：

gc3.3.运行结果

工程四：灰度匹配圆形

素材：圆形工件图.zip - 蓝奏云

gc4.1.流程概览

gc4.2.步骤细节

图像导入：开启循环

灰度匹配：

​ 使用画矩形，框选工件

ROI基准设置

找圆

时间：延时300ms

gc4.3.运行结果

工程五：找圆找方中心

素材：基本图形定位.zip - 蓝奏云

gc5.1.新机制：事件跳转

gc5.2.流程概览

gc5.3.步骤细节

【事件设置】勾选 延时【找 圆/方 跳转】 结束 【状态】

​ 找方 **参考 工程三，找圆** 参考 工程四

gc5.4.运行结果

理论（二）：Jscript脚本基础使用

ll2.1.添加变量

ll2.2.变量类型说明

N： number 数字变量，数据是表示数量、可以进行数值运算的数据类型。

数值型数据由数字、小数点、正负号和字母 E 组成，用字母 N 表示。数值型数据的取值范围是：-0.9999999999E+19+到 0.9999999999E+20，包括正负号、小数点和字母 E 在内，其长度最大 20 位。通常用于表示实数。

S： string 字符串变量，由数字、字母、下划线组成的一串字符。在脚本中使用时需要用英文的单引号‘’或者双引号“”引用起来。 B： bool 布尔变量，尔型变量只有两个值，即 false（假）和 true（真）。 P： point 坐标点变量 [不是指针]，其成员有两个，即 Point x 和 Point y。 3D_P：3D 点类型：其成员有三个，即 Point x 和 Point y 和 Point z。 3D_PL：3D 平面类型: 其成员有四个，即 A、B、C、D,ABC 是平面的向量（X，Y，Z），D 是原点到平面的距离（存在正负）。 M： 矩阵类型：其成员有两个，即行跟列，可以自定义矩阵大小，通过行数、列数来设置，矩阵最小是 2*2。

ll2.3.变量的赋值与常用函数

// 数值/字符数组/布尔变量的赋值
Vars.Var1 = 78
Vars.Var2 = "fshifaf的萨芬1324=-"
Vars.Var3 = true

// 点变量的赋值
Vars.Var4.x = 2
Vars.Var4.y = 1
Vars.Var4 = {x:3,y:5}

// 数值/字符 数组元素的赋值
Vars.Var5[3] = 21
Vars.Var6[2] = "sdfsa"

// 基本运算
Vars.Var1 = 7/8
Vars.Var2 = "abc"+"123"

// 变量名可以是中文
var 中文 = 1234

// if结构测试
var a = 10
var b = 20

if (a > b)
{
    Vars.Var1 = b
}
else
{
    Vars.Var1 = a
}

// switch结构测试
var n = 3

switch(n)
{
case 1:
Vars.Var2 = "a"
break;

case 2:
Vars.Var2 = "b"
break;

default:
Vars.Var2= "n"
break;
}

// while结构测试
var a = 0
while(true)
{
    Vars.Var1 = Vars.Var1 + a
    a++
    if(a > 100)
    {
        break;
    }
}

Vars.Var1 = 0
Vars.Var2 = ""

for(i = 0; i<10; i++)
{
    for(j = 0; j<10; j++)
    {
        Vars.Var2 += i+"*"+j+"="+i*j+" "
    }
}

// 常用Jscript函数
var s = "T1,1,3.786,3,60"
Vars.Var6 = s.split(",")

Vars.Var1 = parseInt(Vars.Var6[2])

var n = 3.2432523
Vars.Var2 = n.toFixed(3)
Vars.Var1 = Math.round(n*1000)/1000

工程六：脚本联动使用

素材：多电容图.zip - 蓝奏云

gc6.1.流程概览

gc6.2.步骤细节

gc6.2.1.粗定位

图像导入：取消图片循环，参考跳转到指定位置

灰度匹配：添加匹配数目 (10)

gc6.2.2.精定位

脚本配置 ：

先添加这四个变量

​

脚本内容

Vars.P_当前参考点 = 粗定位_灰度匹配_1.centers[Vars.N_定位计数]
Vars.N_当前参考角度 = 粗定位_灰度匹配_1.angles[Vars.N_定位计数]
Vars.N_定位计数 ++
Vars.B_定位结束 = false
if(Vars.N_定位计数 >= 粗定位_灰度匹配_1.centers.length)
{
    Vars.B_定位结束 = true
    Vars.N_定位计数 = 0
}

ROI校正基准设置 ：

​

找圆 ： 注意上一步的ROI在哪一块【看红十字位置】

时间 ：延时300ms

OCR：同样注意ROI的位置，使用预训练模型

gc6.3.运行结果

工程七：多个目标定位

素材：纸素材.zip - 蓝奏云

gc7.1.流程概览

gc7.2.步骤细节

gc7.2.1.粗定位

Blob分析：

gc7.2.2.精定位

脚本：

​ 变量内容：

​

​ 脚本内容：

• Vars.P_当前参考点 = 粗定位_Blob分析_1.center[Vars.N_定位计数]
  Vars.N_当前参考角度 = 粗定位_Blob分析_1.angle[Vars.N_定位计数]
    
  Vars.N_定位计数++
    
  Vars.B_定位结束 = false
  if(Vars.N_定位计数 >= 粗定位_Blob分析_1.count)
  {
      Vars.N_定位计数 = 0
      Vars.B_定位结束 = true
  }
  

ROI校正基准设置：

​

​ 注意：做完这一步后运行一下算子块，看当前ROI定位在哪一个目标上

找直线 1 ~ 4，几何关系 1 ~ 7：

​ 参考工程三，主要目的是找中心点坐标。

时间：

​ 延时300ms

gc7.3.运行结果

工程八：工件精细测量

素材：接口与齿轮.zip - 蓝奏云

gc8.1.流程概览

gc8.1.1.流程图

流程类似于 工程五 ， 区别在于： 本工程分支流程中不要单独设置tcp通讯发送到通讯助手，而是将数据写入通讯字符变量，最后交由主流程统一发送

gc8.1.2.变量列表

​

gc8.1.3.注意：

最后的【发送数据】算子块内 填 上面设置的变量

gc8.2.步骤细节

gc8.2.1.主流程

gc8.2.2.卡尺测量流程

gc8.2.2.1.子流程及脚本

注意：换行是\r\n

gc8.2.2.2.粗定位

gc8.2.2.2.1.Blob分析_1

调整参数，大致匹配整个工件

注意结果输出设置

gc8.2.2.2.2.ROI校正基准设置_1

gc8.2.2.2.3.Blob分析_2

精确匹配pin针，

注意开启ROI校正（图见此页：跳转到指定位置）

​ 【参数设置如下】

gc8.2.2.3.测量

gc8.2.2.3.1.ROI校正基准设置_1

​

gc8.2.2.3.2.卡尺

注意上一步中ROI十字在哪一个pin针上

gc8.2.3.找圆工件流程

gc8.2.3.1.子流程及脚本

注意：换行是\r\n

gc8.2.3.2.找圆粗定位

gc8.2.3.2.1.灰度匹配

注意【匹配数目】的值

gc8.2.3.3.找圆精定位

gc8.2.3.3.1.ROI校正基准设置

​

gc8.2.3.3.2.找圆

注意上一步中ROI十字在哪一个工件上

注意开启ROI校正（图见此页：跳转到指定位置）

gc8.3.运行结果



工程九：工程八完善

gc9.1.主流程中

gc9.1.1.通讯算子块

先添加一个【指令类型】的 N类型数据

​

填加一个【脚本】算子

​

脚本内容：

//判断通讯是否有信号
Vars.N_指令类型_G = 0
if(通讯_TCP_IP_1.stepStatus)
{
    //指令拆分
    var ss  = 通讯_TCP_IP_1.dataString.split(",")
    Vars.N_指令类型_G = parseInt(ss[1])
}

gc9.1.2.switch1算子块

更改为对应的条件

​

gc9.2.卡尺测量流程

gc9.2.1.【测量】算子块中

gc9.2.1.1.添加一个S变量

​

gc9.2.1.2.【脚本1】改为

Vars.P_测量点位 = 粗定位_Blob分析_2.center[Vars.N_测量计数]
Vars.N_测量计数 ++

gc9.2.1.3.【脚本2】改为

if(测量_卡尺_1.stepStatus)
{
    Vars.S_卡尺显示 = Vars.N_测量计数+"\r\nOK\r\n"+
    "中心X:"+Vars.P_测量点位.x.toFixed(3)+"\r\n"+
    "中心Y:"+Vars.P_测量点位.y.toFixed(3)+"\r\n"+
    "宽度:"+测量_卡尺_1.caliper_width.toFixed(3)
    
    Vars.S_发送数据 += Vars.N_测量计数+":OK,"
    +测量_卡尺_1.caliper_width.toFixed(3)+";\r\n"
}
else
{    
    Vars.S_卡尺显示 = Vars.N_测量计数+"\r\nNG\r\n中心X:0\r\n中心Y:0\r\n宽度:0"  
    Vars.S_发送数据 += Vars.N_测量计数+":NG,0;\r\n" 
}

//判断是否结束
Vars.B_测量结束标志 = false
if(Vars.N_测量计数>=粗定位_Blob分析_2.count)
{
    Vars.N_测量计数 = 0
    Vars.B_测量结束标志 = true
}

gc9.2.2.添加【数据导出】算子块

gc9.2.2.0.算子块说明

在【测量】算子块与【goto1】算子块中添加一个【数据显示与导出】算子块

​

gc9.2.2.1.时间1

时钟记录，用于csv导出

gc9.2.2.2.图形显示1

在图像窗口显示数据，注意关闭【清除窗口】选项

gc9.2.2.3.时间2

用于延时，增加数据显示间隔

gc9.2.2.4.图像导出-OK原图

注意：为引用时间

剩余配置如下图

gc9.2.2.5.图像导出-OK窗口图

gc9.2.2.6.图像导出-NG原图

同【图像导出-OK原图】，不同点在于保存条件的选【否】

gc9.2.2.7.图像导出-NG窗口图

类似上一步

注意：【图像导出-NGxx图】算子状态为 NG 是正常的

​

gc9.2.2.8.CSV导出

如图：

如果有某些数据没有则去对应的算子【结果数据】开启对应的数据【全流程】有效，具体跳转 跳转到指定位置

9.3.找圆工件流程

也添加一个【数据显示与导出】算子块，类似【卡尺】

提示：由于目前版本延时有点小问题，最好把【数据显示】相关的两个算子放入【测量】算子块

​

9.4.运行结果

最后导出的数据结果，这里只列出导出的文件结构与csv文件内容：

wxz@LAPTOP-CJNATPRL:/mnt/c/Users/wxz/Desktop/opt奥普特实践/02-资料/串口与齿轮$ tree
.
├── 多点卡尺图
│   └── 卡尺测量
│       └── 2026-04-04
│           ├── 2026-04-04.csv
│           └── 卡尺测量
│               └── OK
│                   ├── 原图
│                   │   ├── 2026-04-04_22-13-43-372.bmp
│                   │   ├── 2026-04-04_22-13-44-027.bmp
│                   │   ├── 2026-04-04_22-13-44-678.bmp
│                   │   ├── 2026-04-04_22-13-45-354.bmp
│                   │   ├── 2026-04-04_22-13-46-008.bmp
│                   │   ├── 2026-04-04_22-13-46-659.bmp
│                   │   ├── 2026-04-04_22-13-47-317.bmp
│                   │   ├── 2026-04-04_22-13-47-970.bmp
│                   │   ├── 2026-04-04_22-13-48-644.bmp
│                   │   ├── 2026-04-04_22-13-49-300.bmp
│                   │   ├── 2026-04-04_22-13-49-987.bmp
│                   │   └── 2026-04-04_22-13-50-645.bmp
│                   └── 窗口图
│                       ├── 2026-04-04_22-13-43-373.bmp
│                       ├── 2026-04-04_22-13-44-027.bmp
│                       ├── 2026-04-04_22-13-44-678.bmp
│                       ├── 2026-04-04_22-13-45-355.bmp
│                       ├── 2026-04-04_22-13-46-008.bmp
│                       ├── 2026-04-04_22-13-46-659.bmp
│                       ├── 2026-04-04_22-13-47-317.bmp
│                       ├── 2026-04-04_22-13-47-970.bmp
│                       ├── 2026-04-04_22-13-48-644.bmp
│                       ├── 2026-04-04_22-13-49-300.bmp
│                       ├── 2026-04-04_22-13-49-987.bmp
│                       └── 2026-04-04_22-13-50-645.bmp
└── 多点找圆图
    └── 2026-04-04
        ├── 2026-04-04.csv
        └── 找圆
            └── OK
                ├── 原图
                │   ├── 2026-04-04_22-13-37-537.bmp
                │   ├── 2026-04-04_22-13-38-177.bmp
                │   ├── 2026-04-04_22-13-38-852.bmp
                │   ├── 2026-04-04_22-13-39-523.bmp
                │   ├── 2026-04-04_22-13-40-160.bmp
                │   └── 2026-04-04_22-13-40-798.bmp
                └── 窗口图
                    ├── 2026-04-04_22-13-37-538.bmp
                    ├── 2026-04-04_22-13-38-177.bmp
                    ├── 2026-04-04_22-13-38-852.bmp
                    ├── 2026-04-04_22-13-39-523.bmp
                    ├── 2026-04-04_22-13-40-160.bmp
                    └── 2026-04-04_22-13-40-798.bmp

14 directories, 38 files

wxz@LAPTOP-CJNATPRL:/mnt/c/Users/wxz/Desktop/opt奥普特实践/02-资料/串口与齿轮$ cat 多点找圆图/2026-04-04/2026-04-04.csv
时间,序号,状态,中心X,中心Y,
2026.04.04 22.13.36.926,1,True,809.017,628.758,
2026.04.04 22.13.37.569,2,True,426.802,444.874,
2026.04.04 22.13.38.232,3,True,845.736,204.645,
2026.04.04 22.13.38.901,4,True,1267.115,651.342,
2026.04.04 22.13.39.551,5,True,449.129,867.442,
2026.04.04 22.13.40.189,0,True,1192.077,378.110,

wxz@LAPTOP-CJNATPRL:/mnt/c/Users/wxz/Desktop/opt奥普特实践/02-资料/串口与齿轮$ cat 多点卡尺图/卡尺测量/2026-04-04/2026-04-04.csv
时间,序号,状态,中心X,中心Y,宽度,
2026.04.04 22.13.42.764,1,True,791.000,839.000,34.372,
2026.04.04 22.13.43.415,2,True,877.500,839.000,31.640,
2026.04.04 22.13.44.070,3,True,1019.500,839.000,32.871,
2026.04.04 22.13.44.740,4,True,1093.361,838.992,31.936,
2026.04.04 22.13.45.397,5,True,1172.500,839.000,32.265,
2026.04.04 22.13.46.049,6,True,1248.500,839.000,32.830,
2026.04.04 22.13.46.707,7,True,1388.500,839.000,33.281,
2026.04.04 22.13.47.360,8,True,1473.174,838.992,31.263,
2026.04.04 22.13.48.030,9,True,1551.000,839.000,33.383,
2026.04.04 22.13.48.690,10,True,1627.000,839.000,31.647,
2026.04.04 22.13.49.372,11,True,1770.871,838.989,31.520,
2026.04.04 22.13.50.033,0,True,1848.280,839.006,34.586,

理论（三）：相机标定：从入门到实战

本文参考相机标定：从入门到实战 - 知乎

ll3.1.什么是相机标定？

ll3.2.为什么要相机标定？

相机标定的目的就是找到相机的数学模型，得到这个数学模型的函数映射关系，求出这个数学模型中参数。另外通过求解这个函数的“反函数”（成像的反过程），根据获得的二维图片恢复三维场景。

ll3.3.坐标系的建立

ll3.3.1. 世界坐标系 (World Coordinate System)

• 维度：3D (三维)
• 定义与原点：这是一个人为规定的参考坐标系。原点可以任意设置（例如文中提到以人眼为原点，用来描述相机的位置）。
• 作用：用于描述相机在三维空间场景中的位置，以及物体在真实世界中的绝对位置。

ll3.3.2. 相机坐标系 (Camera Coordinate System)

• 维度：3D (三维)
• 定义与原点：以相机的视角建立的坐标系。其原点位于透镜中心 (Lens Center)。
• 轴向：Z 轴即为光轴，必须垂直于图像平面并穿过图像平面的中心。
• 作用：描述物体相对于相机的位置（即相机“看到”的三维空间）。

ll3.3.3. 图像坐标系 / 像素坐标系 (Image / Pixel Coordinate System)

• 维度：2D (二维)

• 定义与原点

  ：建立在图像平面（Image Plane）上的坐标系。

  • 图像坐标系：通常以光轴与图像平面的交点（即图像中心）为原点。
  • 像素坐标系：为了避免坐标出现正负值且便于计算机处理，通常会额外建立一个以像素为单位的坐标系。

• 位置：位于透镜前方距离为焦距 f 的位置（即 Z=f 处）。

• 作用：描述三维物体投影到二维成像平面上的具体位置。

---

总结关系： 光线从世界坐标系中的物体发出，经过相机坐标系（以透镜中心为原点）的投影变换，最终落在图像坐标系/像素坐标系（2D平面）上形成图像。

---

ll3.4.常见标定类型解析

ll3.4.1.点距离标定

• 原理：计算视野内两点的实际物理距离与图像像素距离的比值，从而获取像素当量。

ll3.4.2.旋转标定

• 应用场景：机械手抓取旋转场景。
• 核心问题：
  • 机械手旋转轴往往不在工件中心或定位点上。
  • 若仅计算平移偏差和角度偏差，直接旋转会导致位置错位。
  • 若采用“先旋转再拍照”的方式，虽然可行但耗时（需拍两次）。
• 解决方案：
  • 通过标定求出旋转中心轴（圆心）。
  • 已知圆心、当前点和旋转角度，软件可模拟计算出旋转后的位置。
  • 优势：只需拍一次照，即可算出旋转后的平移偏差，大幅提升效率。
• 拟合方式：通常通过三点拟合圆、五点拟合圆或两点一角度拟合圆来确定旋转中心。

ll3.4.3.定常标定

• 应用场景：超大尺寸工件（如80寸屏幕）的定位与贴合。
• 原理：
  • 单相机视野无法覆盖或精度不足，需使用多个相机（如拍对角）。
  • 利用固定长度的标定杆（长棍），在不同位置移动，使两端分别出现在不同相机视野中。
  • 通过杆的固定长度和角度，计算并统一多个相机的坐标系关系。

ll3.4.4.多目立体视觉

• 应用：3D成像、智能驾驶（三目立体视觉）。
• 原理：
  • 利用多个相机（或单相机多角度打光）拍摄同一物体。
  • 通过不同视角的视差或光影反射差异，计算物体的高度信息（深度），从而拟合出3D图像。

---

ll3.5.重点：九点标定

ll3.5.1.为什么需要九点标定？

• 像素非正方形：传感器芯片的感光单元可能存在制造误差，导致横向和纵向的像素当量不一致（即像素呈长方形而非正方形）。仅用两点计算无法同时校准横纵方向。
• 镜头畸变：相机镜头存在畸变（尤其是边缘区域），导致图像边缘与中心的像素当量不一致。
• 解决方案：通过增加标定点数量（如9个点），计算各个方向的像素当量，补偿畸变和尺寸误差，提高精度。

ll3.5.3.九点标定操作流程

1. 新建方案：在标定管理中选择“九点标定”。
2. 选择坐标系：分别选择相机坐标系和目标坐标系（若无标定文件可新建）。
3. 选择标定板类型：
   • 棋盘格标定板：黑白方格，最常用。
   • 点标定板：圆点阵列。
   • 二维码标定板：基于QR码。
4. 设置参数：输入标定板单元格的实际物理尺寸（如2mm）。
5. 加载图像：
   • 若连接相机则直接拍摄；若使用图片则导入标定板图像。
6. 执行标定：点击“标定”按钮，系统自动计算并生成标定文件，提示偏差信息。

工程10：九点标定练习

素材：标定图.zip - 蓝奏云

gc10.1.添加变量

​

gc10.2.流程概览

gc10.3.步骤细节

gc10.3.1标定粗定位

gc10.3.1.1图像导入

导入如下图片，取消勾选【图片循环加载】

gc10.3.1.2.图像Blob分析

先删除默认的ROI框，参考跳转到指定位置

然后如图，注意排序，从左到右，从上到下

gc10.3.1.3.变量赋值

注意设置世界坐标九点

gc10.3.2.标定精定位

gc10.3.2.1.脚本1

Vars.P_标定参考点 = 标定粗定位_Blob分析_1.center[Vars.N_标定计数]

gc10.3.2.2.ROI基准校正设置

​

gc10.3.2.3.找圆

注意上一步的ROI基准校正设置 红色十字在哪里

gc10.3.2.4.脚本2

Vars.PA_相机坐标九点[Vars.N_标定计数] = 标定精定位_找圆_1.center
Vars.N_标定计数 ++

Vars.B_标定完成 = false
if(Vars.N_标定计数>=9)
{
    Vars.N_标定计数 = 0
    Vars.B_标定完成 = true
}

gc10.3.3.生成标定文件

gc10.3.3.1.多点标定

gc10.4.运行结果

理论（四）：工业视觉硬件系统与贴合技术

ll4.1.硬件部分

工业视觉项目核心硬件（图像采集相关）：相机、镜头、光源（硬件连接将在实操培训中学习）。

核心工作流程：流水线工件流过后，通过光源、相机、镜头采集图像 → 图像传输至电脑处理 → 处理后输出结果 → 控制机械手等执行动作。

基础硬件示例：环形光源、定焦镜头、普通2D相机（本次讲解均围绕2D相机，3D相机后续另行了解）；相机成像原理基于光电效应，本次在前期基础上进一步深入。

ll4.1.1.相机类型与传感器分类

ll4.1.1.1. 按传感器芯片分类（核心：两种材质差异）

• CCD相机：传统工业常用，优势是弱光环境下成像效果好（噪点少、更清晰）；缺陷是成本高、功耗高。
• CMOS相机：目前主流，日常手机、相机均采用，优势是成本低、功耗低；早期弱光环境噪点多、成像模糊，现通过算法优化，已达到CCD成像效果。

补充：相机24V电源口，原用于CCD相机供电，现可用于供电或连接触发线（IO线），多数CMOS相机可通过数据传输口直接供电。

ll4.1.1.2. 按成像方式分类

• 面阵相机：传感器阵列为完整平面，一次曝光生成一张完整图像；优势是成像速度快，适合工业上对成像速度有要求的场景，常规首选；缺点是分辨率受芯片尺寸限制，有上限。
• 线扫相机：传感器阵列为1-3排（较窄），需通过滑轨/运控带动相机移动，多次拍照后拼接生成完整图像；优势是分辨率不受芯片尺寸限制，可通过延长移动距离提升分辨率，适合精度要求高、对成像速度无严格要求的场景；缺点是成像速度慢。

ll4.1.1.3. 按颜色分类

彩色相机、黑白相机。

ll4.1.2.相机核心参数

• 分辨率：核心参数，分辨率越高，图像占用内存越大，数据传输时间越长（影响帧率）。
• 靶面尺寸：单个传感器的尺寸，尺寸越大，接收光子数量越多，相机灵敏度、感光性越好，成像越亮。
• 靶面深度（位深度）：决定灰度级/亮度值区间，区间越大，图像颜色过渡越丰富、细节越清晰（1比特：仅黑白；比特数越高，细节越多）。
• 快门方式（面阵相机）：本质是曝光方式，分两种：
  • 全局曝光：同步收集所有传感器电信号，无变形。
  • 卷帘快门（行曝光）：从上到下逐行收集电信号，拍摄运动物体时易产生拖影、变形（类似手机快速移动拍照的效果）。
• 帧率与行频：
  • 帧率：相机每秒拍摄的图片数量（类似动画每秒切换的图片数），影响因素：分辨率（越高帧率越低）、数据传输口速度（越快帧率越高）、曝光时间。
  • 行频：线扫相机的核心参数，指每秒拍摄的行数。
• 检测精度：不可直接等同于单像素精度（存在像素抖动误差），需预留3-5个像素的波动范围，即检测精度≈单像素精度×3-5。

ll4.1.3.相机数据接口类型

常用接口：网口、USB口（四种接口均有应用，以这两种为主）。

• 网口：传输速度较快，传输距离远，常用千兆网口，也有万兆网口。
• USB口：传输速度快，适合分辨率极大的万兆相机；另有光纤接口（较少用）。

ll4.1.4.镜头相关知识

ll4.1.4.1. 镜头核心作用

将目标物体的光线汇聚到相机传感器芯片上，实现清晰成像。

ll4.1.4.2. 镜头基本类型（常规首选定焦镜头，特殊需求用后两种）

• 定焦镜头：焦距固定，结构包含对焦环（调节图像清晰度）、光圈环（调节进光量）及对应锁紧螺丝。
• 变倍镜头：可调节放大、缩小倍数。
• 远心镜头：可减少畸变，适合对成像精度要求高的场景。

ll4.1.4.3. 镜头关键参数

• 焦距：镜头对焦清晰的距离。
• 放大倍率：镜头对目标的放大能力。
• 兼容芯片尺寸：需与相机传感器芯片尺寸匹配，否则会出现图像丢失或无效黑色区域。
• 景深：镜头对焦清晰的前后范围（对焦范围），影响因素：光圈越小、焦距越小、工作距离越远，景深越大（成像清晰的范围越广）。
• 镜头接口：以C口为主，部分为CS口。

ll4.1.4.4. 镜头畸变（重点）

• 常见类型：桶形畸变、枕形畸变。
• 产生原因：物体上远离镜头中心的点，光线斜角反射回镜头，导致同等实际距离的两点，成像后距离不一致（越远离中心，成像距离越短）。
• 消除方式：
  • 软件层面：通过畸变标定消除。
  • 硬件层面：增加相机与工件的距离（减少光线反射角度）；使用远心镜头（拉长对焦焦距，减少畸变）。

ll4.1.5.光源相关知识

ll4.1.5.1. 工业光源的核心目的

• 克服环境光干扰，保证成像稳定（避免车间灯光损坏、人员遮挡等影响成像）。
• 照亮目标，提高图像亮度。
• 实现目标信息与背景信息的最佳分离（核心作用）。
• 可作为测量工具（如光度立体测量）。

ll4.1.5.2. 光源打光原理（示例）

相机从上往下拍摄梯形工件：

• 需清晰拍摄平面：光线从上往下垂直照射（平面光线直角反射回镜头，斜面光线斜射出去，平面亮、斜面暗）。
• 需清晰拍摄斜面：光线斜向照射（斜面光线直角反射回镜头，平面无光线照射，斜面亮、平面暗）。

ll4.1.5.3. 工业常见光源类型

调形光源、环形光源（可平面/斜角照射，中间可放置镜头）、面光、组合光、同轴光（镜头取光与光源出光方向一致）、球积分光（四面打亮）、远心光、背光。

ll4.2.贴合技术

ll4.2.1.贴合的核心定义

又称视觉引导定位，核心是“定位抓取+定位放置”，即通过视觉引导机械手，将目标物体（如电池）抓取并精准放置到指定位置（如手机背框），是工业上常见的项目类型。

ll4.2.2.定位抓取/放置的工作流程（分两种场景）

ll4.2.2.1. 无视觉参与（固定位置/固定偏移）

• 手动控制机械手，移动到目标物体（如箱子）上方，吸住物体并记录该点位（称为“视觉点”）。
• 通过测量，获取其他目标物体与视觉点的固定偏移量（如X+100、Y-100），通过偏移量控制机械手抓取/放置其他物体。
• 适用场景：目标物体摆放整齐，偏移量固定（如码垛项目）；若物体乱放，无法适用。

ll4.2.2.2. 有视觉参与（不规则偏移/角度偏差）

核心：通过相机拍照，结合标定，计算出目标物体与视觉点的实时偏移量，无需手动测量固定偏移，可应对物体乱放的场景。

重点：当目标物体存在角度偏差时，需解决“角度转正后位置偏移”的问题，核心是确定机械手的旋转中心。

ll4.2.3.角度偏差的解决方法（核心：旋转中心标定）

• 问题痛点：直接旋转物体转正角度，会导致物体中心位置偏移，需两次拍照（一次测角度，一次测偏移），耗时较长。
• 解决方案：通过旋转中心标定，确定机械手的旋转中心（圆心），只需一次拍照，即可计算出“旋转角度”和“旋转后的目标点位”。
• 旋转中心标定方法：用机械手抓取物体，多次旋转，获取多个旋转点位，通过现成工具（三点构造圆、多点构造圆等），根据点位拟合出旋转中心（圆心）。
• 补充：旋转后点位的计算，可通过现成贴合工具实现，无需手动编写脚本（前期需手动用绕点旋转公式计算，现工具可直接输出结果）。

ll4.2.4.贴合项目补充说明

贴合项目分单相机、双相机两种场景：双相机需分别拍摄抓取位和放置位；单相机仅拍摄一个位置即可。核心参数包括视角位、模板位、实时位（拍照位不重要）。

要求：后续升L2考核需完全掌握贴合项目的流程和操作。

工程11：UI设计练习

素材：同工程10，见：点击跳转

gc11.1.变量设置

​

gc11.2.流程概览

gc11.2.1.主流程

gc11.2.2.标定流程

注意：

【生成标定】–>【多点标定】–>【结果输出】

gc11.2.3.定位流程

​

gc11.3.步骤细节

这里只说明【定位流程】的细节

gc11.3.1.灰度匹配

​

gc11.3.2.ROI校正基准设置

​

gc11.3.3.找圆

gc11.3.4.找直线

gc11.3.5.几何关系

gc11.3.6.标定转换

gc11.3.7.脚本

if(定位_灰度匹配_1.stepStatus&&定位_找圆_1.stepStatus&&定位_找直线_1.stepStatus
&&定位_找直线_1.angle<Vars.N_角度上限&&定位_找直线_1.angle>Vars.N_角度下限)
{
    Vars.S_发送数据_G = "A,OK,"+定位_标定转换_1.定位_找圆_1_center_calib.x.toFixed(3)+","+定位_标定转换_1.定位_找圆_1_center_calib.y.toFixed(3)+","+定位_标定转换_1.定位_几何关系_1_mindistance_calib.toFixed(3)
    Vars.N_定位OK计数++
}
else
{
    Vars.S_发送数据_G = "A,NG,0,0,0"
    Vars.N_定位NG计数++
}
Vars.N_定位总数++

gc11.4.UI设计

gc11.4.1.主界面

gc11.4.2.标定界面

gc11.5.运行结果

工程12：考核模拟练习

素材：考核题 图.zip - 蓝奏云

gc12.1.流程概览

gc12.2.步骤细节

略

gc12.3.UI设计

见结果，细节略

gc12.4.运行结果

gc12.4.1.标定运行

gc12.4.2.工件一

gc12.4.3.工件二

gc12.5.我的总结

这个工程的步骤细节就不列了，这里主要记录一下我的失误和不足

gc12.5.1.问题记录

gc12.5.1.1.标定生成

明明九个相机坐标和对应的世界坐标生成好了，但标定生成失败

解决：

【标定设置】–>【坐标系管理】设置的问题，新建相机坐标系与世界坐标系。

gc12.5.1.2.常用函数

Jscript 脚本常用的几个函数记不清楚，使用时还要翻笔记。

解决：

# 牢记这几个
# 分割字符串
split
# 字符转数值
parseInt
parseFloat
# 控制小数点位数
toFixed

gc12.5.1.3.变量设置

变量设置不清晰，写脚本时，在计数时本来应该用“工件一计数”，结果使用的是“标定计数”

gc12.5.1.4.找直线问题

在找直线时总有一条边匹配失败

解决：

在找线的【参数设置】前，先【预处理】 使用二值化

gc12.5.1.5.可用范围

因为算子的大部分输出值都是在所在的算子快内有效，我流程分得太细，总是要去上一个算子块中去调整算子输出值的可用范围。

酌情优化：

合并部分流程，把算子放入一个算子块。

gc12.5.2.未完成部分

通讯连接状态（不是通讯状态）—已解决 日志刷新—已解决 表格标红—已解决

gc12.5.3.可优化部分

工件一部分，要逐个ROI变量12个位置，当前我是使用（12-工件数目） 工件二的中心应该是最中间的小方块中心，当前我是电池极耳底下一条线的中点

工程13：最终项目考核

gc13.1.流程概览

略略略……