1. 产线上“识别和定位”的真实边界“识别和定位”这五个字在工业自动化、生产数字化、工业4.0的语境里被喊了很多年但真正在产线上写过代码、蹲过调机、半夜被叫去救场的人对它的理解跟 PPT 上的说法完全不是一回事。最直观地说相机架好、灯打亮、拍一张照片出来这件事三分钟就能干完难的是让同一个工位在一年后、第两百万次拍照时输出的那个坐标依然稳得住。识别负责回答“这是什么、是什么型号、有没有缺陷”定位负责回答“它在哪、朝哪个方向、姿态角度多少”这两件事的输出结果最后都要变成机械手能执行、MES 能追溯、数据库能查询的东西中间任何一个环节松一点整套系统就在产线上站不住。我在不同规模的产线项目里反复验证过一个判断视觉识别和定位项目的成败八成不在算法而在前期的问题拆解和物理层的确定性。一个识别准确率 99.9% 的模型如果光照每两小时漂一次、相机没有硬触发、标定板只做过一次那么它在实际运行中的表现会远不如一个准确率 98% 但工程化做扎实的系统。这也是为什么工业4.0 讲了很多年落到车间里依然是那些最朴素的问题节拍够不够、精度余量留了多少、异常了谁兜底、数据怎么串起来。这篇文章适合三类人看正在做产线视觉定位方案的工程师、负责把单站设备接入数字化系统的人、以及准备评估这类项目可行性的技术管理者。下面我会按“问题拆解、硬件光学、标定、算法链路、数据链路、排查”的路径把我在实际项目里用过的思路、算过的参数、踩过的坑全部摊开。文中涉及的机构、项目、人物均为虚构代称参数也是基于常见工况的示例实际项目请按自己的场景重算。1.1 两个词经常被混着说其实是两套活“识别”和“定位”在技术路径上有本质差别混着谈会导致方案选型从一开始就偏。识别的核心是分类与判别输入是图像或点云输出是类别、置信度、有无它的评价指标是准确率、召回率、误检率难点在于样本覆盖度和类别平衡。定位的核心是测量与估计输入同样是图像输出是连续的坐标数字它的评价指标是重复精度、绝对精度、角度误差难点在于标定链路和物理稳定性。一个偏“离散判断”一个偏“连续测量”工程上的处理方式完全不同。举个具体场景某电子装配线上来料托盘里混着三种规格的壳体需要先判断是哪种识别再算出抓取点的 XY 和旋转角定位最后把坐标发给四轴机械手去取。识别部分错了抓错料直接报废定位部分偏了 0.3mm抓取偏移导致装配卡死。这两类故障在排查时的方向完全相反前者要去翻样本库看有没有漏掉的型号、光照变化下特征是否还稳后者要去查标定、查镜头畸变、查来料是否在治具里没有放平。如果一开始就把它们当一个问题处理现场调试会非常痛苦。我习惯在方案设计阶段就把这两块拆成两张表识别表列类别、样本数、判定阈值、误判代价定位表列目标精度、视野、节拍、坐标系数量、误差预算分配。两张表填完方案的基本形态就出来了——用什么相机、要不要 3D、算法走传统还是深度学习、需不需要额外的机械定位辅助。这个过程看起来慢但能省掉后期大量的返工。1.2 为什么工业4.0 语境下这两件事总被捆在一起单独一个工位的视觉定位本质上是个自动化孤岛。而工业4.0 想解决的是孤岛之间的连通每个工位的识别结果和定位坐标不只是喂给本地的机械手还要带上时间戳、产品序列号、设备编号、工艺参数一起上传形成可追溯的数据流再被上层的排产、质量管理、设备健康分析消费。识别和定位就从“一个功能”变成了“一个数据源”它的输出格式、稳定性、可解释性都直接决定了上层应用能不能用。这个转变带来几个很实际的约束。第一是结果要结构化不能只是一个“OK/NG”的灯得包含目标类别、坐标、角度、置信度、图像路径、算法版本号。第二是要能回放出了问题得能拿出当时的原图、参数、判定过程复盘所以现场必须存图且存图策略要算存储成本。第三是要能灰度新模型上线不能一刀切得能按工位、按班次、按比例分流对比。这三条在纯自动化时代基本没人管一旦接上数字化系统就变成硬需求。我参与过一个模拟项目产线侧要求所有识别结果必须带 SN 绑定上传到 MES结果上线第一周就暴露了一个隐蔽问题视觉工位的节拍是 800ms但上传接口在班次交接时段响应时间会涨到 2 秒以上导致队列积压、内存缓慢上涨跑了三天程序崩了。这类问题在单机版里根本不会出现一旦进入数字化链路就会冒出来。所以后来我接手类似项目第一步不是看算法而是看数据链路的容量和超时策略。1.3 选型前先算三笔账节拍、精度、可用性节拍账从产品到位信号触发到坐标下发完成整条链路的总耗时要留 30% 余量。曝光 10ms、传输 15ms、算法 60ms、通信 10ms加起来不到 100ms看起来很快但如果算法里有个异常分支会重试三次最坏情况就是 300ms 以上机械手等不起。我在设计时习惯把“正常路径”和“异常路径”的耗时分别算出来异常路径必须小于产线允许的最大等待时间否则就要改成异步处理或者直接给一个安全的默认动作。精度账最终精度需求要拆到每一个环节。假设产品要求抓取精度 ±0.1mm那么误差预算大致可以分成相机分辨率引入的量化误差、镜头畸变残余、标定误差、来料位置波动、机械手重复定位误差。这五项按均方根粗算每项大概只能分到 ±0.04mm 左右。如果机械手本身的重复定位精度就是 ±0.05mm那视觉部分做得再好也是白搭——这时候该去改机械定位或者加浮动机构而不是死磕算法。可用性账产线设备年可用率通常要求 98% 以上折算下来一年非计划停机不能超过七天。视觉系统最容易出的问题是光源衰减、镜头污染、标定漂移、通信断连。每一项都要有对应的预防措施光源定期校准或者加光衰补偿、镜头加气吹或者定期清洁提醒、标定周期写入维护计划、通信加心跳和重连。这些看起来是运维的事但在方案阶段不考虑后期就是无穷无尽的救火。2. 精度在上位机之前就定死了硬件与光学怎么选很多人以为定位精度是算法调出来的实际上硬件的物理极限早就把天花板钉死了。算法只能在已有信息里做最优估计无法创造不存在的分辨率。所以选型阶段的那几张纸和那几笔计算基本决定了项目能做到什么水平。2.1 分辨率换算用纸和笔先把精度算清楚基础换算是这样的单像素对应的物理尺寸等于视野尺寸除以传感器有效像素数。假设视野是 200mm × 150mm相机是 500 万像素分辨率 2448 × 2048那么水平方向单像素对应 200 / 2448 ≈ 0.082mm。这只是像素当量不代表精度。实际能达到的重复精度取决于算法能否做到亚像素传统形状匹配在特征清晰的情况下通常能做到 1/10 到 1/4 像素取保守的 1/3就是约 0.027mm。但这只是理想条件下的数字。真实场景还要乘上几个系数镜头畸变校正残余尤其视野边缘、光源不均匀导致的边缘位置抖动、来料本身的表面特性变化。我一般按 2 到 3 倍余量估算实际可用精度也就是上面这个配置在实际产线上大概能稳定做到 0.06 到 0.08mm。如果产品要求 ±0.05mm这个配置就不够需要缩小视野代价是相机要移动或者加多工位、换成更高分辨率的传感器、或者改用远心镜头来压畸变。远心镜头值得单独说一句。它的特点是主光线平行因此在有一定景深变化时放大倍率基本不变测量精度会明显稳定。代价是视野通常做不大、价格高、工作距离固定。对于小尺寸高精度零件比如连接器针脚、小型结构件远心镜头带来的稳定性提升往往比换更高像素的相机更划算。我的经验是当视野小于 100mm 且精度要求优于 0.02mm 时优先考虑远心方案。还有一个容易被忽略的参数景深。视野内的产品高度如果有变化比如来料堆叠、托盘不平超出景深就会失焦边缘模糊直接导致定位漂移。景深近似计算涉及光圈、焦距、允许弥散圆实际选型时可以直接看镜头规格书里的景深表然后按产品高度波动留一倍余量。如果产品高度波动大就得考虑自动对焦或者改用对高度不敏感的打光方式比如同轴光看平面特征。2.2 光源与镜头最便宜也最容易翻车的部分光源是整个视觉系统里投入最小、影响最大的部分。它决定的是“特征能不能稳定出现”算法只是把出现的特征找出来。我用过的方案里翻车最多的不是算法写错而是光源选型不对或者装的位置不对。常见的几类打法背光适合轮廓测量把产品打成剪影边缘非常锐利定位精度最好但只能测外轮廓环形低角度光适合打表面划痕和字符利用漫反射差异形成对比同轴光适合高反光的平面比如金属表面、玻璃能压掉反光形成均匀背景条形光则经常用在需要方向性照明的场景比如检测圆柱面的缺陷。选哪种取决于你要找的特征是什么以及产品表面是什么材质。这里有个实际经验不要指望用一套光源同时满足识别和定位。识别需要突出类别差异颜色、纹理、标识定位需要突出几何边缘。我在一个模拟项目里就吃过这个亏——同一个工位既判断型号又算抓取中心用的是同一套环形光结果深色型号的边缘对比度太低定位抖得厉害。后来加了第二组低角度光分区点亮识别用主光、定位用时序切换的辅助光问题才解决。代价是曝光时间翻倍好在节拍还有余量。镜头方面除了焦距要匹配视野和工作距离还要看畸变曲线。标称低畸变的镜头在视野边缘依然可能有 0.5% 以上的畸变如果定位点经常落在边缘误差就会被放大。处理办法有两个一是用标定做畸变校正需要更多标定点覆盖整个视野二是把产品引导到视野中心区域边缘只用来做粗定位。我更倾向后者因为校正再准也有残余物理上少用边缘总是更稳。2.3 相机与触发别让时间抖动吃掉精度相机选型除了分辨率和帧率还要看快门类型。卷帘快门在拍摄运动物体时会产生形变如果产品在传送带上不停形变会直接变成定位误差全局快门没有这个问题工业定位场景基本应该默认选全局快门。有些高速产线为了压成本用卷帘快门配闪光理论上可行但对闪光时序要求极严我在实际产线上不太敢这么干。触发方式比很多人想的更重要。软触发依赖程序发指令受操作系统调度影响抖动可能有几毫秒到几十毫秒硬触发由传感器直接给相机信号抖动在微秒级。对于节拍紧或者产品在运动中的场景必须用硬触发。更进一步编码器触发能做到按位移等距拍照产品速度变化也不影响采样间隔这在连续料带、卷材类产线上几乎是标配。我用过一个简单的验证方法来判断触发是否可靠让产线空跑半小时记录每次触发到曝光开始的延时画个分布图。如果延时抖动超过 2ms且产线速度在 500mm/s那么位置误差就是 1mm定位精度根本谈不上。这个测试十分钟就能做完但能提前暴露大量问题。3. 标定把一个点从像素拽回真实世界标定是把图像坐标系和机械坐标系连起来的唯一桥梁它错了后面所有算法都白搭。我在现场见过太多项目算法调得天花乱坠最后发现是标定板的点没打准。标定这件事没有捷径只能老老实实做并且用数据验收。3.1 九点标定与仿射变换的完整推导九点标定的本质是求一个二维仿射变换把像素坐标映射到机械坐标。仿射变换包含旋转、缩放、平移最多再加剪切共 6 个未知数理论上 3 个点就能解但实际用 9 个甚至更多点是为了做最小二乘拟合降低单点误差的影响。具体操作流程把标定板或者一个特征明显的标准件固定在机械手能到达的平面上用机械手带着基准点依次走 9 个位置每个位置记录机械坐标同时用相机拍图记录该基准点的像素坐标形成 9 组对应点对。然后用最小二乘求解变换矩阵。代码上大概是这样import numpy as np # pixel_pts: N x 2 像素坐标 # robot_pts: N x 2 机械坐标 def solve_affine(pixel_pts, robot_pts): A [] b [] for (u, v), (x, y) in zip(pixel_pts, robot_pts): A.append([u, v, 1, 0, 0, 0]) b.append(x) A.append([0, 0, 0, u, v, 1]) b.append(y) A np.array(A, dtypenp.float64) b np.array(b, dtypenp.float64) params, *_ np.linalg.lstsq(A, b, rcondNone) M params.reshape(2, 3) return M # [[a, b, c], [d, e, f]]求得矩阵后任意像素点乘以这个矩阵就能得到机械坐标。但要注意一个细节这 9 个点必须覆盖实际使用的视野范围不能全挤在中间。我通常按视野的 3×3 网格布点边角各留 10% 的边距这样拟合出来的变换在整个视野内的残差都比较均匀。验收标准是把所有标定点反算回去最大残差应该小于目标精度的 1/3。如果残差在某个角落明显偏大说明该区域畸变严重或者标定点打偏了必须重做。还有一点经验标定用的基准点特征最好和实际产品要定位的特征在形态上接近。用圆点标定板做的标定去定位一个尖锐的直角边缘两者的亚像素提取偏差是不一样的虽然通常很小但在高精度场景下会体现出来。严谨的做法是用实际产品的标准件做一次验证比对视觉算出的坐标和机械实测坐标的差值。3.2 眼在手上旋转中心标定的实操机械手带着相机移动眼在手上的场景标定会复杂一层。因为相机跟着手走图像坐标到机械坐标的变换里多了一个工具坐标系而且相机相对法兰的安装角度和偏移都是未知的。标准做法是让机械手带着相机去拍同一个固定目标走 3 个以上不同的姿态包含旋转每次记录机械手的位姿和目标的像素坐标然后求解手眼矩阵。实际操作中最容易出问题的是旋转角度太小。如果几个姿态之间的旋转只有几度那么旋转中心的解算会非常敏感一点噪声就会放大成很大的误差。我的经验是旋转姿态至少要覆盖 ±30 度最好能到 ±45 度并且各姿态的平移也要拉开距离不要都在一个小范围内挪。做 5 到 8 组姿态比做 3 组稳得多多出来的时间完全值得。另一个坑是相机的安装刚性。手眼标定假设相机和法兰是刚性连接如果支架有松动、线缆拉扯导致微小位移标定结果当次是准的跑一段时间就漂了。所以支架要做得尽量刚线缆要留应力释放标定完成后在支架和法兰上做标记日常点检时看一眼标记有没有错位。3.3 标定验收的量化标准标定做完不能只看“看起来对”必须有量化验收。我通常做三件事第一残差检查。所有标定点反算统计最大残差和均方根残差设定阈值并记录归档。第二独立验证点。另外取 5 个不参与拟合的位置用视觉算坐标、用机械实测比对差值。这一步能发现过拟合问题。第三重复性测试。让目标静止不动连续拍 30 次统计坐标的标准差。这个数字代表了当前配置下的重复精度是所有后续判断的基准。如果重复性标准差是 0.05mm那你永远做不出 0.05mm 的定位精度只能改善硬件。标定周期也要定下来。我的建议是新设备上线后第一周每天复检一次稳定后改为每月一次遇到撞机、更换镜头、清洁光路后必须重新标定。把这个写进设备维护规程比事后靠人记得靠谱得多。4. 算法链路从图像到坐标算法这块我的基本立场是能用量化、可解释的传统方法解决的就不要上深度学习。产线环境相对固定特征可控传统方法的速度、稳定性、可调试性都有优势。深度学习该用在传统方法搞不定的地方比如外观差异大、纹理变化多、缺陷形态不规则的场景。4.1 传统2D定位形状匹配仍然是产线主力基于边缘梯度的形状匹配在工业定位里用了二十多年依然是主力。它的原理是提取模板图像的边缘梯度信息在待检图像里滑窗搜索相似度最高的位置能同时给出 XY 和旋转角对光照变化有一定的鲁棒性速度也快。开源视觉库里有成熟的实现商业视觉软件里更是标配。用好形状匹配有几个关键参数角度搜索范围要按实际来料的最大偏差设定设太大浪费算力还容易误匹配最小对比度决定哪些边缘参与匹配设太低会把噪声当特征设太高会漏掉弱边缘贪心度或者搜索步长影响速度和精度的平衡粗定位用大步长、精定位用小步长做两级搜索是常见做法匹配分数阈值决定了判定为找到的最低标准这个值要在实际样本上统计分布后确定不能拍脑袋。我在一个模拟项目里遇到过一个典型问题同一个料号的产品不同批次表面处理略有差异导致边缘对比度变化匹配分数从 0.85 掉到 0.6 左右偶尔低于阈值就报找不到。后来做了两件事——把模板从单张改成多张不同批次各取一张做模板组以及把最小对比度调低一档配合分数阈值下调误匹配率通过面积和形状校验来兜住。这套组合拳在实际产线上非常常用比直接换深度学习省事得多。形状匹配的局限也要清楚它对尺度变化敏感如果产品高度波动导致成像尺寸变化匹配会退化对遮挡敏感被挡住一部分特征就容易失败对无纹理的均匀表面基本无效。遇到这些情况要么改打光让特征显出来要么换算法。4.2 深度学习识别的落地边界深度学习在识别任务上的优势很明显类别多、外观差异大、有轻微形变的场景训一个检测网络往往比手写规则快得多。但落地时有几条边界必须认清。样本量。工业场景的难点不是样本少而是缺陷样本少且不平衡。正常品成千上万异常品可能只有几十个。这时候不能指望简单训练得做数据增强、用异常检测思路、或者干脆先用规则做初筛再人工复核。我一般建议每类至少 200 张覆盖不同光照、不同批次的真实样本起步低于这个数量就先把采集做起来别急着训模型。算力与节拍。产线节拍 500ms扣掉通信和机械动作留给算法的时间可能只有 100ms。这意味着模型不能太大推理要么在边缘设备上跑要么用轻量化模型。实际选型时我会先测一遍在目标硬件上单张推理耗时的 P99 是多少。注意是 P99 不是平均值产线不能因为偶尔一张图慢了就卡住。可解释性与调试。深度学习输出的是概率出了问题不好定位。所以工程上必须配套保存可疑样本的原图、记录置信度和阈值、支持按置信度区间回捞图片复查。我在项目里通常会加一个“低置信度存图”策略把 0.5 到阈值之间的样本全部存下来每周复盘一次这些样本往往是模型迭代最有价值的素材。版本管理。模型文件必须有版本号和产品型号、光照配置、相机参数一起记录。上线新模型要走灰度先在一个工位跑对比一段时间的判定结果一致率达标后再全量推开。没有灰度机制就直接替换模型出了问题是查不出来的。4.3 3D位姿与点云配准的实现路径当产品是立体件、需要六自由度抓取或者 2D 无法区分姿态时就得上 3D。常见的成像方式有结构光、线激光扫描、双目、ToF。结构光精度高、速度快适合中小视野的静态或准静态拍摄线激光适合连续扫描配合运动机构可以重建完整表面ToF 视野大但精度一般通常用于粗定位或者避障。拿到点云之后主流做法是模板匹配加精配准两步。粗匹配用特征描述子做全局搜索把模板点云和场景点云大致对齐精配准用迭代最近点算法做局部优化输出最终的 6D 位姿。这里有几个实操要点第一模板质量决定上限。模板点云要从实际产品上采而且要采多次做平均去掉噪声。用 CAD 模型直接生成的模板和实际扫描数据之间往往有系统性偏差配准分数会受影响。第二下采样要适度。点云太密配准慢太稀特征丢失。我一般按目标特征的最小尺寸来定体素大小保证关键特征上还有足够的点。第三要设收敛条件和失败判定。迭代最近点算法不保证收敛到全局最优必须设最大迭代次数和配准误差阈值超过就判定失败走兜底逻辑而不是死等。第四对称件要特别处理。回转体、对称件在点云匹配时会有多个等价解算法可能每次都给出不同的角度。解决办法是在工装上做不对称的定位特征或者在上位机里加角度区间约束——比如已知来料角度不会超过 ±15 度就把搜索范围限死。5. 从单站到产线生产数字化的数据链路单站跑通只是开始接入产线数字化系统才是真正的考验。这一层做不好前面所有的精度和稳定性都体现不出价值因为数据出不去、追溯做不到、问题定位不了。5.1 边缘侧程序骨架与通信边缘侧程序的骨架我习惯分成四层采集层、算法层、决策层、通信层。采集层负责触发、曝光、取图把原始数据交给算法层算法层做识别和定位输出结构化结果决策层根据结果和阈值做判定决定是放行、重试还是报警通信层负责和 PLC、机械手、上位机、MES 打交道。分层的意义在于解耦——换相机不用动算法换算法不用动通信改判定逻辑不用重编译整个程序。和 PLC 的通信方式要看现场条件。离散信号IO最稳一个触发信号、一个结果信号简单可靠但传不了数据现场总线比如 EtherCAT、PROFINET实时性好适合节拍紧的场景以太网协议比如 Modbus TCP、OPC UA通用性强适合传结构化数据但要注意超时和重连。我的原则是控制信号走硬线或总线数据走以太网两者分开互不干扰。和机械手通信通常是发坐标串。格式要提前和对方约定死包括分隔符、小数位数、坐标系编号、成功失败标志。我见过因为小数位数不一致导致抓偏的案例——视觉给了三位小数机械手只解析两位等于每次多偏了不到 1mm 的随机量查了很久才发现。所以通信协议必须写成文档双方各留一份改动要走版本。5.2 结果数据结构、追溯与MES上报一条好的结果记录大概长这样时间戳、工位号、设备号、产品 SN、类别、置信度、X/Y/角度、算法版本、标定版本、图像路径、判定结果、异常码。这些字段缺一个后期排查就会卡住。存储策略要算成本。假设单张图 2MB每个产品存 2 张一天两万件一天就是 80GB一年接近 30TB。这个量级不能全存本地。我的做法是NG 全存OK 抽存比如按 1% 比例或者按小时抽样原图存边缘侧保留 7 天归档图上传到服务器保留 3 个月过期自动清理。同时把结构化结果单独入库这部分数据量小可以长期保留做趋势分析。MES 上报要注意两个坑。一个是节拍上报必须异步不能阻塞主流程队列满了要有降级策略丢弃最老的或者转本地文件绝不能因为上报失败卡住产线。另一个是幂等网络抖动导致重发时MES 端要能按 SN 加时间戳去重否则数据会重复统计。这些细节在联合调试阶段就要和 MES 侧确认清楚不要等上线才发现。数据上传之后真正的价值在于分析某个型号的置信度平均值在缓慢下降可能是光源衰减某个工位的定位标准差在特定班次变大可能是环境温度或者操作差异某类异常码集中出现可能是来料批次问题。这些趋势只有积累了足够的结构化数据才看得出来这也是“生产数字化”从口号变成实际价值的地方。5.3 异常处理、看门狗与灰度上线产线上的程序必须假设“什么都会坏”。相机断连、光源不亮、通信超时、磁盘写满、算法内存泄漏这些都要有对应的处理路径。我的基本原则是任何异常都要有明确的、可预期的输出不能卡住、不能静默失败、不能给出错误的数据。具体做法每层都加超时采集超时就重触发一次再超时就报故障并给出安全信号算法加执行时间监控超过阈值记录并降级到快速算法或者直接报警通信层加心跳心跳断了自动重连并记录日志磁盘加水位告警超过 80% 就清理最老的文件。所有这些状态汇总到一个健康状态页面上值班的人一眼就能看出哪里不对。灰度上线是新功能必须走的流程。我的做法是新版本先在一个非关键工位跑同时把新旧两个版本的判定结果都记录下来做对比一致率达到设定标准比如 99.5%后再逐个工位推开。过程中保留一键回滚的能力回滚不需要重装切个配置就行。这套流程看着繁琐但比起上线后半夜被叫去回退版本成本低太多了。6. 常见问题排查实录这一节是我这些年被问得最多、也是现场最耗时间的部分。很多问题表面看是算法不行实际根子在物理层或者链路层按下面的思路过一遍能省掉大量试错。6.1 定位漂移的五个来源来源一光源衰减或者色温漂移。LED 用久了亮度会下降尤其是大功率长时间点亮的场景。表现是定位结果整体变差、边缘提取不稳。排查方法很简单固定一个标准件每天开机时测一次坐标记录一个月看趋势如果有单调漂移基本就是光衰。处理方式是加亮度补偿或者定期更换。来源二镜头或防护玻璃污染。车间粉尘、油雾、水汽都会附着在镜头上形成局部模糊或者散射。表现为某些区域的匹配分数下降。这个靠人眼点检很难发现建议在视野里放一个固定参考特征实时监控它的清晰度指标下降就报警清洁。来源三标定漂移。撞机、更换镜头、支架松动都会导致标定失效。表现是所有点位整体偏移。对策是定期用验证点复检以及加装物理防撞和位置标记。来源四来料位置波动。治具磨损、来料堆叠、托盘变形都会让产品在视野里的位置超出预期。表现是偶发的找不到目标。对策是扩大搜索范围代价是速度、加机械定位特征、或者改用先粗后精的两级策略。来源五温漂。相机传感器和镜头在温度变化时会有微小的焦距和法兰距变化高精度场景亚微米级会体现出来。表现为开机一段时间内精度逐渐稳定。对策是预热足够时间再标定和运行或者做温度补偿。6.2 排查速查表现象高概率原因优先排查动作所有点位整体偏移标定失效、坐标系切换错误用验证点复算检查坐标系编号个别区域偏差大镜头畸变、视野边缘、来料不平换到中心区域测试检查景深偶发找不到目标搜索范围不足、置信度阈值偏高扩大范围测试统计分数分布角度抖动明显特征对称、旋转中心标定不准增加不对称特征重做旋转标定白天正常夜间异常环境光干扰、温度变化加遮光罩检查温漂趋势开机初期不稳设备未预热、光源未稳定强制预热 20 分钟再运行通信偶发超时网络抖动、上报阻塞主流程改异步加大超时和重试程序运行数天后变慢内存泄漏、图像未释放、日志过大加内存监控日志按天切割这张表是我自己维护的每次遇到新问题就加一行慢慢就成了团队共用的排查手册。比每次从头分析要快得多。6.3 踩过的坑几条不太好写进文档的经验第一条别一上来就调算法。我见过太多人遇到定位不准第一反应是换算法、调参数折腾几天没结果最后发现是相机的硬触发线松了。我的习惯是先验证物理层拍一张静态图连续拍 100 张看同一特征的位置标准差是多少。这个数字就是系统的噪声底如果它已经超过目标精度算法调什么都白搭。第二条把所有参数都写进配置文件。阈值、搜索范围、曝光时间、增益、标定矩阵、通信地址全部外置到配置文件程序启动时读取支持热加载。这个习惯来自一次惨痛经历早期我把参数硬编码在代码里现场需要微调曝光结果改了代码重新编译不小心带进去了另一个未完成的改动导致产线停了四十分钟。从那以后我再也不写死任何参数。第三条日志要能还原现场。光记录“匹配失败”没有意义要记录当时的图像路径、模板编号、匹配分数、搜索范围、耗时。有了这些出问题不用去现场也能分析个七七八八。日志的粒度也要控制全量记录会把硬盘写满我一般按 INFO 记流程、WARN 记异常、DEBUG 记细节并支持按需开启。第四条验收标准要在项目开始前写死。精度做到多少算合格、节拍多快算达标、连续运行多久不出错算稳定这些数字必须在合同或者技术协议里写清楚而且要有可复现的测试方法。我参与过一个模拟项目验收时双方对“精度”的理解不一致——一方指重复精度一方指绝对精度差了将近三倍扯了很久。后来我们的技术协议里加了一页测试规范明确测试条件、样本数量、统计口径再没出过这类问题。第五条留一个“手动模式”。自动流程再完善也总有需要人工介入的时候新产品试产、异常件复检、参数调试。留一个能让工程师手动触发拍照、手动输入坐标、手动下发指令的界面调试效率会高很多。这个功能开发成本很低但现场价值极高。我在实际项目中的体会是识别和定位这类系统最终能不能稳定跑三年取决于你在最初两个月有没有把那些“看起来不重要”的细节做扎实——触发方式、标定验收、参数外置、日志留痕、异常兜底。这些东西不出彩但它们在的时候你感觉不到一旦缺了就是无休止的救火。
原理与实践：从自注意力到图像识别)
