海康相机，视觉成像

进入机器视觉行业后我开始接触工业相机、镜头和光源也第一次使用海康工业相机进行图像采集。在学校做深度学习实验时我们通常直接使用已经准备好的数据集很少关注这些图像是怎样采集出来的。但进入实际项目后我逐渐发现机器视觉的第一步并不是选择算法而是先把图像拍清楚。相机、镜头和光源共同决定了图像质量也会直接影响后续算法的稳定性。刚开始使用海康工业相机时我主要学习了相机连接、设备枚举、图像采集以及曝光时间、增益、帧率和触发模式等参数的设置。后来才逐渐理解这些参数之间并不是相互独立的。例如曝光时间过短图像可能偏暗曝光时间过长在工件运动时又容易产生拖影。适当提高增益可以提升图像亮度但也可能放大图像噪声。对于产线检测还需要根据实际节拍选择连续采集、软触发或硬触发方式并考虑图像采集的稳定性和触发时序。除了相机参数镜头的选择同样重要。一开始我对镜头的理解只是“能够把物体拍清楚”。随着学习逐渐深入我开始接触焦距、工作距离、视野、景深和畸变等概念。不同焦距的镜头会影响视野范围和目标在图像中的大小工作距离决定了相机与被测物之间的安装位置而景深则会影响不同高度区域是否能够同时保持清晰。对于尺寸测量项目镜头畸变会直接影响测量精度因此不仅要考虑图像是否清晰还需要关注边缘位置是否准确。对于精度要求较高的场景还需要进行相机标定或者根据项目需求使用远心镜头以减少透视变化和畸变带来的影响。光源则决定了目标特征能否被稳定地表现出来。刚开始时我以为只要把工件照亮就可以进行检测。后来才发现不同的检测任务需要选择不同的光源和打光方式。例如背光能够突出工件轮廓比较适合尺寸测量环形光可以较均匀地照亮目标表面低角度光更容易突出划痕、凹凸等表面缺陷同轴光则更适合观察平整、反光的表面。在实际调试过程中相机、镜头和光源往往需要配合调整。相机负责采集图像镜头决定视野、清晰度和成像比例光源负责增强目标与背景之间的差异。只有三者匹配合理才能获得对算法真正有用的图像。这一阶段让我逐渐明白工业机器视觉并不是“图像不好就交给算法处理”。很多检测问题与其后期不断增加算法复杂度不如先从相机参数、镜头选型和光源方案入手把目标特征稳定地拍摄出来。好的成像方案可以让算法变得更加简单、稳定而不合适的相机、镜头和光源即使使用再复杂的算法也很难获得理想的检测效果。