机器视觉光学入门：从成像原理到镜头选型与打光实战

1. 光学在机器视觉里到底扮演什么角色很多人刚入行机器视觉第一反应是学Halcon、学OpenCV、背算子觉得只要算法调得好什么检测都能搞定。我当年也是这么想的直到在一个连接器引脚检测项目上栽了跟头——算法调了三天三夜图像边缘始终是糊的最后换了一颗镜头问题十分钟解决。那一刻我才明白光学不是机器视觉的配套件它是整个系统的第一性原理是图像的源头。机器视觉系统的本质是什么是把物理世界的光信号通过镜头成像到传感器上再交给算法去理解和判断。这条链路里光学负责把真实世界翻译成图像语言如果翻译环节就失真了后面算法再聪明也只是在给错误的信息做补丁。业内有个很形象的说法垃圾进垃圾出。光学决定了你能拿到什么样的原始数据而原始数据的质量上限是算法无法突破的。这篇内容我想把光学在机器视觉中的角色这件事讲透。不是光学教科书那种从麦克斯韦方程开始的讲法而是从一线从业者的角度讲清楚光学为什么重要、核心原理怎么用、不同场景下怎么选型、遇到问题怎么排查以及一个想入行的人应该按什么顺序去学。适合刚接触机器视觉的工程师、从电气或软件转过来的朋友也适合已经做了一段时间但总觉得成像不稳定的老手回头补课。全文会围绕机器视觉和光学这两个关键词展开但不会停留在概念层面每个点都会落到能动手操作的地方。先说结论在一套机器视觉方案里光学承担了四件事——决定分辨率上限、决定对比度基础、决定视野与工作距离的约束、决定系统的稳定性。这四件事里任何一件没做对后面的相机选型、算法设计都是空中楼阁。接下来我逐个拆开讲。1.1 从成像链路看清光学的决定性位置一条标准的机器视觉成像链路是这样的被测物反射光线 → 镜头收集并聚焦 → 传感器光电转换 → 图像信号处理 → 算法分析。你看这个顺序光学镜头是第二个环节但它前面只有一个被测物反射光也就是说进入系统之后第一步就是光学。传感器再高端也只能记录镜头送给它的光。这就带来一个很关键的认知相机的分辨率、帧率、动态范围这些指标是如何记录的问题而镜头决定的是能记录到什么程度。举个例子一个0.1mm的缺陷如果镜头的光学分辨率根本分辨不出这个尺度那就算你用一亿像素的相机也只会把这个缺陷成像成一个模糊的灰块。像素再多也只是把这个灰块画得更细腻而已信息本身已经丢了。我经常用一个类比跟新人解释相机是纸张镜头是笔。你纸张再大再白如果笔尖太粗写出来的字就是糊的。机器视觉里镜头的笔尖粗细就是它的光学分辨率而这个分辨率由镜头的数值孔径、像差校正水平、制造精度共同决定。所以选型时先定光学再定相机最后才是算法这个顺序不能反。1.2 光学不好算法真的救不回来吗这个问题我被问过无数次。答案是能救一部分但代价极高而且很多情况下根本救不回来。算法能做的是在已有图像信息的基础上做增强、滤波、分割、拟合。但如果边缘对比度本身就不存在或者两个特征在光学上已经重叠在一起那算法没有信息可以恢复。举个最常见的例子金属表面的划痕检测。金属反光强如果用普通环形光加普通镜头划痕和背景的对比度可能只有十几个灰度级算法阈值一卡就碎。这时候你上各种预处理、形态学、频域滤波能做但误检率会很高因为对比度太低了噪声和信号是一个量级。反过来如果换一个合适的低角度打光配合高对比度镜头划痕和背景的对比度能拉到一百多个灰度级同样的算法直接就能稳定出结果。所以我的经验是光学解决的是信噪比问题算法解决的是判断逻辑问题。信噪比不够逻辑再完美也没用。那些号称算法通用的方案往往在实验室里跑得很好一到产线就崩根源大多在光学环节没有针对场景做设计。1.3 光学与机器视觉各环节的边界在哪做方案时经常出现光学、相机、算法三拨人互相甩锅的情况。图像不清楚算法的说相机不行相机的说镜头没选对做光学的说打光方案没定。要避免这种扯皮得先清楚各自的职责边界。光学镜头光源负责解析目标特征、建立对比度、控制畸变、匹配视野与工作距离。相机负责采样、量化、传输。算法负责提取、测量、判定。一个特征能不能被检测第一责任在光学一个特征被测得准不准第一责任在标定和算法一个特征测得快不快第一责任在相机和算法效率。把这条边界理清楚排查问题的时候就能顺藤摸瓜。图像边缘糊先看光学分辨率够不够图像整体偏暗先看进光量和曝光图像有拖影先看运动速度和曝光时间测量值有系统性偏差先看畸变和标定。先光学、后相机、再算法这是我这些年总结下来最高效的排查顺序。2. 机器视觉必须掌握的光学核心原理原理这部分我不想写成公式大全而是挑那些真正会在选型和调试中用到的概念讲清楚它怎么算、怎么用、什么情况下会出问题。你会发现机器视觉里用到的光学原理其实就那几个但每一个背后都有坑。2.1 焦距、物距、像距与放大倍率的关系这是最基础也是最重要的一个关系。理想成像下它们满足高斯成像公式1/f 1/u 1/v其中 f 是焦距u 是物距被测物到镜头v 是像距镜头到传感器。放大倍率 β v/u ≈ 传感器尺寸 / 视野。在实际选型中我们更常用的是简化后的视野计算公式视野(FOV) 传感器尺寸 / 放大倍率 放大倍率 β 焦距 f / 物距 u (当物距远大于焦距时)举个实际例子传感器是 1/1.8 英寸靶面约 8.8mm × 6.6mm你想要 100mm 的视野那放大倍率就是 8.8 / 100 0.088。如果物距定在 300mm那需要焦距 f 0.088 × 300 ≈ 26.4mm就近选 25mm 或 35mm 的镜头再调物距。这里有个新手常踩的坑很多人只看焦距不看靶面。同样是 25mm 镜头配 1/3 英寸和 2/3 英寸的传感器视野能差一倍。所以选镜头一定要和相机靶面尺寸一起考虑镜头像圈必须覆盖传感器靶面否则会出现暗角甚至无法成像。提示镜头的像面尺寸参数一定要大于等于传感器的靶面尺寸。比如 2/3 英寸镜头可以配 1/2 英寸相机反之则不行。2.2 像素精度、分辨率与光学分辨率的换算像素精度是机器视觉里被问得最多的概念之一。它的计算公式是像素精度(mm/pixel) 视野(FOV) / 相机像素数比如 100mm 视野用 500 万像素相机2448 × 2048那像素精度大约是 100 / 2448 ≈ 0.041mm/pixel。很多人算到这里就停了觉得精度就是 0.041mm。但这是理论像素精度实际能达到的测量精度还受限于光学分辨率和亚像素算法。这里要引入一个关键概念光学分辨率。它由镜头的极限分辨能力决定通常用每毫米线对lp/mm表示也可以用瑞利判据估算。一个粗略的经验公式是可分辨最小特征 ≈ 0.61 × λ / NA其中 λ 是光波长NA 是数值孔径。对于普通机器视觉镜头实际能可靠分辨的特征尺寸通常是像素精度的 2 到 5 倍。也就是说0.041mm 的像素精度实际上能稳定检测的最小缺陷可能只有 0.1mm 到 0.2mm 左右。想要检测更小的缺陷要么提高放大倍率要么换更高解析力的镜头比如远心镜头。这就解释了一个热搜词里常见的问题——机器视觉动了什么会导致像素精度变化。像素精度变化的根本原因是视野或相机分辨率变了。可能的情况包括工作距离变了导致视野变化、换了不同焦距的镜头、相机做了 ROI 裁剪、或者用了不同的相机模式比如 binning。排查的时候先确认视野有没有变再确认相机的实际采样方式基本就能定位。2.3 景深、工作距离与视场的三角制约景深、工作距离、视场这三个参数构成了光学选型的不可能三角。你很难同时要求大景深、短工作距离、大视场因为它们互相制约。景深的近似公式是景深 DOF ≈ 2 × F × c × (u / f)²其中 F 是光圈数c 是允许弥散圆直径通常取 2 到 3 个像素大小u 是物距f 是焦距。从这个公式能看出光圈越小F 值越大景深越大物距越远景深越大焦距越短景深越大。实际项目中如果被测物有高度差比如连接器插针有 5mm 的深度变化你就需要足够的景深把整个高度范围都拍清楚。这时候有几个选择缩小光圈代价是进光量下降需要更强打光或更长曝光、增大工作距离代价是视野变大可能需要更长焦距、或者用远心镜头代价是贵。我做过一个轴承滚珠的检测滚珠直径差异有 3mm一开始用普通镜头怎么调都有部分虚焦。后来把光圈从 F2.8 收到 F8景深够了但图像变暗好在我们用的是同轴光加脉冲光源把光强拉上去就把问题解决了。光圈、光源、景深这三者要联动调单看一个参数永远调不明白。2.4 光圈、进光量与图像信噪比光圈除了影响景深还直接影响进光量。进光量和 F 值的平方成反比进光量 ∝ 1 / F²从 F2.8 收到 F4进光量少了一半收到 F8进光量只有原来的约八分之一。这就是为什么缩小光圈提高景深之后图像会明显变暗。进光量不足会带来什么图像信噪比下降。相机在弱光下要么提高增益引入噪声要么延长曝光可能引入运动模糊两者都会降低图像质量。所以在机器视觉里光源的作用很大程度上是喂饱镜头。很多项目成像差不是镜头不行是光没给够。一个实用的做法是先按景深需求定光圈再按进光量需求定光源功率和曝光时间。如果三个都满足不了说明方案本身有矛盾需要重新考虑工作距离或放大倍率。比如能否把相机移近一点、换一个视野更小的镜头、或者用更长的工作距离配合长焦镜头往往会豁然开朗。注意不要为了提亮图像盲目把光圈开到最大。大光圈下边缘解析力通常下降像差更明显而且景深极浅。宁可加光也不要轻易开到最大光圈。3. 不同场景下的光学方案怎么设计原理讲完落到实战。机器视觉的应用场景差异很大光学方案也不能一套打天下。我挑几个最常见、也最容易出问题的场景讲讲方案设计的思路。3.1 打光方案与光学的配合逻辑打光不是独立环节它和镜头是一套组合拳。核心思路是用光把你要检测的特征打亮把不要的特征压暗从而在光学层面建立对比度。常见的打光方式有这么几类环形光通用适合表面检测、同轴光适合反光表面、镜面检测、背光适合轮廓测量、尺寸检测、低角度光适合划痕、纹理、凹凸检测、条形光适合大平面、有方向性的特征。每种打光出来之后要配什么镜头、什么角度都得一起考虑。举一个实际例子检测手机玻璃盖板的划痕。玻璃表面反光强用普通环形光划痕和背景对比度极低。我们的做法是用低角度条形光让光从侧面掠射划痕处光线散射在图像上形成亮线背景则保持暗。这时候镜头要用大景深、低畸变的因为玻璃面积大边缘不能变形。这一套下来对比度能拉到 100 灰度级以上。3.2 镜头选型的关键参数速查镜头选型看哪些参数我做了一张速查表基本覆盖了 90% 的选型场景参数含义选型要点焦距决定视野和放大倍率先按视野和工作距离估算再微调像面尺寸镜头能覆盖的最大靶面必须 ≥ 相机靶面否则暗角光圈范围可调的进光量范围看景深需求F 值范围要够用接口C/CS/M12/M42 等必须和相机接口一致注意法兰距分辨率光学解析力单位 lp/mm要匹配相机像素密度畸变图像变形程度测量类应用要求低畸变工作距离镜头到物体的距离受机械结构限制要提前确认景深清晰成像的深度范围有高度差的场景要重点看选型的时候我的习惯是先算三个数视野、工作距离、像素精度然后再去套镜头参数。这三个数定了可选镜头范围就很窄了剩下的就是在畸变、景深、价格之间做取舍。3.3 3D 视觉与特殊光学方案入门现在 3D 视觉越来越热很多人想入门但不知道从哪下手。3D 视觉的光学方案和 2D 有很大不同常见的有这么几类结构光投射编码光斑或条纹通过图案变形计算深度。对光源和镜头的配合要求高标定比较复杂。双目立体视觉两个相机成像通过视差计算深度。光学的核心是双目标定和极线校正。激光三角测量激光线扫过物体通过成像位置计算高度。适合轮廓扫描对镜头畸变很敏感。飞行时间ToF直接测量光飞行时间。适合大场景精度相对低。入门 3D 视觉我建议先从激光三角测量或双目入手这两个原理直观硬件成本也不高买两个工业相机加一个激光器就能搭起来玩。结构光和 ToF 的模组相对封闭更适合直接买成品做应用开发。光学方面3D 视觉尤其要注意标定镜头畸变、相机内参、外参都得标标不好后面的深度计算全是错的。3.4 远心镜头高精度测量的必备武器普通镜头有个天生的缺陷透视畸变。同一个物体离镜头远近不同成像大小会变。对于测量类应用这是致命的。远心镜头就是解决这个问题的它通过特殊的光路设计让主光线平行于光轴从而实现放大倍率不随物距变化。远心镜头分物方远心和像方远心。机器视觉里常用物方远心特点是视野内的放大倍率恒定测量精度高但视野通常比较小工作距离也有限价格是普通镜头的几倍到几十倍。什么场景必须用远心我的判断标准是测量精度要求接近或超过像素精度且被测物有高度差。比如精密零件的尺寸测量、连接器引脚间距测量、玻璃厚度测量这些用普通镜头很容易受高度差影响远心镜头就稳得多。4. 光学设计工具与学习路径规划前面讲的都是应用层面的东西如果你想把光学做得更深或者说想从选镜头往设计镜头走那就要接触光学设计工具和学习体系了。这部分我结合自己踩过的路给一条相对务实的路线。4.1 从应用光学到光学设计的过渡大部分机器视觉从业者停在应用光学层面——会算视野、会选镜头、会调焦、会配光这就够应付大多数项目了。但如果项目涉及特殊镜头定制、极端参数要求或者你想转去做光学设计就需要学设计光学。应用光学和设计光学的区别在哪应用光学是选现成的设计光学是造新的。设计光学需要掌握像差理论球差、彗差、像散、场曲、畸变、色差、光学材料、光路计算、公差分析等。这一步的门槛明显更高数学和物理基础要扎实。我的建议是先把应用光学吃透做出几个稳定的项目再考虑往设计转。应用光学是设计光学的基础你连实际成像是什么样都没见过直接学设计容易变成纸上谈兵。4.2 光学设计工具怎么选、怎么入门说到光学设计工具行业里最常被提到的就是 Zemax现在叫 Ansys Zemax和 Code V此外还有 LightTools、TracePro 等照明和杂散光分析工具。Zemax 在机器视觉和成像领域用得最多网上能搜到不少Zemax 光学设计案例是入门的好材料。入门 Zemax 的大致路径是这样的先熟悉界面和基本操作学会建立简单单透镜然后学优化函数和评价函数能对一个镜头做自动优化再学公差分析和热分析最后才是完整的镜头设计。整个过程至少需要几个月到一年的持续投入急不来。如果只是想理解镜头为什么这么设计其实不必精通 Zemax但要能看懂调制传递函数MTF曲线、点列图、场曲畸变图这几张关键图。这几个图是镜头性能的体检报告看懂它们选镜头的时候就能少踩很多坑。4.3 机器视觉的完整学习路线搜索机器视觉学习路线的人很多我按自己的经验给一条相对完整的路线分四个阶段第一阶段基础认知1-2 个月了解机器视觉系统的组成掌握成像原理、光源类型、相机参数、镜头参数能独立搭一套简单的成像系统。这一阶段的核心是动手买个二手工业相机和镜头自己搭起来拍。第二阶段算法与工具3-6 个月学一门视觉算法库Halcon 或 OpenCV 二选一。Halcon 在工业界用得多算子封装好OpenCV 开源免费资料多。学的时候不要只背算子要理解每个算子背后的图像处理原理。这个阶段可以配合《机器视觉算法与应用》这类书一起看网上能搜到电子版但建议看正版。第三阶段项目实战6-12 个月找真实项目做定位、测量、检测、识别四大类各做几个。这一阶段最重要的不是算法多花哨而是方案设计能力——怎么选光、怎么选镜头、怎么定相机、怎么设计算法流程。做多了你会发现项目成败的 70% 在方案设计30% 在算法实现。第四阶段专项深入1 年以上选一个方向深耕比如 3D 视觉、深度学习视觉、光学设计、高速视觉等。这时候要开始读论文、看源码、做技术积累形成自己的方法论。4.4 面试里常考的光学问题搜机器视觉面试的人多半是想知道自己该准备什么。光学相关的面试题高频的有这么几类给你一个视野和精度要求让你算需要多少像素的相机和什么焦距的镜头解释景深和光圈的关系以及为什么缩小光圈能增加景深什么是远心镜头什么场景用图像边缘模糊可能有哪些原因怎么排查畸变是怎么产生的怎么校正背光、同轴光、环形光分别适合什么场景。这些问题的答案其实前面几节都覆盖了。面试时不要只背结论要能讲出推导过程和实际例子这才是加分项。比如问景深你能从公式讲到实际项目里怎么调面试官马上就知道你是真做过。5. 常见问题排查与实操避坑实录最后这部分是我这些年攒下来的问题排查经验很多是文档里不会写、但实际项目中一定会遇到的。整理成速查表遇到问题直接对号入座。5.1 图像质量问题的排查思路图像出问题先别急着调算法按下面的顺序查现象可能原因排查方法整体偏暗进光量不足、光圈太小、曝光太短加大光源、开大光圈、延长曝光边缘模糊景深不够、镜头解析力不足、对焦不准缩光圈、换镜头、重新对焦图像有暗角镜头像圈小于传感器靶面换匹配的镜头有拖影曝光时间大于运动模糊容限缩短曝光、用频闪光源对比度低打光方式不对、光源角度不合适调整打光角度和类型有鬼影/眩光镜片镀膜差、杂散光加遮光罩、换好镜头这张表基本能覆盖日常 80% 的问题。我用它的方式是先定位现象再对原因然后按排查方法逐个试通常两三步就能找到根因。5.2 像素精度为什么会变回到热搜里那个问题——机器视觉动了什么会导致像素精度变化。拆开看像素精度 视野 / 像素数所以只有两个变量视野和像素数。视野变了可能是工作距离变了、镜头焦距换了、被测物位置变了。像素数变了可能是相机换了、做了 ROI、开了 binning、或者相机模式变了。还有一个容易被忽略的点畸变。在视野边缘镜头的实际放大倍率和中心不一样所以严格来说同一张图不同位置的像素精度是不同的。高精度测量必须做畸变校正否则边缘的测量值会有系统性误差。5.3 相对照度等光学测试指标的实战意义搜hr测试光学relative illumination的人多半是在做镜头或模组的测试。相对照度Relative IlluminationRI指的是图像边缘照度和中心照度的比值它反映了镜头的暗角程度。RI 太低边缘图像暗信噪比差检测能力下降。理解 RI 的实际意义在于如果你的检测区域覆盖整个视野那边缘的成像质量必须和中心一样可靠。所以选镜头时不能只看中心的 MTF还要看边缘的 RI 和 MTF。工业上一般要求 RI 在 0.6 以上高端镜头能做到 0.8 以上。类似的光学测试指标还有MTF解析力、畸变、色差、场曲。这些指标在镜头的规格书里都有但很多人选型时只看焦距和靶面把这些忽略了。我的建议是关键项目一定要看规格书里的光学指标必要时让供应商提供实测数据。5.4 我踩过的几个典型坑说几个我自己踩过的坑都是真金白银换来的教训。第一个坑镜头和相机接口不匹配。C 口和 CS 口差 5mm 法兰距看起来差不多装上去却对不上焦。买之前一定确认接口。另外 M12 和 M42 的螺纹也不一样别买错。第二个坑忽略工作距离。选镜头时只算了焦距没算机械结构能不能放到那个工作距离。结果镜头买回来设备装不下只能重买。所以选型前一定要把机械空间确认清楚。第三个坑打光角度想当然。以为环形光万能结果在金属件上反光一片什么都看不见。打光一定要打样测试不能纸上谈兵。有条件的话买一套可调角度的光源现场试出最佳角度。第四个坑过度追求高像素。觉得像素越高越好结果买了高像素相机配了个普通镜头光学分辨率根本喂不饱高像素全浪费了。相机像素要和镜头解析力匹配这是基本原则。第五个坑标定不规范。测量类项目标定用的是劣质标定板或者标定的时候光照不均匀结果标定误差比测量误差还大。标定板要买高精度的标定过程要控制光照和温度。5.5 给新人的几条实在建议如果你刚入行我给几条最实在的建议。第一先动手再深入买一套便宜设备自己搭把成像链路跑通比看十本书都管用。第二养成记录习惯每次项目把光学参数、打光方式、遇到的坑记下来两三年后这就是你自己的知识库。第三不要迷信算法遇到问题先查光学再查相机最后才是算法。第四多和供应商聊镜头、光源、相机的供应商手里有大量实测数据和案例比你自己摸索快得多。第五保持对光的好奇光学的很多东西是在一次次实拍中慢慢建立直觉的。光学这门东西入门不难难的是把它和实际场景结合起来。我见过太多人卡在原理都懂一到项目就懵的状态。破解的办法只有一个多拍、多试、多踩坑。等你处理过几十个不同场景的成像问题之后看到物体就知道大概该用什么光、什么镜头那才算真正入门了。