尧图网站建设 
简介本资源面向计算机视觉与工业自动化方向的开发者及算法学习者聚焦富士康金属件的自动化尺寸测量问题。项目尝试用OpenCV模板匹配与深度学习两条路线先定位目标位置再统计像素面积并结合比例尺换算实际尺寸同时涉及角度测量等难点适合具备一定Python与图像处理基础、希望了解工业视觉落地思路的读者参考。压缩包共88个文件约47.56MB包含20个py源码脚本、44张png与9张jpg图像样本、2段mov与2段mp4过程录屏以及json配置、md说明、ipynb实验笔记和Dockerfile等覆盖数据、训练、推理与部署环节。资源记录了0/4/7号位置识别测量的阶段性成果并保留了多种匹配算法与模型尝试的对比过程可帮助读者理解小尺寸目标特征提取困难、镜头放大倍数受限等实际工程约束为类似AOI尺寸测量项目提供可复用的代码框架与排错思路。目前已有147人学习。1. 金属件尺寸测量为什么总在产线翻车从卡尺到计算机视觉的那一步在富士康这类 3C 金属结构件产线上一个手机中框、一个笔记本外壳的尺寸公差常常卡在 ±0.02mm 到 ±0.05mm 之间。传统做法是抽检工位用卡尺、二次元影像仪人工测量问题是抽检覆盖率低、节拍慢、人眼疲劳后数据漂移等到整批出货才发现某个孔位偏了返工成本直接按万计。基于计算机视觉的自动化尺寸测量本质是用工业相机拍下金属件通过标定把像素换算成毫米再用边缘检测、亚像素拟合把轮廓提出来最后算出长度、孔径、间距这些几何量。它解决的是全检覆盖率和高节拍下的稳定性问题适合做 3C 金属件、冲压件、CNC 加工件的产线工程师和视觉算法入门者。这套 python 源码加项目说明加数据的组合价值就在于把「相机怎么标、边缘怎么提、尺寸怎么算」这条链路完整跑通而不是停在调个 cv2.Canny 看效果的层面。2. 从像素到毫米标定与成像链路怎么搭才不飘2.1 为什么标定是尺寸测量的命门尺寸测量的第一性原理很简单真实尺寸 像素距离 × 单像素物理当量。这个当量从哪来靠标定。很多人一上来就写边缘检测结果测出来的数跟卡尺差 0.1mm回头查半天发现是标定板没放平、镜头畸变没校正。金属件测量对精度敏感标定环节翻车后面算法再花哨都是白搭。常见做法分两种。一种是使用标准标定板棋盘格或圆点阵列用张正友标定法求内参和畸变系数再通过外参把图像平面映射到物平面。另一种是产线常用的「比例标定」放一个已知尺寸的标准件直接算像素当量。前者精度高、可复现后者快但受限于物距一致性。我一般建议金属件测量用棋盘格标定因为金属件往往有高度差纯比例标定在景深边缘会引入透视误差。标定的核心参数有三个必须盯住棋盘格方格物理尺寸比如 5mm、标定图像数量建议 15 到 20 张覆盖画面四角和中心、重投影误差一般要求小于 0.3 像素超过 0.5 就要重拍。重投影误差是标定质量的直接指标别跳过。import cv2 import numpy as np import glob # 棋盘格内角点数量比如 9x6 表示每行9个内角、每列6个内角 CHECKERBOARD (9, 6) # 每个方格的物理尺寸单位 mm SQUARE_SIZE 5.0 criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) objpoints [] # 三维世界坐标 imgpoints [] # 二维图像坐标 # 构造世界坐标系下的棋盘格角点Z0 objp np.zeros((CHECKERBOARD[0] * CHECKERBOARD[1], 3), np.float32) objp[:, :2] np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2) objp * SQUARE_SIZE images glob.glob(calib_images/*.jpg) for fname in images: img cv2.imread(fname) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners cv2.findChessboardCorners(gray, CHECKERBOARD, None) if ret: corners2 cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) objpoints.append(objp) imgpoints.append(corners2) # 标定返回内参矩阵、畸变系数、旋转和平移向量 ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None) # 计算重投影误差判断标定质量 total_err 0 for i in range(len(objpoints)): imgpoints2, _ cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist) err cv2.norm(imgpoints[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2) total_err err print(f平均重投影误差: {total_err / len(objpoints):.4f} 像素)这段代码的逻辑是先定义棋盘格规格遍历标定图找角点并做亚像素优化再调 calibrateCamera 求内参和畸变最后用 projectPoints 反投影算误差。参数上cornerSubPix 的 (11,11) 是搜索窗口窗口太小角点定位不稳太大容易吸到邻近角点SQUARE_SIZE 必须和实际打印的棋盘格一致差 0.1mm 都会让当量算错。跑完先看重投影误差超过 0.5 像素就补拍标定图别硬着头皮往下走。2.2 成像链路光源、镜头、相机怎么配标定解决的是「像素对应多少毫米」成像链路解决的是「边缘能不能被稳定提出来」。金属件表面反光强用普通环形光很容易在边缘处过曝导致边缘糊掉。常见做法是用低角度条形光或同轴光让金属表面反光均匀、边缘对比度拉高。镜头选远心镜头能消除透视误差但成本高普通工业镜头配合垂直安装也能用前提是物距固定、工件高度一致。相机分辨率怎么算假设测量精度要求 0.02mm视野 50mm那至少需要 50/0.02 2500 像素覆盖视野考虑边缘亚像素能到 0.1 像素实际选 500 万像素2592×1944够用。别盲目上高分辨率像素越高单像素进光量越小曝光时间拉长反而影响节拍。提示金属件测量里光源稳定性比相机分辨率更影响重复精度。同一工件连拍 30 张看边缘位置标准差超过 0.5 像素就说明光源或夹持有问题。3. 边缘提取与亚像素拟合尺寸算得准不准全在这3.1 卡尺工具的思路沿测量方向做一维灰度投影工业视觉里测尺寸最稳的不是全图 Canny而是「卡尺工具」——在测量方向画一条搜索带把带内像素沿垂直方向做灰度投影找灰度梯度极值点作为边缘。这样做的好处是抗噪、抗局部干扰而且天然支持亚像素。具体步骤在图像上定义一条从 A 到 B 的测量线沿这条线取一个矩形 ROI把 ROI 内每一列或行的灰度求平均得到一维灰度剖面。然后对这个剖面求一阶导数导数绝对值最大的位置就是边缘。为了亚像素精度在极值点附近做抛物线拟合取拟合曲线的顶点作为亚像素边缘位置。import cv2 import numpy as np def measure_edge_subpixel(gray, p1, p2, band_width20): 沿 p1-p2 方向测量边缘返回亚像素边缘位置沿测量线的距离 p1, p2: 测量线端点 (x, y) band_width: 搜索带宽度像素 # 构造旋转矩形 ROI length int(np.hypot(p2[0]-p1[0], p2[1]-p1[1])) angle np.degrees(np.arctan2(p2[1]-p1[1], p2[0]-p1[0])) center ((p1[0]p2[0])//2, (p1[1]p2[1])//2) roi cv2.getRectSubPix(gray, (length, band_width), center, angle) # 沿测量方向做灰度投影得到一维剖面 profile roi.mean(axis0).astype(np.float32) # 一阶导数找边缘 grad np.gradient(profile) idx np.argmax(np.abs(grad)) # 抛物线亚像素拟合 if 0 idx len(grad) - 1: y0, y1, y2 grad[idx-1], grad[idx], grad[idx1] denom (y0 - 2*y1 y2) offset 0.5 * (y0 - y2) / denom if denom ! 0 else 0 subpixel_pos idx offset else: subpixel_pos float(idx) return subpixel_pos # 使用示例测量一个金属件的宽度 gray cv2.imread(metal_part.jpg, cv2.IMREAD_GRAYSCALE) edge_left measure_edge_subpixel(gray, (100, 500), (100, 520)) edge_right measure_edge_subpixel(gray, (400, 500), (400, 520)) width_px edge_right - edge_left # 假设标定得到单像素当量 0.015 mm/px width_mm width_px * 0.015 print(f宽度: {width_mm:.3f} mm)逻辑说明getRectSubPix 把倾斜的测量带旋转成水平 ROImean(axis0) 做投影降噪np.gradient 求导找梯度极值抛物线拟合把边缘定位到亚像素。参数上band_width 太窄抗噪差太宽会把邻近边缘吸进来一般取 15 到 30 像素测量线方向要和边缘垂直偏了会引入余弦误差。这段代码是整套尺寸测量的核心孔径、间距、长度都靠它。3.2 圆孔和圆弧怎么测拟合而不是找点金属件上的圆孔、圆角不能靠单条测量线得先提取边缘点再拟合圆。常见做法是在圆孔周围取一个环形 ROI沿径向做灰度投影找边缘点然后用最小二乘法拟合圆得到圆心和半径。这里有个坑如果孔壁有毛刺或反光不均边缘点会有离群值直接拟合会被带偏。我一般用 RANSAC 先剔离群点再最小二乘精拟合。from sklearn.linear_model import RANSACRegressor import numpy as np def fit_circle_ransac(points): points: Nx2 边缘点坐标 返回圆心 (cx, cy) 和半径 r # 圆方程展开: x^2 y^2 2*cx*x 2*cy*y (r^2 - cx^2 - cy^2) # 令 A 2*cx, B 2*cy, C r^2 - cx^2 - cy^2 X points y (X[:, 0]**2 X[:, 1]**2) # 用 RANSAC 拟合线性模型 ransac RANSACRegressor(residual_threshold1.0, max_trials200) ransac.fit(X, y) A, B ransac.estimator_.coef_ C ransac.estimator_.intercept_ cx A / 2 cy B / 2 r np.sqrt(C cx**2 cy**2) return cx, cy, r逻辑说明把圆方程线性化后用 RANSAC 拟合residual_threshold 控制离群点判定阈值单位是像素平方一般取 1.0 到 2.0。max_trials 是随机采样次数点少可以降到 100。拟合完拿圆心和半径孔径就是 2r 乘当量。注意边缘点要覆盖至少 180 度圆弧否则拟合不稳定。3.3 尺寸计算与公差判定拿到边缘位置或拟合结果后尺寸计算就是几何运算两点距离、圆心距、点到线距离。关键是统一坐标系——所有测量结果都要乘标定当量且要考虑镜头畸变校正。如果标定时求了畸变系数测量前先用 undistort 把图校正一遍否则画面边缘的尺寸会偏。公差判定就是拿测量值和图纸公差比。产线上一般会设上下限超限就报警。这里建议加一个「重复性检查」同一工件连测 5 次看标准差标准差超过公差 1/10 就说明测量系统能力不足得回头查光源或夹持。参数典型值说明单像素当量0.01~0.05 mm/px由标定得出视野越小当量越小亚像素精度0.1~0.3 px取决于边缘对比度和拟合方法重复性标准差 公差/10测量系统能力指标重投影误差 0.3 px标定质量指标4. 避坑与排查金属件测量最常见的 5 个翻车现场4.1 边缘位置随曝光时间漂移现象同一工件曝光时间从 5ms 调到 10ms测出来的宽度差了 0.03mm。原因金属边缘在过曝时灰度饱和梯度极值位置往亮区偏移。解决固定曝光时间用光源亮度调对比度别用曝光调亮度或者用灰度阈值法替代梯度法但阈值法对反光更敏感慎用。4.2 标定当量算错导致系统性偏差现象所有尺寸都偏大或偏小同一个比例。原因棋盘格打印尺寸和代码里 SQUARE_SIZE 不一致或者标定图有运动模糊。解决用卡尺量一下打印出来的棋盘格实际方格尺寸改代码标定时工件静止别手持拍。4.3 圆孔拟合被毛刺带偏现象孔径测量值跳动大重复性差。原因孔壁毛刺或反光点在边缘提取时被当成边缘点。解决用 RANSAC 剔离群点或者缩小环形 ROI 的径向搜索范围只取孔壁中段。4.4 工件放置角度引入余弦误差现象工件稍微转个角度测量值就变了。原因测量线没有和边缘垂直实际测的是斜距。解决先用粗定位找工件姿态把测量线旋转到和边缘垂直或者用最小外接矩形自动定方向。4.5 镜头畸变在画面边缘放大误差现象画面中心的工件测得准边缘的偏。原因镜头畸变没校正边缘像素当量不等于中心当量。解决标定时求畸变系数测量前 undistort或者把工件始终放在画面中心区域测。注意这 5 条里曝光和标定问题占翻车案例的七成以上。先把这两个稳住再调算法。5. 把测量节拍压到 200ms 以内几个我常用的提速技巧整套链路跑通后节拍往往是下一个瓶颈。我实测下来标定和畸变校正可以离线做一次存成参数文件在线只做 undistort 的映射查表能省一半时间。边缘提取阶段别全图跑先用模板匹配或轮廓粗定位把 ROI 缩到工件附近搜索带数量按测量项走一个工件测 10 个尺寸就开 10 条带别多开。亚像素拟合用 numpy 向量化替代循环一批测量线一起算梯度速度能提 3 到 5 倍。如果还嫌慢把灰度投影和求导写成 C 扩展或者用 numba 加速但大多数产线 200ms 节拍用纯 python 加 numpy 够用。圆拟合的 RANSAC 是耗时大户max_trials 别设太大100 到 200 足够点多了反而慢。验证提速有没有牺牲精度我的习惯是拿同一个标准件在提速前后各测 50 次比均值和标准差。均值差超过 0.005mm 或者标准差变大就说明某一步被优化坏了得回退。这套源码和项目说明的价值不在于算法多新而在于把标定、边缘、拟合、判定这条链路用可复现的代码串起来了你拿到手改改参数就能对上自己的工件。希望帮到你。本文还有配套的精品资源点击获取 基于计算机视觉的金属件尺寸测量：从标定到亚像素拟合的Python实战
简介本资源面向计算机视觉与工业自动化方向的开发者及算法学习者聚焦富士康金属件的自动化尺寸测量问题。项目尝试用OpenCV模板匹配与深度学习两条路线先定位目标位置再统计像素面积并结合比例尺换算实际尺寸同时涉及角度测量等难点适合具备一定Python与图像处理基础、希望了解工业视觉落地思路的读者参考。压缩包共88个文件约47.56MB包含20个py源码脚本、44张png与9张jpg图像样本、2段mov与2段mp4过程录屏以及json配置、md说明、ipynb实验笔记和Dockerfile等覆盖数据、训练、推理与部署环节。资源记录了0/4/7号位置识别测量的阶段性成果并保留了多种匹配算法与模型尝试的对比过程可帮助读者理解小尺寸目标特征提取困难、镜头放大倍数受限等实际工程约束为类似AOI尺寸测量项目提供可复用的代码框架与排错思路。目前已有147人学习。1. 金属件尺寸测量为什么总在产线翻车从卡尺到计算机视觉的那一步在富士康这类 3C 金属结构件产线上一个手机中框、一个笔记本外壳的尺寸公差常常卡在 ±0.02mm 到 ±0.05mm 之间。传统做法是抽检工位用卡尺、二次元影像仪人工测量问题是抽检覆盖率低、节拍慢、人眼疲劳后数据漂移等到整批出货才发现某个孔位偏了返工成本直接按万计。基于计算机视觉的自动化尺寸测量本质是用工业相机拍下金属件通过标定把像素换算成毫米再用边缘检测、亚像素拟合把轮廓提出来最后算出长度、孔径、间距这些几何量。它解决的是全检覆盖率和高节拍下的稳定性问题适合做 3C 金属件、冲压件、CNC 加工件的产线工程师和视觉算法入门者。这套 python 源码加项目说明加数据的组合价值就在于把「相机怎么标、边缘怎么提、尺寸怎么算」这条链路完整跑通而不是停在调个 cv2.Canny 看效果的层面。2. 从像素到毫米标定与成像链路怎么搭才不飘2.1 为什么标定是尺寸测量的命门尺寸测量的第一性原理很简单真实尺寸 像素距离 × 单像素物理当量。这个当量从哪来靠标定。很多人一上来就写边缘检测结果测出来的数跟卡尺差 0.1mm回头查半天发现是标定板没放平、镜头畸变没校正。金属件测量对精度敏感标定环节翻车后面算法再花哨都是白搭。常见做法分两种。一种是使用标准标定板棋盘格或圆点阵列用张正友标定法求内参和畸变系数再通过外参把图像平面映射到物平面。另一种是产线常用的「比例标定」放一个已知尺寸的标准件直接算像素当量。前者精度高、可复现后者快但受限于物距一致性。我一般建议金属件测量用棋盘格标定因为金属件往往有高度差纯比例标定在景深边缘会引入透视误差。标定的核心参数有三个必须盯住棋盘格方格物理尺寸比如 5mm、标定图像数量建议 15 到 20 张覆盖画面四角和中心、重投影误差一般要求小于 0.3 像素超过 0.5 就要重拍。重投影误差是标定质量的直接指标别跳过。import cv2 import numpy as np import glob # 棋盘格内角点数量比如 9x6 表示每行9个内角、每列6个内角 CHECKERBOARD (9, 6) # 每个方格的物理尺寸单位 mm SQUARE_SIZE 5.0 criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) objpoints [] # 三维世界坐标 imgpoints [] # 二维图像坐标 # 构造世界坐标系下的棋盘格角点Z0 objp np.zeros((CHECKERBOARD[0] * CHECKERBOARD[1], 3), np.float32) objp[:, :2] np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2) objp * SQUARE_SIZE images glob.glob(calib_images/*.jpg) for fname in images: img cv2.imread(fname) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners cv2.findChessboardCorners(gray, CHECKERBOARD, None) if ret: corners2 cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) objpoints.append(objp) imgpoints.append(corners2) # 标定返回内参矩阵、畸变系数、旋转和平移向量 ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None) # 计算重投影误差判断标定质量 total_err 0 for i in range(len(objpoints)): imgpoints2, _ cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist) err cv2.norm(imgpoints[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2) total_err err print(f平均重投影误差: {total_err / len(objpoints):.4f} 像素)这段代码的逻辑是先定义棋盘格规格遍历标定图找角点并做亚像素优化再调 calibrateCamera 求内参和畸变最后用 projectPoints 反投影算误差。参数上cornerSubPix 的 (11,11) 是搜索窗口窗口太小角点定位不稳太大容易吸到邻近角点SQUARE_SIZE 必须和实际打印的棋盘格一致差 0.1mm 都会让当量算错。跑完先看重投影误差超过 0.5 像素就补拍标定图别硬着头皮往下走。2.2 成像链路光源、镜头、相机怎么配标定解决的是「像素对应多少毫米」成像链路解决的是「边缘能不能被稳定提出来」。金属件表面反光强用普通环形光很容易在边缘处过曝导致边缘糊掉。常见做法是用低角度条形光或同轴光让金属表面反光均匀、边缘对比度拉高。镜头选远心镜头能消除透视误差但成本高普通工业镜头配合垂直安装也能用前提是物距固定、工件高度一致。相机分辨率怎么算假设测量精度要求 0.02mm视野 50mm那至少需要 50/0.02 2500 像素覆盖视野考虑边缘亚像素能到 0.1 像素实际选 500 万像素2592×1944够用。别盲目上高分辨率像素越高单像素进光量越小曝光时间拉长反而影响节拍。提示金属件测量里光源稳定性比相机分辨率更影响重复精度。同一工件连拍 30 张看边缘位置标准差超过 0.5 像素就说明光源或夹持有问题。3. 边缘提取与亚像素拟合尺寸算得准不准全在这3.1 卡尺工具的思路沿测量方向做一维灰度投影工业视觉里测尺寸最稳的不是全图 Canny而是「卡尺工具」——在测量方向画一条搜索带把带内像素沿垂直方向做灰度投影找灰度梯度极值点作为边缘。这样做的好处是抗噪、抗局部干扰而且天然支持亚像素。具体步骤在图像上定义一条从 A 到 B 的测量线沿这条线取一个矩形 ROI把 ROI 内每一列或行的灰度求平均得到一维灰度剖面。然后对这个剖面求一阶导数导数绝对值最大的位置就是边缘。为了亚像素精度在极值点附近做抛物线拟合取拟合曲线的顶点作为亚像素边缘位置。import cv2 import numpy as np def measure_edge_subpixel(gray, p1, p2, band_width20): 沿 p1-p2 方向测量边缘返回亚像素边缘位置沿测量线的距离 p1, p2: 测量线端点 (x, y) band_width: 搜索带宽度像素 # 构造旋转矩形 ROI length int(np.hypot(p2[0]-p1[0], p2[1]-p1[1])) angle np.degrees(np.arctan2(p2[1]-p1[1], p2[0]-p1[0])) center ((p1[0]p2[0])//2, (p1[1]p2[1])//2) roi cv2.getRectSubPix(gray, (length, band_width), center, angle) # 沿测量方向做灰度投影得到一维剖面 profile roi.mean(axis0).astype(np.float32) # 一阶导数找边缘 grad np.gradient(profile) idx np.argmax(np.abs(grad)) # 抛物线亚像素拟合 if 0 idx len(grad) - 1: y0, y1, y2 grad[idx-1], grad[idx], grad[idx1] denom (y0 - 2*y1 y2) offset 0.5 * (y0 - y2) / denom if denom ! 0 else 0 subpixel_pos idx offset else: subpixel_pos float(idx) return subpixel_pos # 使用示例测量一个金属件的宽度 gray cv2.imread(metal_part.jpg, cv2.IMREAD_GRAYSCALE) edge_left measure_edge_subpixel(gray, (100, 500), (100, 520)) edge_right measure_edge_subpixel(gray, (400, 500), (400, 520)) width_px edge_right - edge_left # 假设标定得到单像素当量 0.015 mm/px width_mm width_px * 0.015 print(f宽度: {width_mm:.3f} mm)逻辑说明getRectSubPix 把倾斜的测量带旋转成水平 ROImean(axis0) 做投影降噪np.gradient 求导找梯度极值抛物线拟合把边缘定位到亚像素。参数上band_width 太窄抗噪差太宽会把邻近边缘吸进来一般取 15 到 30 像素测量线方向要和边缘垂直偏了会引入余弦误差。这段代码是整套尺寸测量的核心孔径、间距、长度都靠它。3.2 圆孔和圆弧怎么测拟合而不是找点金属件上的圆孔、圆角不能靠单条测量线得先提取边缘点再拟合圆。常见做法是在圆孔周围取一个环形 ROI沿径向做灰度投影找边缘点然后用最小二乘法拟合圆得到圆心和半径。这里有个坑如果孔壁有毛刺或反光不均边缘点会有离群值直接拟合会被带偏。我一般用 RANSAC 先剔离群点再最小二乘精拟合。from sklearn.linear_model import RANSACRegressor import numpy as np def fit_circle_ransac(points): points: Nx2 边缘点坐标 返回圆心 (cx, cy) 和半径 r # 圆方程展开: x^2 y^2 2*cx*x 2*cy*y (r^2 - cx^2 - cy^2) # 令 A 2*cx, B 2*cy, C r^2 - cx^2 - cy^2 X points y (X[:, 0]**2 X[:, 1]**2) # 用 RANSAC 拟合线性模型 ransac RANSACRegressor(residual_threshold1.0, max_trials200) ransac.fit(X, y) A, B ransac.estimator_.coef_ C ransac.estimator_.intercept_ cx A / 2 cy B / 2 r np.sqrt(C cx**2 cy**2) return cx, cy, r逻辑说明把圆方程线性化后用 RANSAC 拟合residual_threshold 控制离群点判定阈值单位是像素平方一般取 1.0 到 2.0。max_trials 是随机采样次数点少可以降到 100。拟合完拿圆心和半径孔径就是 2r 乘当量。注意边缘点要覆盖至少 180 度圆弧否则拟合不稳定。3.3 尺寸计算与公差判定拿到边缘位置或拟合结果后尺寸计算就是几何运算两点距离、圆心距、点到线距离。关键是统一坐标系——所有测量结果都要乘标定当量且要考虑镜头畸变校正。如果标定时求了畸变系数测量前先用 undistort 把图校正一遍否则画面边缘的尺寸会偏。公差判定就是拿测量值和图纸公差比。产线上一般会设上下限超限就报警。这里建议加一个「重复性检查」同一工件连测 5 次看标准差标准差超过公差 1/10 就说明测量系统能力不足得回头查光源或夹持。参数典型值说明单像素当量0.01~0.05 mm/px由标定得出视野越小当量越小亚像素精度0.1~0.3 px取决于边缘对比度和拟合方法重复性标准差 公差/10测量系统能力指标重投影误差 0.3 px标定质量指标4. 避坑与排查金属件测量最常见的 5 个翻车现场4.1 边缘位置随曝光时间漂移现象同一工件曝光时间从 5ms 调到 10ms测出来的宽度差了 0.03mm。原因金属边缘在过曝时灰度饱和梯度极值位置往亮区偏移。解决固定曝光时间用光源亮度调对比度别用曝光调亮度或者用灰度阈值法替代梯度法但阈值法对反光更敏感慎用。4.2 标定当量算错导致系统性偏差现象所有尺寸都偏大或偏小同一个比例。原因棋盘格打印尺寸和代码里 SQUARE_SIZE 不一致或者标定图有运动模糊。解决用卡尺量一下打印出来的棋盘格实际方格尺寸改代码标定时工件静止别手持拍。4.3 圆孔拟合被毛刺带偏现象孔径测量值跳动大重复性差。原因孔壁毛刺或反光点在边缘提取时被当成边缘点。解决用 RANSAC 剔离群点或者缩小环形 ROI 的径向搜索范围只取孔壁中段。4.4 工件放置角度引入余弦误差现象工件稍微转个角度测量值就变了。原因测量线没有和边缘垂直实际测的是斜距。解决先用粗定位找工件姿态把测量线旋转到和边缘垂直或者用最小外接矩形自动定方向。4.5 镜头畸变在画面边缘放大误差现象画面中心的工件测得准边缘的偏。原因镜头畸变没校正边缘像素当量不等于中心当量。解决标定时求畸变系数测量前 undistort或者把工件始终放在画面中心区域测。注意这 5 条里曝光和标定问题占翻车案例的七成以上。先把这两个稳住再调算法。5. 把测量节拍压到 200ms 以内几个我常用的提速技巧整套链路跑通后节拍往往是下一个瓶颈。我实测下来标定和畸变校正可以离线做一次存成参数文件在线只做 undistort 的映射查表能省一半时间。边缘提取阶段别全图跑先用模板匹配或轮廓粗定位把 ROI 缩到工件附近搜索带数量按测量项走一个工件测 10 个尺寸就开 10 条带别多开。亚像素拟合用 numpy 向量化替代循环一批测量线一起算梯度速度能提 3 到 5 倍。如果还嫌慢把灰度投影和求导写成 C 扩展或者用 numba 加速但大多数产线 200ms 节拍用纯 python 加 numpy 够用。圆拟合的 RANSAC 是耗时大户max_trials 别设太大100 到 200 足够点多了反而慢。验证提速有没有牺牲精度我的习惯是拿同一个标准件在提速前后各测 50 次比均值和标准差。均值差超过 0.005mm 或者标准差变大就说明某一步被优化坏了得回退。这套源码和项目说明的价值不在于算法多新而在于把标定、边缘、拟合、判定这条链路用可复现的代码串起来了你拿到手改改参数就能对上自己的工件。希望帮到你。本文还有配套的精品资源点击获取