写这篇文章的念头，其实是被后台的私信催出来的。前阵子分享了一个完整的视觉引导定位项目，不少刚转行的朋友和在校学生私信问我：工业机器视觉系统到底怎么搭起来，学了一堆算法却不知道硬件怎么选，把一个项目从头到尾走一遍需要做哪些事。问的人多了，我干脆把多年的项目经验整理成系列文章，从工业机器视觉系统的构成开始讲，再说清楚开发过程里每一步为什么这么做。这一篇是理论篇第一部分，先把系统的整体框架和底层逻辑梳理清楚，后续再针对具体环节展开。
所谓工业机器视觉，简单说就是让机器“看见”并且“看懂”。工业相机负责采集图像，算法负责从图像中提取出我们关心的信息，比如物体的位置、尺寸、缺陷、条码内容，然后把这些信息转化为执行机构的动作指令或数据记录。一个完整的系统不是单靠某个厉害算法就能扛住的，它是光学、机械、电子、软件、算法等多个领域协同配合的产物。这套系统能解决什么问题？从产线上的尺寸测量、缺陷检测、字符识别，到机器人的定位引导、自动分拣，以及一些特殊的测量场景，都在它的能力范围内。适合谁看？如果你是自动化工程师、算法工程师、刚入行做视觉的从业者，或者正在做毕设的在校生，这一篇可以帮你先建立整体认知，避免一头扎进某个技术点出不来。
1. 内容整体设计与思路拆解
1.1 从系统构成说起，为什么先讲架构
做工业机器视觉项目这么多年，一个特别深的体会是：大多数项目失败或者延期，不是因为算法不够先进，而是因为系统的框架没搭对。很多人一上来就想训练一个深度学习模型做缺陷检测，结果连产线上的震动会导致图像模糊这个问题都没解决，模型再强也是空中楼阁。所以讲开发过程之前，必须先把系统构成讲透。
一套典型的工业机器视觉系统，硬件侧由相机、镜头、光源、图像采集卡（或直接走千兆网接口）、工控机、IO模块等组成，软件侧则包括图像处理算法库、视觉应用平台、人机交互界面，以及与PLC或机器人控制器的通信模块。这是最通用的架构，几乎所有的视觉项目都是在这个骨架上做增删。但要注意，不同项目的侧重点完全不同：测量类项目对精度要求极高，镜头和标定是关键；检测类项目对照明方案极其敏感，光源设计往往决定成败；引导类项目则更关注图像与机器人坐标系的转换关系。
我习惯把一个视觉系统拆成三个层次来看：采集层、处理层、执行层。采集层负责把物理世界的特征转换成数字图像，处理层负责从数字图像中提取出可用信息，执行层负责把信息转化为产线上的动作。这个分层思路帮我在项目初期做需求分析时特别高效，可以快速判断一个问题到底出在哪个环节，而不是眉毛胡子一把抓。
1.2 开发过程是一条完整的链路，不是单点技术
工业视觉项目的开发流程，本质上是一条从需求到交付的链路。典型流程是：需求分析与可行性评估、硬件选型与方案设计、实验室打光与成像测试、算法开发与验证、系统集成与软件开发、现场安装调试与验收。这六个环节环环相扣，每一个环节的输出都是下一个环节的输入，任何一个环节留有隐患，都会在后端放大成严重问题。
举例来说，如果需求分析阶段没有明确被检物体的最小缺陷尺寸，那么选型时就会缺少关键的精度指标依据，可能导致选出来的相机分辨率不够，或者镜头景深不足，最后在算法阶段花费大量精力做的检测也达不到客户要的检出率。所以开发过程的理论逻辑，是先明确测量需求，再反推成像系统的参数指标，最后才是算法的开发和调优。这种“需求倒推”的思路，是项目中真正体现经验的地方。
2. 核心细节解析与实操要点
2.1 相机选型里的几个关键概念
相机的核心作用是把光信号转成电信号，再通过ADC转成数字图像。这是视觉系统的“眼睛”，选型错了后面基本没法补救。在我看来，几个最核心的参数一定要吃透。
分辨率是相机能记录多少像素的细节，决定了图像的精细程度。但不是分辨率越高越好，因为高分辨率意味着更大的数据量，处理速度会变慢，成本也更高。核心的计算法则是：需求精度除以视野范围，得到单像素代表的物理尺寸，再结合算法处理的稳定性余量来确定所需分辨率。举个例子，一个100mm视野范围、要求检测精度为0.1mm的测量项目，理论上单像素精度需要达到0.05mm到0.1mm之间，那么对应的横向像素数就是100除以0.05到0.1，也就是1000到2000像素，果断选200万像素级别的相机就有把握了。
帧率决定了相机的采集速度，对高速产线尤其关键。流水线上每秒钟过10个产品，理论上相机的帧率至少要在15fps以上，留下足够余量，因为软件处理本身也需要时间。不过这里有个容易被忽略的点：帧率的时间单位是毫秒级，如果曝光时间超过了帧间隔时间，实际帧率会被曝光时间拉低，所以高速场景要重点关注全局快门相机。
传感器尺寸直接影响成像质量。同样分辨率下，传感器靶面越大，单像素尺寸就越大，感光面积大，信噪比也更高，暗环境下的表现好很多。但大靶面传感器成本也高，镜头匹配要求也更高，更大的靶面需要更大的镜头成像圈，否则边缘会有暗角。
2.2 镜头与相机的匹配逻辑
镜头的作用是把视野内的物体成像到传感器的靶面上，它决定了系统的视野范围和成像清晰度。焦距和视野是反比关系，焦距越长视野越窄，放大倍数越大；焦距越短视野越宽，能看到更大范围。
这里有一个非常重要的匹配原则：镜头的靶面尺寸必须大于或等于相机的传感器靶面尺寸。否则镜头成像圈小于传感器，图像四周会出现黑角。我项目里见过不少新手犯这种错误，选了一个1/2英寸靶面的镜头配2/3英寸靶面的相机，结果图像边缘模糊还要调半天参数。
光圈和景深也是选型经验里容易被忽略的点。景深指成像清晰的深度范围。项目里如果被测物体有高度差异，或者产线有微小震动导致物体位置浮动，就需要选小光圈换来更大的景深。但光圈收小之后进光量减少，需要把光源亮度补上去。这个平衡关系是视觉系统的精髓——光学方案永远是一个系统优化问题，不是单点最优问题。
2.3 光源方案是整个系统的灵魂
我几乎每一篇文章都要强调光源的重要性，因为实际项目中超过一半的成像问题都出在光源上。工业场景的环境光是不可控的，必须通过主动光源设计把目标特征最大化地凸显出来，把背景干扰压制下去。
光源的颜色选择有一个基本逻辑：补色增强对比度，同色减弱对比度。比如要检测红色物体上的黑色缺陷，用红色光源会让红色区域变亮，黑色缺陷变暗，对比度强烈；如果用蓝色光，红色区域变灰暗，黑色区域还是黑，两者灰度差异就会变小。再比如检测PCB板上的铜线瑕疵，铜是橙红色的，用蓝色光源能够极大强化铜线跟基板之间的对比度。
光源的角度也是一个经验性很强的工作。高角度打光适合平整表面，能形成均匀亮场；低角度打光适合凸显表面凹凸纹理，会在压花、刻字类项目里产生立体效果；背光照明适合测量物体的轮廓尺寸，能形成高对比度的图像剪影。此外，同轴光适合反光平面上的字符识别，漫射光适合曲面、弧面的均匀照明。
2.4 软件算法平台如何选
软件平台是开发效率的关键，可以分为两类：商业视觉软件和开源算法库。商业视觉软件如Halcon、VisionPro、康耐视的平台，图像处理能力和开发效率都很高，工业界应用广泛，但同时存在授权费用较高的问题。开源库中OpenCV则是免费且灵活的方案，社区庞大，适合预算有限或者算法定制程度高的项目。
我自己项目的习惯是：原型验证阶段习惯用Halcon快速实现算法流程，因为它的标定工具和匹配工具非常成熟，能极大提高可行性评估的效率；但在实际部署阶段，如果需要大量定制算法，有时会切到OpenCV结合自研代码的方式，以便更好地控制成本和实现深度优化。
判断选哪个平台没有一个绝对标准，只看项目预算、交付周期和算法复杂度。有个思路可以参考：交付时间紧张的项目优先选成熟的商业平台，因为调试工具链完整；长期稳定出货的量产设备，考虑成本用开源方案做底层开发反而更划算。
3. 实操过程与核心环节实现
3.1 需求分析阶段要问清楚的几件事
很多项目从需求分析就开始埋坑了。我总结出了一个需求确认清单，项目初期一定会逐条问清楚，目的不是增加工作量，而是把验收标准提前锁定。
首先是被检目标的基本参数：最小特征尺寸、最大物体尺寸、材质与表面特性、颜色分布。其次是产线参数：节拍时间是多少秒一件、产线上有没有震动、工作环境的温度和湿度是多少。然后是检测要求：具体是检测有无、检测尺寸、识别内容还是定位引导，需要输出的结果是判定信号还是坐标数据，精度要求是多少。最后是集成环境：现场有没有Space限制、工控机安装位置到相机的距离有多远、通信接口是走Ethernet/IP还是Profinet。
需求分析阶段还要做的一项重要工作是可行性评估。有些项目客户描述得模棱两可，只听描述根本无法判断能不能做，需要现场拿样品回来在实验室里做成像实验。用相机配不同光源做小实验，取得图像之后再做分析。这一步花的时间不多，但能避免后续所有的错误方向。我做了这么多年，越来越相信一句话：能看到正经图像，项目就成功了三分之一。
3.2 硬件选型的参数计算实例
把参数计算的实际过程复盘一遍，用实例来讲更直观。比如说，要检测一个长50mm宽30mm的工件，要求定位精度达到0.05mm，产线节拍是每秒一件。
视野方面，考虑到工件摆放位置会有偏差，视野不能刚好等于工件尺寸，需要留至少20%的余量，这里视野可以设定为60mm×40mm。为了降低算法难度，优先保证横向精度。横向像素数等于60除以0.05，也就是1200像素，再加上可靠性余量至少放大两倍，横向2400像素，对应的相机分辨率就是2400乘以1600，大约400万像素。但这里要补充说明的是：所谓放大两倍余量不是说精度会直接变成0.025mm，而是说同样的像素精度指标下，算法检测的稳定性会显著提升，因为你给了后续处理足够的像素冗余来抵抗边缘虚化和噪声。
镜头焦距的计算有一个标准公式，焦距等于工作距离乘以传感器靶面尺寸再除以视野尺寸。假设选择400万像素相机，典型的1/1.8英寸靶面，横向约7.1mm，工作距离定为300mm，则焦距约为7.1乘以300再除以60，结果是35.5mm，可以选用标准35mm定焦工业镜头。计算完之后，还需要做一个校验：景深是否满足工件高度差的要求，对比度是否满足灰度分布的需求。选型不是输入参数直接出结果，而是靠一轮又一轮的迭代优化来逼近最佳方案。
3.3 算法开发流程中的核心技术点
算法开发是视觉项目技术含量最高的环节，它的核心流程是：图像预处理、目标定位、特征提取、判定或测量、输出结果。
图像预处理的目的是提升图像质量。常用操作包括滤波去噪、对比度拉伸、形态学操作去除小颗粒干扰。这里有个容易忽略的细节：预处理不是越复杂越好，过多的滤波会把细小缺陷也抹掉，所以预处理参数必须跟特征提取步骤放在一起做系统评估。
目标定位是工业视觉中最基础也最关键的算法。基于灰度的模板匹配是经典方案，在定位精度要求高且对象姿态相对固定的场景中非常稳定。而基于几何特征的匹配则更适应目标的旋转、缩放和部分遮挡，适合抓取和引导类项目。选择哪一种匹配方式要根据物体的特征稳定性来判断，这与使用深度学习模型的逻辑是相通的，只要特征稳定且可描述，传统视觉往往比深度学习更可靠。
特征提取后的判定逻辑是算法工程师经验积累的体现。例如测量直径时，如果图像边缘比较模糊，直接提取边缘会导致测量值不稳定。正确做法是在提取边缘之前先做亚像素边缘细化处理，或者对边缘区域的灰度变化做曲线拟合，用拟合结果反推边缘位置。这种亚像素处理能让测量精度从像素级提升到亚像素级，是测量类项目跟检测类项目在精度上拉开差距的关键。
3.4 系统集成与通信协议实现
视觉系统做完算法验证，进入集成阶段就要跟PLC、机器人等外部设备联动了。
工业现场最常见的通信方式是IO点对点通信，适合简单场景，PLC给视觉系统一个触发信号，视觉系统处理完给出判定结果信号。这种方式响应快、结构简单，但传输信息量有限，只能传结果不能传坐标数据。
如果想传输坐标值、测量数据，或者多组检测结果，就需要用串口通信或者以太网通信。Socket通信是最灵活的方式，视觉软件作为服务器端，PLC或机器人作为客户端，通过TCP/IP报文来交换数据。实际开发中要注意报文格式的约定和超时重连机制，否则生产过程中出现一次通信断开就可能造成停线。
还有一类场景需要连续把检测数据保存到数据库或者MES系统里面，这种要做专门的软件架构设计。数据通信做好之后，还要设计上位机的交互界面，显示当前的图像、检测结果、统计数据，同时给产线操作员提供手动触发、参数调整、报警确认等入口。界面的设计思路是让一线工人一分钟之内学会操作，不需要理解算法内部逻辑。
3.5 现场调试与验收的关键动作
现场调试才是真正考验人的时候。实验室里再完美的图像，到了产线上也会被各种因素干扰，比如环境光的变化、设备的震动、产品的批次差异。现场调试的第一步是将光源亮度档位重新做一次调整，因为车间亮度和实验室不同，环境光会叠加到成像结果上，直接用实验室参数往往不准确。
然后是用标准工件做重复性测试和精度验证。调好相机、光源、焦距、光圈，把标准工件放在不同位置各采10次图像，统计测量结果的均值与标准差。如果标准差远小于精度要求，说明系统稳定性足够；如果偏差过大，就要回查光源是否闪烁、机构定位是否重复性差、还是算法提取目标不稳定。这类逐项排除法虽然费时间，但找问题的效率远高于凭感觉调参。
精度验证通过之后，还要做一段时间的长跑测试，通常要连续运行24小时以上监测系统是否存在偶发故障。这个过程主要是排查相机的稳定性、软件是否存在内存泄漏、通信是否存在偶发断开等问题。经历过几次长跑测试，你会对这套系统的可靠性心里有底。
4. 理论篇的几道硬门槛：像素精度、打光、标定
4.1 像素精度到底怎么理解
说到机器视觉，有一个话题我几乎每次都会被问到：机器视觉动了什么会导致像素精度变化？这是个很有含金量的问题，因为它触到了视觉系统稳定性的核心逻辑。
像素精度从定义上讲，是指单个像素代表的物理尺寸，等于视野物理尺寸除以图像分辨率。这个定义看似简单，但实际项目中像素精度会受到很多因素的干扰而显著变化。
最容易被忽略的是震动。产线上的震动会导致相机和被测物之间的相对位置变化，哪怕只是零点几毫米的偏移，反映到图像上就是几个像素的位置变化，而测量类算法会把这种变化直接算进结果里，导致精度骤降。这就是为什么很多高精度测量项目里，相机必须要装在牢固的安装支架上，甚至要增加减震措施。
温度变化也是一个重要因素。工业环境里温度升高会导致镜头内部镜片间距变化，从而引起焦距漂移，同一物体在早上和下午测出来的尺寸都会不同。针对这个问题，高精度项目通常会定期做标定板验证，发现精度漂移就重新标定。
另外，光圈设置和焦距调整后，镜头的畸变特性也会发生细微变化。不同工作距离下镜头的畸变系数不是一成不变的，如果没有在同样条件下做标定，测量精度就会偏离预期。所以，为了控制像素精度，项目经验上要锁定光圈、锁定工作距离、锁定光源亮度，把该固定的都固定下来，再谈标定和精度。
4.2 打光方案里的光学底层逻辑
很多刚接触视觉的人觉得打光就是拿个灯照一下，实际远没有那么简单。打光方案的本质是通过控制光线与物体的相互作用方式，最大程度地把我们需要检测的特征从背景中分离出来。
光与物体表面的相互作用主要有三种形式：镜面反射、漫反射和吸收。镜面反射发生在光滑表面，光线按照反射定律定向反射；漫反射发生在粗糙表面，光线向各个方向散射；吸收则由材料的颜色和材质决定。不同打光方式的核心逻辑，本质上就是利用这三种相互作用的差异来制造特征对比度。
以检测金属表面的划伤为例，金属表面是镜面反射为主的，划伤区域破坏了表面的平整度，导致该区域反射方向发生变化。如果采用低角度打光方式，正常区域的反射光会偏离镜头方向，在图像中呈现暗色，而划伤区域的反射光发生散射，部分光线进入镜头，呈现亮色，这样划伤特征就被增强了。这就是为什么很多金属表面检测都推荐低角度光。
再比如透明物体的检测，比如玻璃瓶或塑料瓶，常规光源几乎穿透物体很难看到表面特征。使用背光照明或者暗场照明方式，利用透明体的折射和反射特性，反而能清晰地观察到内部缺陷。这需要理解光的折射定律来设计光路。有些项目还需要偏振光来消除反光干扰，这些都是建立在对光学物理的理解之上。
4.3 标定决定测量结果的可信度
标定是测量类视觉系统走向实用必须跨过的一道门槛。所谓标定，就是建立图像坐标和真实世界坐标之间的映射关系。没有标定的视觉系统只能做定性判断，有标定才能输出精确的物理尺寸数据和世界坐标。
应用最广泛的是张正友标定法，通过拍摄多张不同姿态的棋盘格标定板图像，计算出相机的内参（焦距、主点、畸变系数）和外参（相机相对世界坐标系的位姿）。这个方法的妙处在于只需要一个平面标定板，操作简单且精度高，所以在工业现场非常普及。
标定过程中有几个操作细节要格外注意。拍摄标定板时要确保光照均匀，标定板要平整无折痕，拍摄角度要覆盖不同倾斜姿态，不能只是平移没有旋转。如果标定板的姿态变化太少，会直接导致内参求解不稳定。我见过很多标定误差过大的情况，最后发现是标定板表面有污渍或者反光导致角点提取不准。所以标定前用无尘布擦拭标定板是必做动作。
标定之后还要做重投影误差评估，一般要求平均误差小于0.1像素才算合格。如果误差超标，调整标定过程中的拍摄质量比盲目增加标定图片数量更有效。
4.4 手眼标定在引导类项目里的位置
如果是机械臂引导抓取项目，光有相机标定还不够，还要做手眼标定。手眼标定的目标是得到相机坐标系和机械臂坐标系之间的变换关系，这个问题可以拆解为眼在手上和眼在手外两种模式。前者是相机装在机械臂末端跟着臂一起动，后者是相机固定安装在支架上，机械臂在相机视野内工作。
不管哪种模式，原理都是通过机械臂带动标定板到达多个不同的已知姿态，记录下机械臂的位姿和相机检测到的标定板位姿，通过求解AX=XB形式的矩阵方程来得到变换矩阵X。这个X就是把视觉坐标系下的目标坐标转换为机械臂坐标系下抓取坐标的关键。
做手眼标定的时候有一点经验特别值得说：机械臂运动范围要尽量覆盖实际抓取的工作空间，并且姿态变化要丰富，不能只做平面移动。因为从数学上讲，如果机械臂的运动自由度不足，求出来的变换矩阵在某个方向上的精度会很差，虽然整个系统的重投影误差看着不大，但到实际的边角位置就会严重偏差。标定完成后通常要在工作空间的不同位置测试抓取精度，验证标定的实际效果。
5. 常见问题与排查技巧实录
5.1 像素精度下降的排查方向
我总结了一份关于像素精度变化的排查思路，方便项目现场快速定位问题。这里的数据和判断逻辑都是实战中反复验证过的，比翻理论手册要实在得多。
如果发现测量结果忽大忽小，首先悬挂产线的震动问题。用手触摸相机支架，感受是否有明显震动；有震动就先把相机固定到独立支撑结构上，再重新测试。如果测量结果有规律性漂移，比如早上一个值、下午一个值，优先怀疑环境光和温度对成像的影响，可以在相机处增加遮光罩，并检查镜头是否因热胀冷缩引起焦距漂移。
如果图像清晰度看起来没问题但精度仍然不达标，那么要怀疑算法提取边缘的一致性。边缘提取算法里如果阈值设置不适当，同一个边缘在不同位置会提取到略有差异的位置，这种误差在像素级别上不明显，但换算成物理尺寸就很可观。这种情况下可以把灰度曲线打印出来看边缘斜率，根据斜率和重复性数据来调整阈值。
如果更换过光源或者调过光源亮度导致精度变化，那就要重新评估图像质量。光源亮度的改变会让图像灰度分布整体偏移，边缘位置提取产生偏差。除非设备维护时灯具老化或者光衰严重，否则不建议轻易调整光源亮度参数，维护时直接把光源参数锁定在配置文件里。
5.2 硬件选型和集成的避坑指南
关于硬件选型这块，有一个误区必须反复讲：相机分辨率越高越好，这是个典型的坑。分辨率上去了，相机和镜头成本增加，同时数据量大幅提升，对工控机性能和网络带宽的要求都成倍增长。实际项目选型应该以需求精度为基准计算，合理留出余量就够了，而不是往上堆参数。
镜头接口的匹配是一个很基础的选型点，但总出错。常见的接口有C口、CS口、F口，C口和CS口的法兰距不一样，不经转接环直接配往往会出问题。购买之前确认镜头和相机的接口类型完全匹配。
光源控制器也是很多人忽略的细节。如果光源供电的纹波较大或者输出不稳定，会在图像上表现为周期性闪烁或者亮度波动。对高精度测量项目来说，光源亮度波动会直接让测量数据抖动。这时候要用低纹波的恒流源驱动光源，同时设置合理的预热时间，光源刚点亮的前几分钟亮度漂移是最大的。
工控机的选择上，Intel系列CPU配合稳定可靠的千兆网卡是比较稳妥的组合，这是工业现场长期验证过的方案。磁盘方面，Solid State Drive虽然速度快，但长时间高负载写入时需要考虑寿命和稳定性，最好做系统盘和数据盘分离。
5.3 开发阶段最影响效率的几类问题
开发过程中最影响效率的问题不一定来自算法本身，而是来自开发环境的调试效率。我见很多新手做视觉算法调试，一边修改参数一边从头跑完整流程，一次测试要几分钟甚至十几分钟。这种工作方式看起来在执行，实际大量时间都浪费在无意义的重复等待上。
更高效的做法是把算法流程模块化，用配置文件或参数文件管理关键变量，方便每次调整一个参数就能快速看到结果。同时给每个处理步骤加上时间统计和可视化输出，哪一步耗时最长一秒钟就能判断出来。这种工程化习惯在职场上尤其重要，同样的算法能力下，工程化能力强的人效率往往高出好几倍。
还有一个细节是在开发阶段建立图像样本库，把不同光照条件、不同产品状态下的图像全部保存起来。后续算法优化时，用历史图像库做回归测试，确保改了某个模块后不会影响之前已经调好的检测效果。这个习惯投入不大，但能帮你建立对算法改动影响范围的全局感知，是项目中非常值钱的经验。
5.4 谈谈机器视觉学习路线的个人建议
结合热搜词里的“机器视觉学习路线”，这篇理论篇最后给打算入行的人一个学习建议。很多初学者一上来就扎进深度学习框架，被各种神经网络名词淹没，结果在实际项目里依然寸步难行，因为缺了最底层的基础。
我个人比较推荐的路径是：第一步学图像处理基础，把滤波、二值化、边缘提取、形态学操作这些最基础的内容吃透，用OpenCV做练习；第二步学工业成像原理，理解相机、镜头、光源的选型方法，这个阶段最好自己搭一个简单的实验平台；第三步学标定与测量，把像素精度和坐标转换的原理搞明白；第四步再接触深度学习，做缺陷检测、字符识别等传统方法不容易解决的问题。
实际工作中，传统图像处理在工业项目里的应用范围远大于深度学习。很多场景用传统算法就能稳定解决，没必要上深度模型增加复杂度。只会深度学习的工程师在项目里会非常被动，因为遇到传统方案能做好的任务也不知道怎么做，或者做出来的方案成本高、稳定性差。基础扎实的工程师，遇到任何需求时可以选择的技术路径都更丰富，这是一行长期的核心竞争力。
6. 理论篇之后的规划
这一篇算是整个系列的地基，重点把系统构成和开发过程全貌梳理清楚了。后续我计划针对几个核心环节逐一展开，写成单独的实操文章。预计会优先整理光源与成像方案设计，因为这个环节直接决定算法能不能做好，案例也最丰富。接着是相机与镜头选型实操指南，结合具体选型公式和实测数据做一个案例拆解。再往后是标定与坐标转换的专题，手眼标定的代码和实操细节会全部贴上。最后是工业视觉项目开发经验复盘，讲项目管理、需求沟通和现场交付那些流程上容易踩坑的事。
每一篇都会延续这种风格：不飘在空中讲概念，尽量把项目和案例拆开揉碎，把底层原理和实操经验都讲透。视觉系统这门手艺，理论上不难理解，真正难的是面对千变万化的现场对象时，知道该用什么思路去解决问题。希望这个系列的内容能帮你在遇到具体问题时少踩几个坑，少走几段弯路。
理论交给文章，实战还得靠手去试。有项目细节想交流的，评论区留言，我看到都会认真回。
