1. 机器人视觉选型的核心逻辑给机器人配“眼睛”这件事说简单也简单说复杂也复杂。简单在于市面上能买到的图像传感器模组就那么几大类复杂在于不同应用场景对“看见”这件事的要求天差地别。一个在传送带上做缺陷检测的机械臂和一个在仓库里自主导航的移动机器人它们对视觉系统的需求几乎没有任何交集。前者关心的是在高速运动下能不能拍到清晰的静止画面后者关心的是能不能准确感知周围环境的三维结构。我在过去几年里参与过好几个机器人视觉项目从简单的巡线小车到复杂的抓取工作站踩过的坑不算少。最深的体会是选型错误带来的代价往往比预算超支严重得多。你省了几百块钱选了一个不适合的快门类型结果就是整个视觉算法跑不通项目延期几周甚至几个月。所以这篇文章我想把全局快门、卷帘快门和RGB-D这三条技术路线彻底讲清楚帮你在一开始就做对选择。先给一个最粗的框架全局快门和卷帘快门解决的是“怎么曝光”的问题RGB-D解决的是“怎么获取深度”的问题。它们不是互斥的很多机器人系统会同时使用多种视觉传感器。比如一个自主移动机器人可能用RGB-D做避障和导航同时用全局快门相机做视觉里程计。理解每一类的原理和适用边界比记住某个具体型号的参数重要得多。这篇文章适合谁看如果你正在做机器人相关的项目需要选型图像传感器或者你已经在用某个方案但效果不理想想搞清楚原因那接下来的内容应该对你有直接帮助。我会从原理讲起然后落到具体的选型参数和实操建议中间穿插一些我实际项目中遇到的案例。2. 全局快门与卷帘快门原理决定适用场景2.1 曝光方式的本质差异要理解全局快门和卷帘快门的区别得先知道CMOS图像传感器是怎么工作的。不管是CCD还是CMOS核心原理都是光电效应光子打到感光元件上产生电荷电荷被读出并转换成数字信号。区别在于读出的方式。卷帘快门的工作方式像老式打字机的扫描过程。传感器逐行曝光、逐行读出第一行曝光完成后开始读出同时第二行开始曝光以此类推。整个画面不是在同一时刻被“冻结”的而是像窗帘一样从上到下依次扫过。这个扫描过程通常需要几毫秒到几十毫秒取决于分辨率和读出速度。全局快门则是所有像素同时开始曝光、同时结束曝光然后逐行读出。曝光这个动作是全局同步的读出可以慢慢来。这就好比一群人拍照全局快门是所有人同时睁眼卷帘快门是大家依次睁眼虽然时间差很小但对快速运动的物体来说这个时间差就是致命的。用生活化的类比你坐在高铁上看窗外的电线杆如果用卷帘快门拍照每根电线杆在画面中的位置会因为你拍照时的移动而产生偏移结果就是电线杆看起来是斜的。全局快门就不会有这个问题因为它在一瞬间就把整个画面定格了。2.2 卷帘快门的“果冻效应”到底多严重果冻效应是卷帘快门最被人诟病的地方。当相机或物体在曝光期间发生相对运动时画面会产生扭曲。这种扭曲在机器人应用中尤其危险因为机器人本身就在运动。我做过一个测试把一台卷帘快门相机装在一个以0.5m/s移动的小车上对着前方5米处的标定板拍照。在静止状态下标定板的直线检测误差在0.1像素以内但在移动状态下同样的标定板直线检测误差跳到了2-3像素。这个误差直接导致视觉里程计的位姿估计出现明显漂移。更麻烦的是果冻效应的扭曲不是简单的平移或旋转而是非线性的形变。你没法用一个简单的变换矩阵去校正它因为每一行的曝光时间不同形变模式取决于运动方向和速度。对于需要高精度几何测量的应用卷帘快门基本上是不可用的。但卷帘快门也不是一无是处。它的成本低、灵敏度高、读出噪声低。同样的像素尺寸和工艺节点卷帘快门的芯片面积更小良率更高价格通常只有全局快门的几分之一。在低速或静止场景下卷帘快门的表现和全局快门没有本质区别。所以如果你的机器人运动很慢或者你只在机器人停止时拍照卷帘快门完全够用。2.3 全局快门的代价与收益全局快门解决了运动畸变问题但代价是什么首先是成本。全局快门需要在每个像素旁边增加一个存储节点用来暂存曝光期间积累的电荷等所有像素曝光结束后再统一读出。这个存储节点占用了芯片面积导致同样分辨率下全局快门芯片更大、良率更低、价格更高。目前市场上同规格的全局快门相机通常比卷帘快门贵30%到100%。其次是灵敏度和噪声。存储节点的引入会增加暗电流和读出噪声全局快门的量子效率通常略低于同代卷帘快门。在低照度环境下这个差距会更明显。我实测过某品牌同系列的全局快门和卷帘快门相机在相同光照和曝光时间下卷帘快门的信噪比大约高出2-3dB。那什么时候必须用全局快门我的经验是当机器人在曝光期间的运动位移超过1个像素时就应该考虑全局快门。计算很简单假设你的机器人最大运动速度是v曝光时间是t相机的像素分辨率是p每个像素对应的物理尺寸那么运动位移d v × t / p。如果d 1卷帘快门的畸变就会开始影响测量精度。举个例子一个机械臂末端安装相机做抓取抓取时机械臂可能以0.3m/s的速度移动曝光时间设为5ms相机在0.5米工作距离下的像素分辨率约为0.2mm/pixel。那么d 0.3 × 0.005 / 0.0002 7.5像素。这个位移量下卷帘快门的畸变会非常明显必须用全局快门。2.4 选型决策树与参数对照下面这张表是我在实际项目中总结的选型对照涵盖了主要考虑维度维度全局快门卷帘快门运动畸变无有与运动速度和曝光时间成正比成本高低灵敏度略低略高读出噪声略高略低适用场景高速运动、动态抓取、视觉里程计静态检测、低速巡检、成本敏感项目典型曝光时间1-10ms1-20ms芯片面积大小选型时我一般按这个顺序问自己几个问题第一机器人在拍照时会不会动如果会动速度是多少第二曝光时间能不能压到足够短如果光照充足把曝光时间压到1ms以下卷帘快门的畸变也可以接受。第三预算允不允许上全局快门如果预算紧张且运动速度不高卷帘快门加短曝光是可行的折中方案。注意很多初学者会忽略曝光时间对畸变的影响。实际上即使机器人运动速度不快如果曝光时间设得很长比如在暗光环境下卷帘快门的畸变同样会很严重。所以光照条件也是选型时必须考虑的因素。3. RGB-D深度相机的技术路线与适用边界3.1 三种主流深度获取原理RGB-D相机解决的是“每个像素离我多远”的问题。目前主流的技术路线有三种结构光、飞行时间法、主动双目。结构光的原理是投射已知图案通常是红外散斑或条纹到场景中通过分析图案的形变来计算深度。就像你往墙上打一张网格如果墙面是平的网格就是规则的如果墙面有凹凸网格就会扭曲。结构光的精度在近距离0.5-3米很好但受环境光影响大在室外强光下基本不可用。飞行时间法通过测量红外光从发射到返回的时间来计算距离。直接测量时间对电子器件要求太高实际产品通常用相位差法发射调制过的红外光测量返回光与发射光之间的相位差从而推算距离。ToF的优点是响应快、中远距离表现好缺点是精度随距离下降较快且多相机同时工作时会互相干扰。主动双目结合了双目立体视觉和红外投射。它用两个红外相机从不同角度拍摄场景通过三角测量计算深度同时投射红外纹理来帮助匹配那些缺乏纹理的区域。主动双目的精度和结构光接近但计算量更大对算力要求更高。这三种方案我都在项目里用过。结构光在室内抓取场景下表现最好深度图质量高近距离精度能到毫米级。ToF适合移动机器人避障帧率高但深度图比较“粗糙”边缘处噪声大。主动双目介于两者之间室外适应性比结构光好但深度图的计算延迟比较明显。3.2 RGB-D的典型参数与陷阱选RGB-D相机时厂商宣传页上那些参数很容易让人产生误解。我列几个关键参数和实际含义深度范围标称的“0.2-5米”通常是在理想条件下测的。实际可用范围往往要打折扣。比如某款标称0.2-5米的相机在3米以外的深度噪声已经大到无法用于精确测量只能做粗略的避障。我一般建议按标称范围的60%来规划应用。深度分辨率很多相机标称640×480的深度分辨率但实际有效分辨率可能只有320×240因为相邻像素的深度值是插值出来的。看深度图的时候如果发现边缘有“阶梯状”的伪影通常就是分辨率不足导致的。帧率标称30fps或60fps但这是在特定分辨率下的。如果同时输出RGB和深度图帧率往往会下降。而且深度图的计算需要时间从曝光到输出深度图可能有几十毫秒的延迟。对于高速运动的机器人这个延迟必须考虑进去。视场角RGB-D相机的视场角通常比普通相机小尤其是深度部分。如果机器人的导航算法依赖大视场角选型时要特别注意。下面这张表对比了三种RGB-D技术路线的典型表现指标结构光飞行时间法主动双目近距离精度高毫米级中高远距离精度下降快中中室外可用性差中好帧率中高低算力需求低低高多机干扰有有无典型应用室内抓取、人脸识别避障、手势识别室外导航、体积测量3.3 RGB-D不是万能的那些它搞不定的场景RGB-D相机有几个天生的短板选型时必须心里有数。透明和反光物体玻璃、镜面、抛光金属这些物体对红外光的反射特性很特殊结构光和ToF都会在这些物体上产生错误的深度值。我试过用结构光相机拍一个玻璃杯深度图上玻璃杯的位置是一个洞周围全是噪声。如果你的应用场景里有这类物体RGB-D可能不是好选择得考虑其他方案比如激光雷达或者接触式测量。强光环境结构光和ToF都依赖红外光太阳光里含有大量红外成分会淹没相机的红外信号。在室外阳光直射下结构光基本失效ToF的深度噪声也会大幅增加。主动双目因为依赖纹理匹配受强光影响相对小一些但也不是完全免疫。远距离RGB-D的有效距离通常不超过5米超过这个距离深度精度急剧下降。对于需要感知10米以外环境的机器人RGB-D只能做粗略的障碍物检测不能做精确测量。多机干扰如果同一个空间里有多台结构光或ToF相机同时工作它们的红外图案会互相干扰。我遇到过在一个小房间里放了两台同型号结构光相机结果两台都出现了周期性的深度错误。解决办法是分时工作或者选用不同调制频率的型号但这增加了系统复杂度。3.4 RGB-D与快门的组合策略实际项目中RGB-D和快门类型的选择往往是交织在一起的。很多RGB-D相机本身用的是卷帘快门因为深度计算对运动畸变不敏感深度图的分辨率本来就低但RGB图像如果有运动畸变就会影响后续的视觉算法。我的建议是如果机器人需要同时做深度感知和高精度RGB视觉考虑分开配置。用一台全局快门相机做RGB视觉用一台RGB-D做深度感知。两者通过硬件同步触发保证时间对齐。这样虽然成本高一些但每个传感器都在自己最擅长的领域工作整体效果最好。如果预算有限只能选一台那就得根据主要任务来取舍。以抓取为主的机械臂结构光RGB-D优先因为抓取主要依赖深度信息RGB图像的运动畸变可以通过缩短曝光时间来缓解。以导航为主的移动机器人全局快门相机加超声波或激光雷达可能比RGB-D更可靠因为导航对深度的精度要求不高但对运动畸变的容忍度很低。4. 从参数到落地实操选型与配置4.1 关键参数的计算与验证选型不能只看厂商的规格书得自己算一遍。我一般会做以下几个计算运动模糊计算模糊像素数 运动速度 × 曝光时间 / 像素分辨率。这个值要控制在1像素以内最好在0.5像素以内。如果算出来超过1要么换全局快门要么缩短曝光时间要么增加光照。深度精度需求根据应用反推需要的深度精度。比如抓取一个直径5厘米的物体深度精度至少要达到5毫米才能保证抓稳。然后查相机的深度精度曲线看在工作距离上能不能满足。视场覆盖计算根据机器人的工作空间和安装位置计算需要的视场角和安装高度。视场角不够会导致盲区安装高度不对会导致分辨率浪费。帧率与延迟从触发拍照到算法输出结果的总延迟必须小于机器人的控制周期。如果控制周期是10毫秒而视觉处理需要30毫秒那就得考虑预测算法或者降低控制频率。我习惯在选型阶段做一个简单的验证实验用手机或者借来的相机在实际场景下拍几张照片看看效果。这个步骤花不了多少时间但能避免很多纸上谈兵的错误。4.2 硬件同步与触发配置多传感器系统中硬件同步是保证数据质量的关键。我见过太多项目因为同步没做好导致视觉数据和运动数据对不上算法怎么调都不对。全局快门相机的触发大多数工业全局快门相机支持硬件触发通过GPIO信号控制曝光开始。触发信号可以来自运动控制器、PLC或者专门的同步板卡。关键是触发信号的抖动要小最好在微秒级。RGB-D的同步RGB-D相机的同步比较麻烦因为深度图和RGB图的曝光时间可能不同。有些型号支持外部触发有些不支持。如果RGB-D不支持硬件触发那就只能靠软件时间戳来对齐精度会差很多。多相机同步如果用了多个相机同步就更重要了。我一般用一块同步板卡产生统一的触发信号同时触发所有相机。相机之间的同步误差要控制在曝光时间的10%以内否则运动物体的图像会对不齐。实操心得同步线缆的长度会影响信号质量。如果触发线超过1米建议用差分信号或者加缓冲器。我遇到过因为触发线太长导致相机偶尔漏触发的问题排查了很久才发现是线缆的问题。4.3 标定与校准的实操细节相机标定是机器人视觉的基础工作但很多人标定做得不够细致导致后续精度上不去。内参标定用棋盘格或者圆点标定板从不同角度拍20-30张照片。标定板的姿态要多样化不能只在一个平面上拍。我一般会覆盖相机视场的各个角落包括边缘区域。标定完成后看重投影误差好的标定应该在0.1像素以内。外参标定相机和机器人末端或者基座的坐标变换。这个标定通常用接触式或者非接触式的方法。接触式是用标定针尖去碰已知点非接触式是用标定板。外参标定的精度直接影响抓取精度我一般会反复标定3次取平均值。深度校准RGB-D相机的深度值往往有系统性偏差需要校准。简单的方法是用一个已知距离的平面测量深度值然后拟合修正曲线。更精确的方法是用激光测距仪作为基准在多个距离上采集数据。标定不是一劳永逸的。相机受到震动、温度变化后参数会漂移。我建议在每次重要任务前做一次快速验证如果误差超过阈值就重新标定。4.4 光照与曝光策略光照是视觉系统中最容易被忽视的因素。很多人把相机选好了标定也做了但图像质量就是上不去问题往往出在光照上。主动照明对于全局快门相机如果曝光时间压得很短就需要很强的光照。我一般用LED频闪灯和相机曝光同步。频闪灯的亮度可以很高但平均功耗低发热也小。环境光抑制如果环境光变化大相机的自动曝光会不断调整导致图像亮度不一致。解决办法是锁定曝光时间用主动照明来补光。或者在镜头前加窄带滤光片只让特定波长的光通过抑制环境光干扰。RGB-D的光照要求结构光和ToF对光照敏感使用时要避免强光直射。如果必须在室外使用可以考虑加遮光罩或者选用抗环境光能力强的型号。主动双目对光照的容忍度好一些但在完全无纹理的场景下也需要辅助照明。我的一般策略是先确定曝光时间再根据曝光时间选光源。曝光时间越短光源功率要求越高。如果光源功率受限那就只能增加曝光时间但这样又会影响运动畸变。这是一个需要权衡的过程。5. 常见问题与排查技巧实录5.1 图像质量问题的排查思路问题一图像模糊。先分清是运动模糊还是失焦。运动模糊有方向性失焦是均匀的。运动模糊就缩短曝光时间或换全局快门失焦就调焦距或光圈。如果两者都有先解决运动模糊再调焦。问题二图像噪声大。先看光照够不够光照不足就加光。光照够了还噪声大就看增益是不是设太高了。增益放大了信号也放大了噪声能不用就不用。如果必须用高增益考虑换灵敏度更高的相机。问题三图像有固定图案噪声。这通常是传感器或者镜头的问题。先清洁镜头如果还有可能是传感器的坏点或者列噪声。固定图案噪声可以通过平场校正来消除但根本解决还是换相机。问题四深度图有空洞。RGB-D相机的深度图空洞通常出现在透明、反光、远距离或者遮挡区域。如果是透明物体换技术路线如果是远距离缩短工作距离如果是遮挡调整相机位置。5.2 同步与延迟问题的排查问题视觉数据和运动数据对不上。先检查硬件触发有没有接好用示波器看触发信号的时序。如果触发没问题再看软件时间戳是不是准确。有些相机的SDK时间戳有延迟需要校准。问题多相机图像不同步。检查触发信号是不是同时到达每个相机。线缆长度不同会导致信号延迟不同尽量用等长线缆。如果相机支持用同一个时钟源做同步。问题视觉处理延迟太大。先测从触发到输出的总时间然后分段排查曝光时间、读出时间、传输时间、处理时间。哪一段最长就优化哪一段。曝光和读出是硬件限制传输可以换接口比如从USB换到GigE处理可以优化算法或者换算力平台。5.3 常见问题速查表现象可能原因排查方法解决措施运动物体图像扭曲卷帘快门果冻效应静止拍摄对比换全局快门或缩短曝光深度图边缘噪声大深度分辨率不足查看原始深度图降低工作距离或换相机深度图有周期性错误多机红外干扰关闭其他相机测试分时工作或换调制频率图像亮度闪烁环境光变化或自动曝光锁定曝光测试锁定曝光加主动照明触发漏拍触发信号质量差示波器看信号缩短线缆或加缓冲标定精度不够标定板姿态单一检查重投影误差增加姿态多样性重新标定深度值系统性偏差深度未校准已知距离平面测试拟合修正曲线远距离深度噪声大超出有效范围查深度精度曲线缩短工作距离或换ToF5.4 独家避坑经验坑一只看分辨率不看像素尺寸。同样500万像素像素尺寸大的相机灵敏度高、噪声低但分辨率低。像素尺寸小的相机分辨率高但灵敏度差。选型时要根据光照条件和精度需求综合判断不能只看像素数。坑二忽略镜头的匹配。相机的分辨率再高镜头分辨率不够也是白搭。镜头的MTF曲线要和相机的像素尺寸匹配。我见过用500万像素相机配200万像素镜头的图像边缘模糊得一塌糊涂。坑三曝光时间设得太保守。很多人怕图像太暗把曝光时间设得很长结果运动畸变严重。其实在光照充足的情况下曝光时间可以压到1ms甚至更短。先试试短曝光不够亮再加光而不是先加曝光时间。坑四忽略温度影响。CMOS传感器的暗电流随温度指数上升温度每升高8-10度暗电流翻一倍。如果相机长时间工作发热严重图像噪声会明显增加。工业相机通常有散热设计但嵌入式模组往往没有需要自己加散热片。坑五标定后不验证。标定不是做完就完了要在实际工作空间里验证。我一般会在工作空间的不同位置放标定板检查重投影误差。如果某些位置误差特别大说明标定覆盖不够需要补拍。坑六忽视机械安装的刚性。相机安装不牢固振动会导致图像模糊还会让标定参数漂移。我见过用扎带固定相机的跑一段时间后标定全乱了。相机支架要有足够的刚性最好用金属件。坑七RGB-D和RGB图像时间不对齐。很多RGB-D相机的RGB和深度图不是同时曝光的如果机器人运动快两者会有明显错位。选型时要确认RGB和深度的时间戳是否对齐不对齐的话需要额外处理。坑八忽略SDK的坑。不同厂商的SDK质量参差不齐有些SDK的文档不全有些有内存泄漏有些在多线程下不稳定。选型时最好先拿样品测试SDK确认能满足项目需求。我遇到过SDK不支持硬件触发的情况买回来才发现只能退货换型号。5.5 一个真实的选型案例去年我参与了一个物流分拣机器人的项目。机器人需要从传送带上抓取包裹包裹大小不一表面材质多样传送带速度0.5m/s。最初选了一款卷帘快门的RGB-D相机想着深度信息够用就行。结果实测发现传送带运动导致RGB图像严重畸变包裹上的条形码识别率只有70%左右。深度图虽然畸变小一些但在包裹边缘处也有明显误差导致抓取位置偏移。后来换成全局快门相机加结构光RGB-D的组合。全局快门负责RGB图像和条形码识别结构光负责深度和抓取定位。两者硬件同步触发时间对齐。改造后条形码识别率提升到99%以上抓取成功率从85%提升到98%。成本增加了大约40%但项目验收顺利通过客户很满意。这个案例的教训是不要试图用一个传感器解决所有问题。RGB-D的深度信息对抓取有用但它的RGB图像质量往往不足以做高精度识别。全局快门相机贵但它在运动场景下的图像质量是卷帘快门无法替代的。组合使用虽然成本高但整体效果和可靠性提升明显。6. 不同机器人场景的选型建议6.1 机械臂抓取场景机械臂抓取是全局快门和RGB-D组合的典型应用。抓取任务通常需要两个信息物体的位置深度和物体的姿态RGB。深度用RGB-D获取姿态用全局快门相机获取。如果抓取的是静态物体机械臂在拍照时停止运动那卷帘快门也可以。但如果追求节拍机械臂在运动过程中拍照就必须用全局快门。我一般建议抓取场景优先考虑全局快门因为抓取对精度要求高运动畸变的影响很难通过算法补偿。RGB-D的选择取决于物体特性。结构光适合中小型、表面不反光的物体。如果物体是金属或者透明材质结构光效果差可以考虑ToF或者主动双目。如果物体在传送带上运动RGB-D的曝光时间也要尽量短减少运动模糊。6.2 移动机器人导航场景移动机器人导航对视觉的要求和抓取完全不同。导航需要的是大视场、中远距离、实时性对绝对精度要求不高。全局快门相机适合做视觉里程计因为里程计依赖特征点的精确匹配运动畸变会严重影响匹配精度。RGB-D适合做局部避障和地图构建但深度范围通常只有3-5米远距离感知还得靠激光雷达或者超声波。如果预算有限可以用卷帘快门相机加短曝光做视觉里程计但效果不如全局快门稳定。我实测过在同样速度下卷帘快门的里程计漂移比全局快门大30%左右。如果机器人速度很慢比如小于0.2m/s卷帘快门也可以接受。6.3 工业检测场景工业检测通常是被测物体运动相机固定。这种情况下卷帘快门的果冻效应取决于物体运动速度和曝光时间。如果物体运动很快卷帘快门会产生畸变影响尺寸测量精度。工业检测对分辨率要求通常很高因为要检测微小的缺陷。高分辨率意味着像素尺寸小灵敏度低需要更强的光照。全局快门在高分辨率下成本更高但如果检测精度要求高这个成本是值得的。RGB-D在工业检测中用得相对少因为检测通常需要高精度的二维测量深度信息不是必须的。但如果检测涉及三维尺寸或者表面缺陷RGB-D或者激光轮廓仪就更合适。6.4 服务机器人场景服务机器人比如送餐、导览对视觉的要求比较综合。需要导航、避障、人脸识别、物体识别等多种功能。我的建议是导航用全局快门相机加超声波或者激光雷达人脸识别和物体识别用RGB-D或者普通RGB相机。服务机器人的运动速度通常不快卷帘快门在导航中也可以凑合用但全局快门更稳妥。服务机器人对成本敏感所以选型时要平衡性能和价格。如果预算实在紧张可以先用卷帘快门加短曝光等产品迭代时再升级到全局快门。但要注意卷帘快门的畸变在算法层面很难完全补偿如果导航精度要求高还是得一步到位。6.5 场景选型速查场景推荐快门类型推荐深度方案关键考虑因素机械臂动态抓取全局快门结构光运动畸变、抓取精度机械臂静态抓取卷帘快门结构光/ToF成本、深度精度移动机器人导航全局快门ToF/主动双目运动畸变、视场角工业尺寸检测全局快门无或激光轮廓分辨率、运动畸变服务机器人全局快门/卷帘RGB-D成本、多功能需求室外巡检全局快门主动双目环境光、远距离7. 选型之外的系统级考量7.1 算力与接口的匹配选相机不能只看相机本身还得看后端能不能处理。高分辨率、高帧率的相机产生大量数据对接口带宽和算力都是考验。接口带宽USB3.0的理论带宽是5Gbps实际能稳定跑到的也就3Gbps左右。一台500万像素、30fps的相机如果输出RAW格式数据率大约是500万×10bit×30 1.5Gbps。如果同时接两台带宽就吃紧了。GigE接口带宽1Gbps适合低帧率应用。10GigE和CoaXPress带宽高但成本也高。算力需求深度图的计算、特征提取、匹配、位姿估计这些都需要算力。如果算力不够再好的相机也发挥不出来。我一般建议算力留50%的余量因为算法复杂度往往会随着功能增加而上升。实时性从拍照到输出结果的总延迟必须小于控制周期。如果延迟太大就得考虑预测或者降低控制频率。延迟的来源包括曝光、读出、传输、处理每一段都要优化。7.2 环境适应性与可靠性机器人工作环境往往比实验室恶劣。温度、湿度、振动、粉尘、电磁干扰这些都会影响视觉系统的可靠性。温度工业级相机通常支持0-50度但嵌入式模组可能只有0-40度。如果环境温度高要考虑散热或者选宽温型号。CMOS传感器的暗电流随温度上升高温下噪声会增加。振动机器人运动会产生振动影响图像质量和标定参数。相机安装要有减震设计线缆要固定好避免拉扯接口。防护等级如果环境有粉尘或水汽相机需要IP防护等级。镜头和相机接口处要密封线缆要用防水接头。电磁兼容工业环境电磁干扰强相机的信号线要屏蔽触发线要用双绞线。我遇到过因为电磁干扰导致触发信号误触发的问题加了磁环才解决。7.3 成本与供应链的平衡选型不能只看性能还得看成本和供应链。全局快门相机贵但如果项目预算允许我一般建议优先考虑。因为后期因为视觉问题导致的调试成本和延期成本往往比相机本身的差价高得多。供应链方面要确认相机的供货周期和生命周期。有些型号可能停产或者交期很长影响项目进度。我一般会选主流型号或者至少准备一个备选方案。SDK的成熟度也很重要。有些小厂的相机参数好看但SDK不稳定文档不全技术支持跟不上。选型时最好先拿样品测试确认SDK能满足开发需求。7.4 未来扩展的预留选型时还要考虑未来的扩展。比如现在只需要一台相机但以后可能需要多台。那选型时就要考虑相机是否支持多机同步接口带宽是否够用算力是否有余量。软件架构也要考虑扩展性。视觉模块最好做成可插拔的方便以后换相机或者加相机。标定参数、配置文件要版本管理方便回溯和复现。我一般会在项目初期就规划好视觉系统的扩展路径比如预留一个相机接口算力留50%余量软件架构支持多相机。这样以后升级时不用推倒重来。8. 一些个人体会做了这么多机器人视觉项目我最大的体会是选型没有绝对的对错只有适合不适合。全局快门好但不是所有场景都需要。RGB-D方便但不是所有场景都能用。关键是想清楚自己的需求然后根据需求去匹配技术方案。另一个体会是不要迷信参数要相信实测。厂商的规格书是在理想条件下测的实际效果可能差很多。选型阶段一定要拿样品在实际场景下测试看看图像质量、深度精度、同步效果、SDK稳定性。这个步骤花的时间会在后期调试中加倍省回来。还有就是视觉系统是系统工程不是换个相机就能解决的。光照、镜头、安装、标定、同步、算力每一个环节都会影响最终效果。选型只是第一步后面的调试和优化同样重要。最后分享一个小技巧如果你不确定选哪种方案可以先借或者租一套设备在实际场景下跑一周。这一周的数据比任何规格书都有说服力。我很多次选型决策都是靠这种“先试后买”的方式做出来的准确率很高。
