做嵌入式的人想转视觉方向，最常见的问题是"不知道从哪开始"。这次我把自己的学习规划完整写出来：技术栈怎么选、为什么选 OpenCV 4.14 而不是最新版、97 个官方示例怎么一个个跑完、学完之后怎么接到国产 AI 视觉芯片上落地。全程 7 个阶段、约 12 周，每一步都有明确的交付物。
一、方向定位：嵌入式视觉的四层技术栈
嵌入式视觉不是单一技能，而是一条完整的数据链路。我把它拆成四层，每一层选一个最主流的工具：
| 层级 | 技术选型 | 解决什么 |
|---|---|---|
| 应用层 | Qt 6.9 Widgets | 界面、交互、多线程、显示 |
| 算法层 | OpenCV 4.14 | 图像处理、特征、标定、检测 |
| 采集层 | 国产工业相机 + MVS SDK | 实时图像采集、相机控制 |
| 部署层 | 国产 AI 视觉 SoC | 算法上板、NPU/DSP 加速、产线落地 |
这个组合的逻辑很清晰：Qt 负责"看得见"的部分，OpenCV 负责"算得对"的部分，工业相机负责"采得到"的部分，最后借助国产 AI 视觉芯片把算法部署到真实产品里。四层拆开学，每层都有海量教程；串起来做，就是一个完整的工业视觉工程师技能树。
二、版本决策：为什么学 OpenCV 4.14 而不是最新的 5.0
很多人学技术的第一反应是"装最新的"。OpenCV 5.0 确实已经发布，但我的选择是 4.14 作为学习主线，理由全部来自实测：
- 5.0 是十年一遇的大版本重构，API 大规模变动，网上教程、问答、书籍几乎全部基于 4.x，遇到问题搜不到答案
- 官方 97 个示例程序是按 4.x 维护的，示例即教材，这是学习效率的命根子
- 相机厂商 SDK 的官方示例也是 4.x API，即拿即用
- 5.0 放在进阶阶段做对比学习，"4.x 写法 vs 5.0 写法"本身就是一篇好文章
一句话：学习的目的是掌握方法，不是尝鲜版本。4.14 学到的东西，切到 5.0 只是一篇对比笔记的距离。
三、总体路线图：7 个阶段，约 12 周
- 阶段 0 环境搭建（第 1 周）：Qt + OpenCV + 相机 SDK 装好，VSCode 工程模板跑通
- 阶段 1-2 基础双修（第 1-3 周）：C++17 强化 + Qt Widgets 信号槽、多线程
- 阶段 3-4 OpenCV 主攻（第 3-7 周）：核心模块 + 图像处理全遍历，这是主体
- 阶段 5 高级模块（第 7-8 周）：特征检测、相机标定、视频分析、ML/DNN
- 阶段 6 相机采集（第 8-9 周）：SDK 实时采集，Mat 转换，三合一打通
- 阶段 7 综合项目（第 10-12 周）：采集 + 处理 + UI 一体化，性能优化
每个阶段结束都有交付物：要么是跑通的工程，要么是知识库页面，要么是一篇文章。没有交付物的学习等于没学。
四、OpenCV 全实例遍历：97 个官方示例逐个跑
这是整个规划里最"笨"也最有效的一招：把 OpenCV 官方 samples 目录里的 97 个 C++ 示例程序全部跑一遍，加上官方教程，一个不落。每个实例三件套：
- 运行截图存档
- 理论要点整理（原理、API、公式）
- 知识库页面沉淀
配一张进度表，97 个示例按模块分组（核心、图像处理、特征、标定、视频、检测、ML/DNN），每跑一个勾一个。跑通优先于跑深，先建立全貌，再回头深挖感兴趣的方向。这是把"学过"变成"掌握"的硬功夫。
五、与国产 AI 视觉芯片的衔接
学完 PC 端四层技术栈后，部署层的路是通的：OpenCV 算法验证通过 → 交叉编译工具链移植 → 板端 ARM 运行 → 算子迁移到 NPU/DSP 加速。工业视觉落地场景（定位、测量、缺陷检测、字符识别）在嵌入式 SoC 上的性能优化，是嵌入式视觉工程师最有溢价的能力。这部分作为学习规划的第二阶段，先打好 PC 端地基，板端部署水到渠成。
六、预期成果
- 一个可复用的 VSCode + CMake 工程模板（Qt + OpenCV + 相机 SDK 三件套）
- 一套完整的 LLM Wiki 知识库：97 个实例全覆盖，踩坑按"现象/原因/解决"结构化记录
- 一个三合一综合项目：工业相机实时采集 + OpenCV 处理 + Qt 界面
- 一系列学习笔记文章，每完成一个模块沉淀一篇
结语
嵌入式视觉的学习没有捷径，但有最优路径：选对版本、跑完实例、沉淀知识、串成项目。路线已经画好，剩下的就是每周按节奏执行。下一篇写环境搭建的完整实测过程，踩过的坑全部摊开。
如果这篇对你有启发，欢迎点赞、在看、转发三连，我们下篇见。