机器视觉

景深计算公式推导：容许弥散圆、光圈与放大倍率的关系昨天把 F 数和通光量说完了。拧小光圈，图会变暗，可现场为什么还老这么干？多半是为了景深。之前有个项目，工件放在治具上，表面有台阶，高低差大概十来毫米。对焦对在中间那一档，上下两面边缘就发虚。调试的人把光圈从 F2.8 一路拧到 F8，糊是好了，图又暗回去，增益跟着顶上去。回头算了一下才发现，其实拧到 F4 左右就够那十毫米，多拧几档全是在给噪声买单。景深这东西能算，别光靠拧。

朗锐智科_机器视觉

食品包装视觉检测实战：从产线触发到缺陷剔除的完整方案设计行业应用实战 · 第4篇食品包装视觉检测实战：从产线触发到缺陷剔除的完整方案设计把工业相机、图像采集卡、定制工控机、传感器串成一条产线——食品行业视觉检测的落地逻辑 📅 2026-10-08 ⏱ 阅读约 20 分钟 👤 机器视觉选型顾问 🏷 行业应用实战系列做了这么多年视觉方案，食品包装是我见过**"看似简单、实则最容易翻车"的场景之一。说它简单，是因为包装检测的目标都很直观：喷码有没有、标签贴没贴、封口封没封好、里面有没有异物。说它容易翻车，是因为食品产线的速度太快、SKU 太多、卫生要求

【论文精读】MSD-ResNet50：多尺度动态卷积 + CBAM，如何把梅花鹿个体识别准确率从 74.2% 提升到 88.7%？普通图像分类的目标可能是判断画面中出现了鹿、牛还是羊。但在养殖管理和生态监测场景中，更有价值的问题往往是：摄像头当前拍到的这只梅花鹿，究竟对应哪一个具体个体？

光圈 F 数与通光量：为什么关小光圈图像会变暗也会变清晰早上把焦距算完，镜头定了 25 mm。镜头上除了对焦环，还有一个环，就是光圈。现场挺常见的一种情况：工件表面有高有低，边缘总有一半是糊的，调试的人就把光圈往小了拧，一路拧到 F16。糊是不糊了，图暗得没法看，于是又把增益推上去。昨天早上那篇说过，增益一推，噪点跟着就来。图是又清楚又亮了，放大一看满屏雪花，边缘照样不稳。反过来也有人怕图暗，光圈一直开到最大，结果景深浅得要命，工件稍微一晃就虚。

远距巡检怎么选云台相机：先算焦距、视场与目标像素预算远距巡检方案经常从“需要多少倍变焦”开始讨论，但倍率只是最长与最短焦距的比值。面对厂区远端的一块标牌、一处设备轮廓或一辆作业车，更有用的问题是：目标最小细节有多大，最远工作距离是多少，送入识别算法后还能剩下多少像素？把这些量写清楚，镜头选型和现场验收才有共同尺度。

最快20分钟上手：Epic Pro软件如何实现3D视觉应用的极速部署部署一套3D视觉引导应用，通常需要多久？传统方案下，从相机选型、软件配置到机器人联调，工程师往往需要驻场数天甚至数周。迁移科技Epic Pro图形化软件平台的目标，是把这个过程压缩到小时级——20分钟上手，2小时跑通一套完整的视觉引导流程。

沐欣工作室_lvyiyi

基于机器视觉的物流分拣装置设计（论文+源码）（1）传感器感知需求：传感器实时采集传送带上目标物体信息，可精准识别铁材料、塑料材料、黑色非金属材料等目标种类，检测响应时间≤0.3s，识别精度≥99%；适配传送带运行场景，检测距离0.1-0.5m，抗干扰能力强，可抵御传送带振动、环境光线等干扰，确保目标物体信息采集精准，为控制器决策提供可靠依据。

相机靶面尺寸 1/1.8“、2/3“、1.1“ 到底多大？英寸规格的由来早上把 CCD / CMOS 的感光和读出捋了一遍。选型单子上紧跟着就冒出另一串让人懵的符号：1/1.8"、2/3"、1.1"。客户有时直接问：“2/3 寸是不是比 1/1.8 寸大一圈？按英寸算对角线不就得了？”按英寸去乘 25.4，答案会错得离谱。

对比度、信噪比与动态范围：图像质量的三把尺子上篇末尾说过，对比度、信噪比和动态范围这三把尺子，现场到底哪个先卡脖子。前两天聊的是镜头和像元能不能把细特征解析出来；解析够了，算法还是抖，多半就落到这三样上。

段一凡-华北理工大学

高炉炼铁机器视觉与智能识别十八讲~系列文章09：AI 算法基础：从传统图像处理到深度学习的视觉“大脑“前八期我们把高炉"看得见的战场"都摆了一遍——风口、料面、铁口、喷煤、料流。可这些画面，机器到底靠什么"看懂"？这就引出机器视觉的"大脑"——算法。从早期的手工特征传统图像处理，到如今的深度学习，算法经历了眼花缭乱的演进。本期作为算法篇开篇，为没有算法背景的炼铁人讲清楚：传统算法和深度学习各自擅长什么、怎么选、怎么一步步搭出视觉"大脑"，让你"不懂代码也能看明白门槛在哪"。

段一凡-华北理工大学

高炉炼铁机器视觉与智能识别十八讲~系列文章05：炉顶料面识别：装料分布判读与布料制度优化高炉"吃什么、怎么吃"，直接决定煤气利用率和炉况稳定——而这一切都写在炉顶料面上。料面平不平、漏斗深浅、有没有偏析，都是炉况的重要信号。可炉顶空间狭小、粉尘弥漫，用机械探尺只能测几个点，根本"看不清"全貌。炉顶料面机器视觉，就是要补上这层"全貌视野"：本期讲透炉顶"看什么"（料线/料形/分布）、“怎么自动看”（摄像+图像处理重建）以及"怎么用"（布料优化与异常识别）。

朗锐智科_机器视觉

3C结构件视觉检测实战：尺寸量测与外观缺陷的完整方案设计行业应用实战 · 第2篇离散工件、多工位、高精度——把相机、镜头、采集卡、工控机、传感器串成一套 3C 产线可复制的视觉方案

机器视觉VsionPro高级用法——如何使用脚本工具显示CogPMAlignTool工具的X坐标、Y坐标、角度在 VisionPro 项目开发中，使用CogPMAlignTool做模板匹配是最常用的定位手段。默认 PM 工具只能在结果面板查看位姿数据，很多场景需要直接在图像上叠加文字标签，直观展示匹配目标的 X 坐标、Y 坐标、旋转角度。 VisionPro 的脚本工具（UserScript）可以自定义绘图逻辑，在模板匹配完成后，自动把位姿文本绘制到图像上，不用借助额外图形工具。下面完整介绍实现思路、源码解析、使用步骤与常见坑点。

朗锐智科_机器视觉

锂电极片缺陷检测实战：从相机选型到系统集成的完整方案设计行业应用实战 · 第1篇把工业相机、图像采集卡、定制工控机、传感器串成一条产线——一个可落地的视觉系统方案长什么样

段一凡-华北理工大学

高炉炼铁机器视觉与智能识别十八讲~系列文章01：机器视觉如何重塑炼铁智能化在炉前工作过的老师傅大多有个遗憾：高炉是座"黑匣子"，只能靠经验猜。风从风口吹进去，料从炉顶看不见，铁口开合全凭手感——“看得见的看不见，看得见的来不及看”。直到机器视觉（Machine Vision）走进炼铁，高炉才第一次真正"长出眼睛"。本期是《高炉炼铁机器视觉与智能识别十八讲》的开篇，我们先从"为什么高炉需要眼睛"，讲到"机器视觉到底能看什么"，再给你一张贯穿全专栏的技术地图。这一期，不写代码、不讲算法，先把"认知"立起来。

朗锐智科_机器视觉

A3 多相机 + 采集卡：同步、触发与缓存的工程落地🏷️ 第五阶段 · 图像采集卡系列（A3 / 共3篇 · 收官） 📖 机器视觉硬件选型指南 ⏱️ 全文约 6800 字 · 20 分钟阅读

机器人上岗之后：视觉系统从 demo 到产线的四道坎过去两年，机器人应用跨过量产分水岭：产线质检、物流分拣、车间搬运、园区配送率先规模落地。但另一组事实同样真实：大量项目倒在从实验室到产线的路上，行业把这段距离叫「死亡之谷」。复盘这些项目会发现一个规律——卡住它们的很少是运动控制：六轴、SCARA、DELTA 的伺服与轨迹规划已经高度成熟；真正吃掉项目周期的，是视觉系统。本文按工程顺序拆解视觉落地的四道坎：环境光照、节拍预算、标定维护、成本控制，每道坎给出问题机理、工程对策与量化估算，供做方案选型与产线部署的同行参考。

【WPF-VisionMaster】机器视觉通用平台V5.0版本发行说明System.Windows.Controls 命名空间 | Microsoft Learn控件库 - WPF .NET Framework | Microsoft Learn

朗锐智科_机器视觉

光电传感器：机器视觉的“触发与到位“视觉系统的图像质量问题，大致可以分成三类：第三类最隐蔽：算法工程师会拼命调参来"弥补"触发不准，短期看有效，但换一个产线节拍，问题立刻复现。触发不准是调参调不掉的。

东莞市沃德普自动化科技有限公司

曲面反光工件表面缺陷检测实践：线扫成像在金属圆棒检测中的应用检测对象：金属圆棒。检测类型：掉边、斑点、螺旋纹、粗磨。像素精度要求：0.02mm/pixel。工件特征决定了两处难点：