机器视觉

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：

智能相机的工程解剖：算力进机身之后，系统怎么设计机器视觉的架构正在换代：过去二十年「工业相机负责成像、上位机与服务器负责理解」的分体式架构，正在让位于传感、处理、IO 封装一体的智能相机。这不只是形态变化——当推理单元与感光元件的距离从几十米缩短到几厘米，延迟模型、带宽模型、部署与运维模型全部要重写。本文按架构演进、数据通路、算力选型、模型链路、热设计、端云协作六个环节，拆解一台智能相机的工程决策链，供选型与自研团队参考。

图像直方图图像直方图是传统计算机视觉、图像预处理、特征工程的基础模块，贯穿图像成像评估、增强、分割、匹配、目标检测、图像配准全链路。

C#工业机器视觉Recipe配方系统设计：多型号、多相机、多工位参数如何统一管理在非标机器视觉项目中，产品型号一旦从单一型号扩展到多个型号，软件复杂度往往会快速上升。相机曝光、视觉参数、ROI、检测阈值、PLC地址、存图规则等配置如果散落在代码和界面控件中，后期维护会非常困难。本文结合工业视觉软件实际开发场景，系统介绍一套基于 C# 的 Recipe 配方管理设计思路，包括配方数据结构、运行时快照、参数切换、版本管理、导入导出及异常回滚等内容。

Microvision维视智造

产品尺寸一年一换，视觉系统能跟几次？九点半，客户工艺负责人老赵的手机响了。老板在电话那头就一句话：“下周三，产线切G12R，你那个视觉系统，跟不跟得上？”

tuple_max求数组中的最大值下面的代码中，tuple_max 就是用来求数组中的最大值的，数组a中的最大值是5，tuple_max算子有两个参数，第一个为输入的数组，第二个为输出的最大值

标注平台---CVATCVAT（Computer Vision Annotation Tool）是一套完整的、面向工业级数据集生产的全链路平台，覆盖数据管理、多人协作标注、视频目标跟踪、AI 辅助标注、质量控制、多格式导入导出以及自动化 API 等完整能力。

阿瑞斯官方账号

ARCHPD晶圆晶粒计数设备｜半导体晶圆AI视觉自动化计数检测技术方案在半导体6寸、8寸、12寸晶圆量产制程中，晶圆晶粒ink打点后人工显微镜计数是行业传统主流工艺。该人工作业模式存在多重技术弊端：人工目视计数效率极低，无法匹配自动化产线节拍；人工读数主观误差大，常规误差区间达2%-5%，计数数据准确率无法保障；针对微型晶粒、多层复杂结构晶圆图案，极易受晶圆表面反光、晶粒边缘模糊、光影干扰等因素影响，频繁出现漏检、错检问题，直接导致晶圆良率统计失真、生产数据不准，影响整体晶圆生产质控精度。

长江后浪博客

YOLOv26+500万彩色工业相机实现药品铝塑板颗粒完整度检测：缺粒识别、颜色检测与穹顶漫射光机器视觉方案在药品生产过程中，铝塑板是非常常见的一种药品包装形式。一板药品通常由多个泡罩组成，每个泡罩内部对应一颗药品。生产过程中可能出现：