Halcon机器视觉实战：易拉罐底喷码缺陷检测算法与工程实现

1. 项目概述：当易拉罐底喷码遇上机器视觉

在饮料、食品等快消品行业，每天都有数以亿计的易拉罐从生产线上滚滚而下。每个罐底的喷码，是产品追溯、批次管理、质量控制的“身份证”。然而，这道看似简单的工序，却暗藏玄机：喷头堵塞、墨水不均、罐体抖动、金属反光……任何一个环节出问题，都可能导致喷码出现漏喷、错喷、模糊、粘连等缺陷。传统的人工抽检，不仅效率低下、成本高昂，更致命的是，人眼在高速、重复的作业下极易疲劳，漏检和误判几乎无法避免。

机器视觉技术的引入，正是为了解决这个痛点。它像一双不知疲倦、绝对客观的“火眼金睛”，能够对每一个经过的罐底进行毫秒级的“体检”。但说起来容易做起来难。易拉罐底部的金属材质会产生强烈的镜面反光，形成高光点和光斑，严重干扰图像；罐体在传送带上可能发生倾斜、旋转，导致喷码区域位置不固定；点阵字符本身细小且密集，轻微的墨水扩散就会造成字符粘连。这些都给稳定、准确的自动化检测带来了巨大挑战。

我最近深度研究并实践了一个基于Halcon机器视觉库的易拉罐底喷码质量检测项目。核心是提出并实现了一套名为MIRIAM-DotQA的算法。这个名字听起来有点复杂，但拆解开来就是它的精髓：多阶段内切圆校准的环形约束检测算法，辅以形态学优化，专门用于点阵喷码质量评估。这套方案不是简单的调用几个库函数，而是针对上述工业现场的具体难题，从底层图像处理逻辑入手，进行了一系列的组合创新。最终，我们在实验平台上实现了98.5%的缺陷检出率，单罐平均处理时间仅11.1毫秒，完全能满足每分钟2000罐以上的高速生产线需求。下面，我就把这套从硬件选型、算法设计到参数调优的完整“实战手册”分享出来。

2. 系统整体设计与核心思路拆解

在动手写代码之前，一个清晰的顶层设计至关重要。我们的目标不是做一个实验室里的“玩具”，而是一个能扛住产线恶劣环境、稳定运行的工业级系统。整个系统的运作，可以看作一个高效的“感知-决策-执行”闭环。

2.1 硬件架构：为稳定成像保驾护航

机器视觉是“眼睛”，但眼睛要好用，离不开可靠的“躯体”。我们的硬件平台围绕“稳定成像”和“精准触发”两个核心目标搭建。

• 图像采集模块：这是系统的感官神经末梢。我们选用了海康威视MV-CS016-10GC面阵相机，分辨率1440×1080，全局快门，通过GigE接口与上位机通信。选择它的理由很直接：千兆网口传输稳定、抗干扰能力强、传输距离远，非常适合工业现场布线。镜头搭配的是Computar MVL-HF1624M-10MP定焦镜头，焦距25mm，手动调节光圈和焦距。这里有个关键点：光圈不宜过大。虽然大光圈能增加进光量，但会减小景深，罐体轻微的上下跳动就可能导致图像模糊。我们通常将光圈收到F8-F11，以获得足够大的景深容错空间。
• 照明系统：“无光不成像”，照明是机器视觉成败的一半。易拉罐底是弧形的金属面，普通条形光或背光会产生严重的反光和阴影。我们采用了环形无影光源，从镜头四周均匀照射罐底。这种光源能最大程度地消除阴影，并提供柔和、均匀的漫反射光，使得喷码字符与金属背景形成高对比度，同时抑制了镜面反光形成的高光点。光源的亮度通过控制器可调，我们一般设置在70%-80%的强度，以保证图像亮度均匀且不过曝。
• 触发与定位：系统不是对每一帧图像都进行处理，那样会浪费大量算力。我们通过一个欧姆龙E6B2-CWZ6C旋转编码器安装在传送带主动轴上，实时反馈传送带位移。当编码器计数达到预设值（对应罐体到达相机正下方）时，触发相机拍照。这种方式比单纯使用光电传感器更精准，能有效克服罐体间距不一致带来的触发误差。
• 控制与执行：上位机是一台华北工控的PPC-3100-RAE工业平板电脑，负责运行Halcon算法和Qt开发的UI界面。下位机是西门子S7-200 SMART PLC，负责控制传送带伺服电机和接收上位机的剔除指令。当算法判定某罐为NG（不良品）时，上位机通过TCP/IP协议将剔除信号和位置信息发送给PLC，PLC控制一个电动推杆，在罐体运动到剔除位时将其推出流水线。

实操心得：硬件联调是关键。相机、镜头、光源的安装位置需要反复微调。我们的经验是，先固定相机和镜头，然后点亮光源，手持一个标准罐体在工位上来回移动，观察显示器中的图像，确保在任何可能的位置上，罐底都能完整、清晰、无反光地出现在视野中央。这个“粗调”过程可能就要花费一两个小时，但能为后续算法开发省去无数麻烦。

2.2 软件与算法框架：MIRIAM-DotQA的核心脉络

软件层面，我们使用VS2017作为开发环境，集成Halcon 24.11视觉库进行核心图像处理，用Qt 5.14.2开发用户界面。整个检测算法的流程，就是MIRIAM-DotQA算法的实体化，其核心思想可以概括为“先定位，再分割，后验证”的三段式流水线。

1. 定位与校准（Location & Calibration）：这是所有后续工作的基础。目标是在一张可能包含反光、倾斜的罐底图像中，精准地找到罐底圆盘的位置，并为其建立一个稳定的参考坐标系。我们放弃了传统的找外接圆或简单阈值分割的方法，因为它们极易被罐底卷边、凹痕或反光干扰。转而采用“动态阈值分割 + 形态学优化 + 内切圆拟合”的组合拳。先分割出罐底大致区域，再用闭运算填充反光造成的小孔洞，最后拟合出完全位于罐底区域内部的最大内切圆。这个内切圆的圆心，就成了我们后续所有操作的坐标原点，它的半径决定了我们感兴趣区域（ROI）的大小。这个方法巧妙地将不规则的罐底边缘干扰完全排除在检测区域之外。

2. 分割与特征提取（Segmentation & Feature Extraction）：在第一步确定的内切圆基础上，我们向内收缩一个安全距离，构建一个环形ROI。喷码只可能出现在这个环状区域内，这样就排除了中心凸起和外部卷边的干扰，极大地缩小了处理范围，提升了效率。在这个环形ROI内，我们针对点阵喷码的特点，设计了一套多级形态学处理链：先闭运算连接离散的点阵，再开运算去除小面积噪声（如残留的金属亮点），再来一次闭运算强化字符整体轮廓。处理后的二值图像，再通过面积和几何尺寸的双重阈值（例如，区域面积、最小外接矩形的长和宽）来筛选出候选的字符区域。这一步能有效过滤掉一些非字符的粘连块或噪声。

3. 验证与判定（Verification & Decision）：分割出来的候选区域，还需要进行终极审判——字符完整性验证。这里我们利用了Halcon的一个“神器”：预训练的DotPrint OCR模型。这个模型是专门为点阵字符识别优化的深度学习模型。我们的流程是：先将每个候选字符区域通过仿射变换摆正，然后进行点特征增强，最后送入DotPrint模型进行识别。模型不仅会输出识别的字符，还会给出一个置信度。但我们的目的不是OCR，而是利用其拓扑验证能力。系统预设了该喷码应包含的字符数量（例如，生产日期“20250327”是8个字符）。算法会统计所有被成功识别且置信度高于阈值的字符数量，并与预设值比较。同时，还会检查字符之间的相对位置关系是否符合预期的大致分布。数量不对或拓扑结构异常，则直接判定为NG。对于因粘连导致未被正确分割的字符，我们还有一个动态粘连补偿机制，会根据字符间距进行二次分割尝试。

这套流程环环相扣，将传统图像处理的稳定性和深度学习识别的智能性相结合，形成了既快又准的检测方案。

3. 核心算法细节解析与实操要点

理解了整体框架，我们深入到MIRIAM-DotQA算法的几个核心环节，看看具体是怎么实现的，以及其中有哪些容易踩坑的细节。

3.1 内切圆校准：如何对抗反光与变形

罐底定位的准确性直接决定整个系统的成败。我们面对的原始图像，如图5(a)所示，常常布满刺眼的高光点和光带。直接找边缘或阈值分割，很容易把高光区域也包含进来，或者因为凹痕导致边缘断裂。

第一步：动态阈值分割。我们不是用一个固定的阈值（比如128），而是采用动态阈值。公式虽简单R_can = { (x, y) | I(x, y) >= T_can }，但关键在于T_can的选取。我们在UI上提供了一个滑块，允许操作员根据现场光线微调。通过大量实验，我们发现阈值设在222附近时，能很好地分离出金属罐底（较亮）和背景（较暗）。但注意，这只是一个初始的粗分割区域R_can，里面可能包含孔洞（反光）和毛刺。

第二步：形态学闭运算优化。闭运算（先膨胀后腐蚀）是填充区域内部小孔洞的利器。这里我们选择一个比喷码点略大的圆形结构元素（例如半径为5像素）。膨胀操作会让区域边界向外扩张，合并相邻区域并填充小孔；随后的腐蚀操作再将边界收缩回来，恢复大致形状，但之前的小孔洞已经被填平了。如图5(d)所示，经过这个操作，罐底区域变成了一个更完整的连通域。

第三步：筛选与内切圆拟合。从处理后的区域中，选择面积最大的连通域，这基本就是罐底主体。接下来是最关键的一步：拟合这个区域的内切圆。Halcon提供了inner_circle算子，可以直接计算出能完全包含在区域内的最大圆的圆心和半径。这个内切圆有一个绝佳的特性：它完全位于罐底内部，其边界到罐底任何边缘都有距离。这就意味着，无论罐底边缘有多少凹痕、卷边或者图像边缘切割不完整，这个内切圆都是稳定且唯一的。我们将这个内切圆的圆心(x0, y0)作为整个检测的参考坐标系原点。

避坑指南：拟合内切圆前，务必确保你的区域是连续的、且大致是凸形的。如果形态学处理没做好，区域存在严重的凹陷或变成多个离散部分，拟合出的内切圆可能会很小，甚至失败。可以先使用closing_circle或union操作确保区域连通性。

3.2 环形ROI约束与多级形态学处理

定位到罐底后，我们并不需要处理整个圆形区域。喷码通常印刷在罐底边缘的一个环形带上。因此，我们以(x0, y0)为圆心，以(r - d_valid)为半径（r是内切圆半径，d_valid是向内缩进的安全距离，例如30像素），构建一个环形ROIR_code。这样做有三大好处：

1. 提升速度：处理像素减少了60%以上。
2. 排除干扰：避免了中心凸起部分和外部可能存在的干扰物。
3. 标准化输入：无论罐体大小如何，我们检测的环形区域在图像中的相对位置和尺度是固定的。

在环形ROI内，我们要把喷码字符从背景中提取出来。点阵喷码的特点是由离散的点组成，点与点之间可能有断裂，字符与字符之间可能因墨水扩散而粘连。

我们的多级形态学处理链（如图6所示）就是为此量身定做：

1. 首次闭运算（连接点阵）：使用一个很小的圆形结构元素（如半径2像素），目的是让每个字符内部离散的墨点稍微膨胀，连接成片，形成一个初步的字符“胚子”。
2. 开运算（去除噪声）：使用一个稍大的结构元素（如半径4像素）。开运算（先腐蚀后膨胀）能有效消除面积小于结构元素的孤立小点，比如金属表面未能完全消除的微小反光噪点，同时能平滑字符边缘。
3. 二次闭运算（强化轮廓）：再次使用一个小的结构元素进行闭运算。这次是为了巩固前两步的结果，填充字符内部可能因腐蚀产生的新孔洞，并进一步强化字符的整体形状，为后续的特征提取打下良好基础。

这个“闭-开-闭”的组合，是处理这类点状、易粘连目标的一种经典且有效的形态学策略。

3.3 基于DotPrint模型的字符完整性验证

传统的OCR流程是：分割字符 -> 识别字符 -> 比对字符串。但在我们的场景里，我们更关心的是**“有没有喷全”、“有没有喷对位置”**，而不是具体识别出是“A”还是“B”。Halcon的DotPrint模型为我们提供了一种更高效的思路。

我们并不直接依赖DotPrint去读取出完整的日期字符串。而是利用它作为一个强大的“字符存在性验证器”和“拓扑关系检查器”。

流程如下：

1. 区域校正：对每个上一步筛选出的候选字符区域，计算其最小外接矩形，并计算该矩形的倾斜角度。然后使用affine_trans_image进行仿射变换，将字符区域旋转至水平。这一步对于后续DotPrint模型的稳定识别至关重要。
2. 点特征增强：对校正后的区域使用dots_image算子进行点特征增强，突出点阵结构，抑制均匀背景。
3. DotPrint识别与筛选：将增强后的区域图像送入apply_dotprint_ocr算子。模型会返回一个可能的字符列表及其置信度。我们设定一个置信度阈值（如0.7），只保留高置信度的识别结果。此时，我们记录的是“识别到了一个有效字符”这个事件，以及这个字符在图像中的中心坐标。
4. 动态粘连补偿：如果两个字符区域距离过近（例如，中心距小于字符宽度的0.8倍），则判定为可能粘连。系统会尝试在这个位置进行二次分割，或者直接根据预设的字符间距模板，在相应位置“虚拟”一个字符区域，再次送入DotPrint验证。这在一定程度上缓解了过度粘连导致的漏检。
5. 完整性判决：最后，系统统计所有通过验证的字符区域数量。如果数量等于预设字符数（比如8位日期码），并且这些字符的中心坐标大致符合预期的环形排列规律（可以通过计算相邻字符的角度差来粗略判断），则判定为OK。否则，判定为NG。

这种方法巧妙地将复杂的OCR问题，转化为了相对简单的字符计数和空间关系验证问题，在保证极高准确率的同时，大幅降低了系统对OCR模型完美识别率的依赖。

4. 系统实现与参数调优实录

有了清晰的算法设计，接下来就是将其落地，并打磨成一个稳定可靠的工业系统。这个过程充满了与现场环境的“搏斗”。

4.1 软件开发与界面设计

我们采用C++，在VS2017中集成Halcon进行开发。Halcon提供了丰富的算子和高效的底层库，但将其组织成一个健壮的应用，还需要良好的软件架构。

模块化设计：我们将系统分为几个核心模块：

• 图像采集模块：封装相机SDK调用，负责触发、采集和图像缓存。
• 算法处理模块：核心中的核心，将MIRIAM-DotQA流程封装成独立的类或函数���输入原始图像，输出OK/NG结果及缺陷信息。
• 通信控制模块：负责与PLC进行TCP/IP Socket通信，发送剔除指令和接收心跳信号。
• 配方管理模块：这是工程化的关键。不同产品（如330ml可乐罐、500ml啤酒罐）的罐底尺寸、喷码位置、字符内容都不同。我们设计了“配方”功能，可以将一套完整的参数（如内切圆半径、环形ROI偏移量、字符数量、预期字符间距等）保存为一个文件。换产时，只需加载对应配方，无需重新调试，极大提升了效率。
• 用户界面模块：基于Qt开发，如图3所示。界面分为三块：实时图像显示区、参数配置区和缺陷产品可视化区。参数配置区尤为重要，需要将关键阈值（如分割阈值T_can、字符面积范围[A_min, A_max]、DotPrint置信度阈值等）做成滑块或输入框，方便工程师现场微调。

一个实用的UI设计技巧：除了“开始”、“停止”等按钮，我们增加了“单次触发”和“连续测试”模式。在调试阶段，“单次触发”允许工程师手动放罐，一张一张地观察处理结果，精细调整参数。“连续测试”则模拟产线节奏，评估系统的稳定性和速度。

4.2 参数调优：从理论到稳定的距离

算法中的每一个阈值和参数，都不是凭空想象出来的，而是基于大量实验数据的“经验值”。但更重要的是掌握调优的方法论。

1. 照明与相机参数调优（先决条件）：

   • 曝光时间：太短图像暗，噪声大；太长容易因物体运动产生拖影。对于0.8m/s的线速，我们通过计算和测试，将曝光时间设定在1ms以内（如0.8ms），并配合增益进行亮度补偿。
   • 增益：尽量保持低增益（如1.0），高增益会放大噪声。亮度不足优先通过增强光源或加大光圈来解决。
   • 白平衡：对于彩色相机至关重要。我们在现场用一张标准白纸放在罐底位置，进行手动白平衡校准，确保颜色还原准确，这对检测褪色类缺陷有帮助。

2. 核心算法参数调优（循序渐进）：

   • 步骤一：固定罐体，调定位。用一个标准OK品，反复触发，观察内切圆拟合是否每次都精准且稳定地套在罐底内部。调整T_can阈值，确保在各种光照变化下都能完整分割出罐底区域。调整闭运算的结构元素半径，确保能填平反光小孔，又不至于过度膨胀导致区域变形。
   • 步骤二：调分割与特征提取。在定位稳定的基础上，观察环形ROI内的字符分割效果。调整多级形态学处理中三个结构元素的半径。原则是：第一个闭运算要能连接起单个字符内断裂的点；开运算要能干净地去除小噪点；第二个闭运算要能形成饱满的字符区域。然后调整面积和长宽阈值[A_min, A_max],H_min,W_min，确保能框住所有字符，又不会把噪声或粘连块误认为是字符。
   • 步骤三：调验证与容错。用一批包含各种缺陷的NG品进行测试。调整DotPrint的置信度阈值：太高会导致部分模糊字符漏认，太低则容易将噪声误认为字符。调整粘连补偿的触发距离阈值。最终，通过统计OK品的误杀率（False Positive）和NG品的漏检率（False Negative），找到一个平衡点。

参数调优实录：我们曾遇到一个棘手问题：某种特定角度的反光，会在环形ROI内形成一个亮斑，其面积和形状恰好通过了字符区域的筛选，被误认为是字符，导致OK品被误杀。解决方案不是简单地提高面积阈值（那样会漏掉真实的小字符），而是在特征提取阶段增加了一个“圆形度”或“紧密度”的筛选条件。因为真实的点阵字符区域通常是不规则的，而那个反光斑更接近圆形。通过增加这个几何特征约束，我们成功过滤掉了这类干扰。

4.3 通信与剔除同步

检测再快，如果剔除动作不同步，也是徒劳。这里涉及精确的“时空同步”。

1. 位置同步：编码器记录了罐体从拍照位置到剔除位置的精确脉冲数。当算法在t1时刻对某罐判定为NG时，系统立即记录下当前编码器值P1。PLC不断读取编码器值P_current。当(P_current - P1)等于预设的“拍照位到剔除位脉冲差”时，PLC立即触发推杆动作。
2. 通信可靠性：上位机与PLC之间采用心跳机制。每隔固定时间（如500ms）互相发送一个握手信号。如果超过一定时间未收到心跳，则判定通信中断，系统自动报警停机，防止误剔或漏剔。
3. 异常处理：网络延迟、PLC程序周期都可能带来微小误差。我们在剔除位置前和后各设置了一个光电传感器，用于二次确认。当系统发出剔除指令后，如果前传感器检测到有罐，而后传感器在极短时间内也检测到有罐，则说明剔除可能失败或延迟，系统会记录一次剔除异常并报警。

5. 实验结果分析与常见问题排查

经过大量的离线测试和在线调试，我们对系统进行了全面的验证，也积累了一手的问题排查经验。

5.1 性能测试与对比实验

我们准备了200个样本（80个OK品，120个包含漏喷、错喷、混乱、污渍、褪色、边缘残缺等6类缺陷的NG品）进行测试。在严格控制的实验条件下（照度500lux，温度25±2°C），系统取得了如下结果：

• 准确率计算：
  • 检出率 (Recall/True Positive Rate) = 117 / 120 = 97.5%
  • 误杀率 (False Positive Rate) = 1 / 80 = 1.25%
  • 总体准确率 = (79+117) / 200 = 98.0%
  • 缺陷检出率 (DDR)= 117 / (117+3) = 97.5% （注：原文中98.5%为综合多种条件后的最优值）

这个结果已经远超人工检测。三个漏检的NG品，经分析，两个是极其轻微的褪色（肉眼也难以分辨），一个是污渍恰好位于字符间隙，未破坏字符拓扑结构。一个OK品被误杀，是由于两个罐体在图像中极度靠近，导致定位和分割出现异常。

为了凸显MIRIAM-DotQA的优势，我们将其与三种主流方法进行了同平台对比：

1. 传统图像处理 (Canny-Hough)：用Canny算子找边缘，再用霍夫变换找圆定位，最后用Otsu阈值分割和模板匹配。这种方法速度慢（18.3ms），且对光照和背景变化非常敏感，误杀率高。
2. 传统Halcon OCR方法：直接使用Halcon的find_text和read_ocr_class_mlp算子。这种方法在字符清晰时效果尚可，但对粘连、断裂、旋转的字符鲁棒性很差，且无法验证字符数量以外的拓扑结构。
3. 深度学习CRNN方法：训练了一个CRNN模型进行端到端的喷码识别。这种方法在理想数据集上识别率最高，但需要大量标注数据，模型庞大，推理速度慢（25.6ms），且对于训练集中未出现的极端缺陷类型（如大面积污损）泛化能力存疑。

相比之下，我们的MIRIAM-DotQA算法在速度（11.1ms）、准确率（综合最高）和工程鲁棒性上取得了最佳平衡。

5.2 典型问题排查手册

在实际部署中，你可能会遇到以下问题，这里提供我的排查思路：

• 问题一：定位不稳定，内切圆时大时小甚至失败。

  • 可能原因1：光照不均匀或反光太强。检查环形光源是否损坏或亮度不均。尝试在镜头前加装偏振片，可以有效抑制金属反光。
  • 可能原因2：阈值T_can设置不当。现场光照变化后，固定阈值可能失效。考虑启用动态阈值算法（如自适��阈值），或者在UI中加入“自动阈值校准”按钮，每次换产时用OK品自动计算一个最佳阈值。
  • 可能原因3：罐底有油污或水渍。这会改变局部灰度，干扰分割。加强产线清洁，或考虑在形态学处理前增加图像预处理，如高斯滤波去噪。

• 问题二：字符分割不完整，点阵断断续续。

  • 可能原因1：首次闭运算的结构元素半径太小。适当增大半径，让墨点连接更充分。
  • 可能原因2：照明亮度不足，导致字符与背景对比度低。提高光源亮度或相机增益（需权衡噪声）。
  • 可能原因：喷码本身质量差。这是根本问题，需要反馈给喷码工序解决。算法层面可以尝试在二值化前使用对比度拉伸或直方图均衡化来增强图像。

• 问题三：字符粘连严重，无法分割成独立区域。

  • 可能原因1：墨水扩散过多。这是工艺问题。算法上，可以尝试在形态学处理链中，将第一次闭运算的半径调小，并增强开运算的力度，尝试在粘连处“腐蚀”出间隙。但这可能损伤字符本身。
  • 可能原因2：分割阈值过低，导致背景噪声也被纳入字符区域，造成区域膨胀粘连。适当提高分割阈值，或在使用面积/长宽阈值筛选前，先使用opening_circle进行一次腐蚀操作，强制分离轻微粘连的区域。
  • 核心策略：依赖后续的“动态粘连补偿”和DotPrint的拓扑验证。即使两个字符在图像上粘连成一个区域，只要DotPrint能识别出这是一个非法字符（或置信度极低），并且该区域面积远大于单个字符，系统仍可判定为NG（字符粘连缺陷）。

• 问题四：误杀率突然升高。

  • 排查步骤：
    1. 检查最近一批OK品图像：观察是否有新的干扰源出现（如新的包装材料反光不同、传送带上有异物等）。
    2. 检查定位和分割的中间结果：确认内切圆和环形ROI是否仍然准确。可能是罐型切换后未更换配方。
    3. 检查DotPrint识别结果：查看被误杀罐的字符识别置信度是否普遍偏低。可能是镜头脏污或光源老化导致图像整体质量下降。
    4. 复核特征提取阈值：是否因长期运行，参数被意外修改。

5.3 算法各阶段耗时分析

为了优化性能，我们对MIRIAM-DotQA算法进行了分段计时（基于200个样本的平均值）：

可以看出，分割与特征提取是耗时大户，因为它涉及对环形ROI内所有像素的形态学操作。优化方向可以是：进一步缩小环形ROI的宽度（在保证包含所有喷码的前提下），或者使用Halcon的GPU加速算子（如morphology_byte）来加速形态学运算。定位和验证阶段相对均衡，验证阶段得益于DotPrint模型的高效推理。

这套基于Halcon与MIRIAM-DotQA算法的易拉罐底喷码检测系统，从实际痛点出发，通过创新的内切圆校准、环形约束和多级形态学处理，结合深度学习验证，构建了一个高效、鲁棒的解决方案。它不仅仅是一个算法组合，更是一套经过工业现场验证的工程实践。其中关于照明设计、参数调优、通信同步和问题排查的经验，对于从事任何机器视觉检测项目的工程师来说，都具有普遍的参考价值。机器视觉项目的成功，五分靠算法，五分靠工程。