做了十几年视觉项目，最大的感受是：算法出问题，70% 原因在光学。这篇主要聊聊光学成像在不同行业场景下的一些实际经验，希望对正在做项目的朋友有参考价值。

一、光源选型：没有"万能方案"

很多人上来就问"用条形灯还是环形灯"，其实这个问题本身就问错了方向。

光源选型要先搞清楚三件事：

1. 被测物表面是镜面、漫反射还是半透明？

2. 缺陷的物理本质是什么——划伤、异物、形变、色差？

3. 节拍要求多少？需不需要频闪？

举个例子：五金件表面划伤，很多人第一反应用同轴光，但实际上低角度侧打光对细线划更敏感，尤其是方向固定的拉丝划伤。同轴光更适合检测平整面上的凹坑或颗粒。

半导体晶圆的颗粒检测就更极端，暗场光 + 高倍远心镜头几乎是标配，换别的方案信噪比直接塌了。

二、镜头选型：畸变和景深是两个最容易被低估的参数

普通工业镜头在边缘会有畸变，用于尺寸测量时误差会累积，尤其是被测物靠近 FOV 边缘的情况。对尺寸精度有要求的场合（比如连接器端子间距、PCB 孔位），建议直接上远心镜头，不要用普通定焦凑合。

景深方面，3C 产品的玻璃盖板检测常见的问题是：被测面有一定曲率，焦面只有中间清晰、边缘模糊，导致边缘缺陷漏检。解决方法要么换景深更大的镜头组合，要么在光路上引入倾斜补偿（Scheimpflug 原理），两种路径成本差异很大，需要根据节拍和精度要求权衡。

三、AI 视觉介入后，光学的重要性反而更高了

有个误区需要说一下：AI 视觉并不能弥补光学成像质量差的问题。

成像本身信噪比低、对比度不足，再多的训练样本也很难把模型性能拉起来。反过来，如果光路设计得好，同样的算法用少得多的样本就能跑出不错的结果。

实际项目里遇到过一个食品包装的异物检测，客户用的透射光，异物和背景灰度差很小，深度学习模型怎么调误检率都降不下来。后来把光源改成特定波段的背光，对比度一下上来了，同样的模型结构，漏检率从 3% 降到了 0.2%。

所以 AI 视觉 + 光学成像，两者应该协同设计，而不是先做光学、再丢给算法去"救"。

四、几个常见行业场景的简单经验汇总

- 印刷包装：色差检测对相机的色彩一致性要求高，同批次相机都建议做色彩校准；条码检测注意景深够不够覆盖包装面的起伏

- 汽车电子：焊点检测通常用 2D+3D 方案，单纯 2D 对高度异常不敏感

- 半导体 AOI：环境振动影响很大，光学台和产线隔振是基础条件，别省这块

- 手机 3C 屏幕：点亮检测和关屏检测要分开做，混在一起会漏掉一类缺陷

内容比较零散，都是创视自动化在实际项目里踩坑总结的。创视自动化在机器视觉领域深耕十余年的真实写照。从最初的光源照明方案选型，到如今融合 AI 视觉算法的智能缺陷检测，我们始终在思考：光学成像能为工业客户带来什么样的价值。

欢迎同行交流，如果有具体场景问题可以在评论区说，看能不能帮上忙。