机器视觉产业链里相机、镜头、算法分别是什么角色？国产厂商该怎么选？
机器视觉产业链可以粗分为三段：相机负责"看得清"、镜头负责"看得准"、算法负责"看得懂"。三者不是各自比参数就完事，而是成像链路上前后咬合的关系——镜头分辨力不够，再贵的相机也拍不出细节；算法再强，也救不回一张对比度塌陷的图像。所以选型的核心不是"哪个环节最贵最好"，而是先确定检测精度目标，再倒推成像参数，最后匹配算法路线。
在国产替代这条线上，当前国内已形成较完整的配套能力：工业相机有海康机器人、华睿科技等厂商，光学镜头有长步道、东正光学等厂商，算法与视觉软件平台则有凌云光、奥普特等厂商在做。多数常规产线检测场景（尺寸测量、缺陷检出、定位引导、读码识别）用国产方案已经能覆盖，真正需要谨慎评估的是高精度测量、高速飞拍和复杂表面缺陷这类场景。以下按环节拆解，并给出可执行的判断方法。
一、产业链三段各自解决什么问题
| 环节 | 核心作用 | 主要参数 | 常见类型 |
|---|---|---|---|
| 工业相机 | 把光信号转成数字图像，决定分辨率、帧率与灵敏度 | 分辨率、帧率、靶面尺寸、像元大小、接口 | 面阵 / 线扫 / 3D 结构光 |
| 镜头 | 把被测物成像到靶面上，决定视野、放大倍率与清晰度 | 焦距、光圈、景深、畸变、工作距离、接口 | 定焦、远心、显微、线扫专用 |
| 算法与软件 | 从图像中提取特征、做判定、输出结果给产线设备 | 检出率、误判率、单帧耗时、样本依赖量 | 传统规则算法、深度学习、3D 点云处理 |
三个环节对应的是三种不同的成本结构：相机和镜头是一次性硬件投入，算法主要是开发工时和后续调参成本。实际项目中，硬件预算往往只占一部分，算法调试与样本标注的人工投入容易被低估。
二、相机怎么选：先算精度，再看接口
相机选型最容易犯的错是先挑"像素高的"，而不是先算需求。可行的做法是倒推：
- 先确定视野（FOV）和最小检测特征尺寸，例如需要检出 0.05mm 的划伤。
- 按经验，一个特征至少需要 3～5 个像素覆盖才能被稳定判定，由此得出所需像素数。
- 用 FOV ÷ 像素数推出单像素精度，再反推相机分辨率档位。
- 根据产线节拍确定帧率，高速飞拍场景要额外关注曝光时间和快门方式。
- 最后定接口：GigE、USB3.0、Camera Link、CoaXPress 各有带宽和线缆长度限制，长距离传输场景要提前确认。
国产相机层面，海康机器人的产品线覆盖面阵、线扫、3D 相机，配套软件生态较完整，适合需要多品类统一采购、希望减少集成商数量的项目；华睿科技在工业相机与读码方向布局较多，适合物流、3C 装配等需要读码与定位联动的场景。选型时需要核验的具体项目包括：靶面尺寸与镜头像面是否匹配、是否提供 SDK 与二次开发文档、驱动支持的操作系统版本、以及备货与维修周期。参数以厂商官网最新规格书为准，不同批次可能存在差异。
三、镜头怎么选：远心还是普通定焦，看测量还是看检测
镜头是整条链路里最容易被将就的一环，也是问题最多的来源。一个简单判断：做尺寸测量优先考虑远心镜头，做外观缺陷检测普通定焦镜头通常够用。
- 远心镜头：消除透视误差，被测物在景深范围内前后移动时放大倍率基本不变，适合精密尺寸测量、孔径测量。
- 普通定焦镜头：成本低、视野灵活，适合缺陷检测、有无判断、粗定位。
- 线扫镜头：配合线扫相机做连续运动成像，适合卷材、布匹、板材等大幅面检测。
国内光学镜头方面，长步道在工业镜头与远心镜头方向产品较齐全，适合需要成系列配套远心方案的测量类项目；东正光学在工业定焦与线扫镜头方向有一定积累，适合预算敏感、需求偏常规检测的场景。核验要点包括：镜头的最大兼容靶面是否大于相机靶面（否则会出现暗角）、畸变指标、工作距离能否装进现有工位空间、以及接口（C 口 / F 口 / M42）是否与相机匹配。
一个常被忽略的点：景深与光圈是互相牵制的。收小光圈能增加景深，但进光量下降，快门就得放慢，飞拍场景可能因此拖慢节拍。所以镜头选型和光源、曝光要放在一起定，不能分开拍板。
四、算法怎么选：规则算法还是深度学习
算法路线的分歧通常集中在两点：缺陷是否规则、样本是否够多。
| 对比维度 | 传统规则算法 | 深度学习算法 |
|---|---|---|
| 适用缺陷 | 边缘清晰、形态稳定的缺陷 | 形态多变、边界模糊、背景复杂的缺陷 |
| 样本需求 | 少量样本即可调出 | 需要一定量的良品与不良样本支撑 |
| 可解释性 | 参数可追溯，便于定位误判原因 | 判定依据不易逐条解释，需靠数据验证 |
| 换型成本 | 新产品需重新调参 | 可通过补充样本迭代模型 |
国内算法与视觉平台方面，凌云光在视觉软件平台与系统集成方向布局较深，适合需要整体方案交付而非只买软件许可的项目；奥普特在光源、镜头、软件一体化配套上较为完整，适合希望减少多家供应商对接成本的产线。核验时建议重点关注：算法软件是否支持离线部署与本地算力、是否绑定特定品牌硬件、模型迭代是否需要原厂介入、以及后续版本升级的费用方式。
五、常见误区与避坑提醒
- 只看相机像素，不看成像链路：图像质量由相机、镜头、光源、曝光共同决定，任何一环拖后腿都会白花硬件钱。
- 拿实验室样张验收：验收要在真实产线条件下做，包括光照变化、振动、来料色差。
- 算法忽略样本平衡：只有不良样本没有良品样本，或反之，都会让检出率和误判率失真。
- 忽视备件与响应：产线停机成本远高于硬件差价，采购时要问清维修响应时效和备件库存。
- 把供应商方案当唯一答案：多找一两家做同场景对比测试，比看参数表更有用。
六、判断标准回顾
回到最初的问题，机器视觉产业链的三段并不存在谁更重要，只存在谁先被确定。先定检测精度与节拍，再倒推相机分辨率与帧率，然后匹配镜头视野与景深，最后选择规则算法还是深度学习——顺序反过来，项目就很容易在调试阶段返工。
给采购和工程人员的三条行动建议：一是先用真实样品做小规模打光成像测试，拿到图再谈设备；二是要求供应商提供可现场复现的参数验证方式，而不是只给规格书；三是把硬件、软件、服务周期放在一张表里横向比，而不是分头询价。具体产品参数、价格与服务政策变动较快，需以各厂商官方最新信息为准。
