1. 先把丑话说在前面选型阶段犯的错90%会在现场加倍奉还1.1 视觉选型不是攒电脑是给产线装眼睛机器视觉项目做到一半发现检不出来十有八九不是算法不行而是选型阶段就埋了雷。我见过太多项目相机、镜头、光源、工控机一整套按报价单买回来等到了现场打光一开图像不是黑边就是反光不是拖影就是过曝。这时候再回头改选型交付周期翻倍、预算超支客户现场一堆人等着工程团队只能硬着头皮拿不合理的图像去调算法最后项目上线了也天天误检漏检。为什么选型这么容易翻车因为视觉系统和攒电脑有本质区别。攒电脑你只要保证CPU、内存、主板互相兼容性能就约等于每个部件的性能相加。但一套视觉系统的性能不是靠单个硬件决定的而是由光路、传感器、处理算法三者共同决定的。这里我习惯用一个类比讲给新人听相机的像素数量相当于眼睛视网膜上的感光细胞数量镜头相当于晶状体光源相当于环境光线算法相当于大脑视觉皮层。感光细胞再多晶状体是模糊的看不清晶状体清楚但光线太暗同样看不清全都清楚但大脑处理不过来一样白搭。所以选型这件事本质是在约束条件下做一套系统级的匹配而不是简单地选个分辨率高的相机。1.2 翻车项目背后的三个共性根源我复盘过不少翻车项目发现无论行业怎么变背后逃不开这三个根源。第一需求描述模糊。客户说我要检测表面缺陷但缺陷是划痕还是脏污最小尺寸多大是透明玻璃还是反光金属颜色是黑底白点还是白底黑点大多数需求方根本说不清楚。你拿着这样的模糊需求去选型参数自然全是猜的。第二参数之间互相耦合。分辨率、视野、帧率、曝光、光源亮度、带宽、算力这些不是独立变量。为了看清楚把视野缩小分辨率也许够了但节拍跟不上为了提高帧率缩短曝光光源又不够亮加大光源反光又出来了。任何一个参数的调整都会牵动其他参数很多新手只盯着其中一个死磕其余全凭感觉。第三缺少验证环境。绝大多数项目死在没有在真实样件上做过打光测试就跑去报价下单。后面我会用专门一节讲这件事这里先记住一句话选型清单上的数字再漂亮也不如一张在真实样件上拍出来的图像有说服力。三个根源叠加就是标题里说的翻车率居高不下的原因。下面把8个深坑一个一个拆开讲每一个都配合计算方式和现场教训你可以直接拿去用。2. 深坑一分辨率和精度傻傻分不清500万像素一样测不准2.1 一个像素不等于一个微米新手最喜欢问的问题检测0.05毫米的缺陷要选多少万像素的相机然后最常见的错误答案是视野100毫米除以0.05毫米等于2000500万像素2448×2048绰绰有余。这个算法错就错在把精度和分辨率划了等号。图像上一个像素对应的物理尺寸计算公式是单像素尺寸 视野 ÷ 像素数。如果视野是100mm宽相机分辨率是2448像素那每个像素对应约0.041mm。但一个像素对应0.041mm绝不等于能检测0.041mm的缺陷。真实检测中一个特征至少要覆盖3到5个像素表面缺陷、对比度不高的场景建议按5到10个像素来算否则算法根本无法稳定区分特征和噪声。原因也不复杂缺陷的边缘不是理想的一条线而是一个灰度渐变区域。如果缺陷只占1个像素那这个像素的值可能只比背景暗了一点点和传感器噪声没有任何区别占2个像素也仅仅是勉强看见稳定性极差。只有特征覆盖足够多的像素灰度变化曲线足够陡峭算法才能可靠地抓出来。2.2 从检测精度反推分辨率的完整计算正确的做法是反向推导。我拿一个真实需求举例已知条件检测视野60mm × 40mm最小缺陷0.05mm验收标准稳定检出按特征覆盖5个像素计算第一步算单个像素的物理尺寸上限 单像素尺寸 0.05 ÷ 5 0.01mm也就是每个像素不能大于10微米。第二步算X方向像素数 60 ÷ 0.01 6000像素。第三步算Y方向像素数 40 ÷ 0.01 4000像素。第四步算总像素 6000 × 4000 2400万像素。也就是说至少需要一颗2400万像素级别的相机才能稳定检出这个缺陷。500万像素约2448×2048差了将近一个数量级这不是算法能补回来的差距物理信息就不够。顺便说一句在这个案例里如果把视野缩小到30mm×20mm500万像素就够了但代价是产品一次只能拍一个区域节拍不够就得加运动机构或者多相机拼接这就是参数耦合的典型体现。2.3 现场惨状与我的建议这种坑我见过太多次。有个做手机中框外观检测的朋友当初坚信500万像素加亚像素算法能搞定0.05mm划痕结果样机做出来10个良品件有8个误检。最后不得不把单个相机的视野一再缩小加装了两台相机做图像拼接硬件成本直接翻倍交付周期拖了一个多月。我的建议是选型时在算出来的分辨率基础上至少再留30%的裕量。比如算出2400万能上2900万就不要犹豫。如果算法用亚像素边缘定位做尺寸测量精度要求可以适当放宽因为亚像素能做到1/10甚至1/100像素的理论定位精度但那是针对边缘清晰的测量场景不是表面缺陷检测。缺陷检测请老老实实按3到5个像素甚至更高的覆盖率来算。3. 深坑二镜头只问价格不问匹配靶面、接口、畸变三个坑一次踩齐3.1 靶面不匹配为什么画面四周是黑的镜头选型里最容易被忽略、也最容易翻车的就是靶面匹配问题。相机的传感器有一个感光区域的物理尺寸通常标称为1/2.5英寸、1/1.8英寸、2/3英寸、1英寸等这就是靶面。镜头的成像圆是有直径限制的它只能在传感器上覆盖一个圆形的清晰成像区域。镜头的靶面尺寸必须大于等于相机的靶面尺寸。如果镜头靶面小于相机靶面传感器四个角收不到光线拍出来的图像四角发黑形成黑角甚至大面积黑圈。我就见过有人拿1/2.5英寸的镜头配2/3英寸的相机拍完图中间亮四周黑第一反应以为是光源不均匀折腾了一天才发现是镜头靶面不匹配。这里提醒一句靶面标称只是大概值不同厂家的1英寸实际尺寸可能有差异选型时以数据手册里的具体感光区域尺寸为准。常见靶面的感光区域尺寸大概是1/2.5英寸约5.70mm × 4.28mm1/1.8英寸约7.13mm × 5.37mm2/3英寸约8.45mm × 7.07mm1英寸约12.80mm × 9.60mm3.2 C口、CS口与法兰距的隐藏陷阱接口匹配是另一个大坑。工业镜头和相机之间最常见的接口是C口和CS口两者螺纹规格一样区别在于法兰距C口的法兰距是17.526mmCS口只有12.526mm。法兰距就是镜头安装法兰面到传感器平面的距离。如果你拿C口的镜头装到CS口的相机上法兰距多了5mm镜头的光学焦点落在传感器平面后方图像无论怎么调焦都是模糊的。解决办法是加一个5mm的接圈把光学距离补回来。反过来CS口镜头装到C口相机上法兰距不够镜片可能直接顶到传感器保护玻璃严重时弄坏光窗。不少人以为装得上就行结果装是装上了图怎么调都不清晰最后才发现是法兰距的问题。所以选型时不仅要对接口类型还要确认法兰距匹配需要接圈的一并写入清单。3.3 焦距计算与畸变控制焦距直接决定视野大小计算公式是焦距 工作距离 × 传感器靶面尺寸 ÷ 视野。举例工作距离200mm想要拍到的视野宽度50mm传感器靶面宽度是6.4mm1/1.8英寸那么焦距 200 × 6.4 ÷ 50 25.6mm。市面上常见的是25mm或35mm定焦镜头那就看是优先保证视野还是优先保证工作距离把方程重新解一遍再定型号。焦距越短视角越大但畸变通常也越大。畸变指的是直线在画面里变成曲线的现象尤其是广角镜头边缘的桶形畸变非常明显。如果项目是做尺寸测量的畸变会直接烧掉测量精度这种情况下优先选低畸变镜头或者干脆换远心镜头。远心镜头在景深范围内放大倍率恒定几乎没有透视误差是精密测量的首选但价格贵、体积大、工作距离要求苛刻不是所有场景都放得下。另外镜头标称分辨率要和相机像元尺寸匹配。镜头说明书里一般会写中心分辨率和边缘分辨率单位是lp/mm每毫米线对数你得保证镜头的解析能力不小于传感器的需求否则相机像素再高镜头喂进来的信号也是糊的。光圈上工业镜头标称光圈不建议开满收缩两到三档通常画质最好但光圈缩小进光量降低又回到光源和曝光的问题上去了。4. 深坑三光源当成普通照明把压力全转嫁给算法4.1 光源决定的是算法能力的上限如果说有一个要素能决定项目成败我首推光源。机器视觉领域有句老话算法解决的是从好图里提取好结果的问题光源解决的是先得有一张好图的问题。图都不好算法再强也是巧妇难为无米之炊。很多新手把光源当成照明认为只要够亮就行这是最大的误区。光源的核心任务不是照亮而是把要检测的特征和背景之间的对比度拉到最大。对比度上去了算法用最简单的阈值分割就能稳定处理对比度上不去就算上深度学习样本需求量也会暴增还容易在光照条件变化时抽风。我见过有人打光不行试图用图像处理里的开闭运算来补救。开运算去小白点闭运算补小黑洞原理上是对二值图做形态学膨胀腐蚀的排列组合用来消除小噪声、填补小空洞确实有效。但问题是开闭运算改变不了特征和背景原本就模糊的灰度对比——开运算把噪声滤掉的同时也会把弱小的真实缺陷一起滤掉。形态学参数调来调去本质是在烂图里做取舍而不是把图变好。光源才是从源头解决问题的手段后期算法只能做锦上添花。4.2 不同打光方式怎么选常用光源类型就那几种每种对应不同的特征强调方式这里直接给一张经验表光源类型典型应用注意事项环形光源字符识别、通用外观检测低角度环形光强调表面纹理背光源轮廓测量、尺寸测量、边缘定位测量项目首选得到剪影同轴光源金属、晶圆、玻璃等高反光表面划伤消除倾斜阴影价格较高条形光源大面积均匀照明角度调节对成像影响极大点光源配合远心镜头、空间狭小场景亮度高覆盖范围小结构光3D高度、凹坑、共面度检测需标定适合激光三角测量打光方式选错缺陷基本出不来。比如透明玻璃上的划痕你从正上方用环形光打划痕几乎是看不见的换个同轴光或者用低角度条光让划痕的散射光进入镜头一下子就清楚了。所以做光源选型必须拿着样件实际试不要坐在办公室脑补。4.3 波长、颜色与光源控制器让缺陷显形的手段除了光源形态波长和颜色也是提升对比度的重要杠杆。原理用的是互补色关系物体是什么颜色它对相应颜色的光反射就亮互补色的光会被吸收看起来就暗。举个例子绿色PCB板上的走线和焊盘用白光打背景和特征的灰度差可能只有几十个等级换红色光打绿板吸收红光变成深色铜箔焊盘反射红光仍然是亮的对比度瞬间拉开。再比如蓝膜上的划痕蓝膜本身是蓝色用蓝色光照明它显得很亮划痕处表面被破坏散射特性变化形成暗纹比白光下明显得多。环境光干扰严重的场合可以在镜头前加对应的带通滤光片只让特定波长的光进入传感器把外界的杂散光挡在门外。这也是现场抗环境光干扰最常用的物理手段之一。另外一定要考虑光源控制器。工业光源不能直接接开关电源用需要配控制器一是保证电流稳定二是支持频闪模式。频闪模式下光源瞬间通过大电流亮度可以达到常亮的数倍甚至十倍以上而且因为发热时间极短LED光衰慢、寿命更长。频闪需要和外触发信号同步这个和后面要说的相机触发、曝光配合起来是动态检测场景几乎必配的组合。5. 深坑四只顾帧率不顾曝光运动物体全是拖影5.1 拖影公式先算清楚产线上的视觉检测十有八九是运动场景产品在传送带上跑相机拍照的一瞬间物体在动图像就会产生拖影边缘拉成一条模糊的带子。拖影长度由这个公式决定拖影长度 物体运动速度 × 曝光时间。举一个例子传送带速度200mm/s曝光时间5ms那一个特征在曝光时间内就会移动1mm。如果相机的单像素物理尺寸是0.05mm这个拖影折算下来就是20个像素。20像素的边缘模糊别说做尺寸测量连轮廓提取出来的边界都是阶梯状的。正确的做法是从允许的拖影量反推曝光时间最大曝光时间 允许拖影像素 × 单像素尺寸 ÷ 运动速度。假设允许最大1像素拖影单像素0.05mm速度200mm/s那么最大曝光时间 1 × 0.05 ÷ 200 0.00025秒也就是0.25ms。这是一个非常短的曝光对光源亮度的要求极高。想宽松一点要么降低速度要么提高分辨率要么上频闪光源把瞬间亮度顶上去。5.2 全局快门与卷帘快门的取舍快门类型的选择是运动场景选相机的关键决策点。卷帘快门是逐行曝光传感器第一行和最后一行之间存在时间差如果物体在运动拍出来的图像会变形比如垂直边缘变成斜线这种现象叫果冻效应。静态场景无所谓运动场景基本不能用。全局快门是所有像素同时开始、同时结束曝光运动物体拍出来没有变形。现在工业CMOS相机的全局快门已经很普及价格也不贵所以只要有一点运动可能我都建议直接选全局快门。只有当项目完全是静态定位、工件不动、相机也不动且成本压力极大时才考虑卷帘快门。5.3 触发与频闪高速运动的黄金组合动态场景还有个新手容易忽略的点不要靠软件连续采集再挑帧要用硬件外触发。在传送带上装一个光电传感器产品到位瞬间触发相机拍照既保证拍到的位置一致又不用吃帧率。帧率这时候的意义主要是节拍上限实际项目里大量相机只工作在10到20fps的触发模式下甚至2fps都很正常。触发拍照的同时给光源控制器一个同步信号让光源在曝光时间内以频闪模式点亮这是动态视觉的黄金组合。短曝光加频闪还有一个附加好处环境光在这么短的曝光时间内贡献的光子极少所以现场环境光干扰会被天然压制。这两样东西配合起来才是在产线上稳定截图的关键。6. 深坑五相机接口和SDK生态没人重视软件团队被坑到离职6.1 接口决定带宽上限先算数据量再选接口相机接口不只是物理插头它直接决定数据能跑多快。选接口前先算两个数一张图像多大一秒需要传多少张以500万像素、8bit灰度为例单帧数据量约5MB实际还要算协议头等开销。如果要求30fps那每秒要传150MB。这个数据量千兆网GigE的理论带宽约125MB/s实际传输效率打八折只有100MB/s左右显然不够。USB3.0的实际传输带宽能做到约350MB/s勉强够用更高速率就要上10GigE或者CameraLink了。接口标准理论带宽实际可用带宽最大线长适合场景GigE Vision125MB/s约100-110MB/s100m多相机、远距离、产线主流USB3.0 Vision625MB/s约350MB/s3-5m单相机、近距离、桌面级Camera Link850MB/s以上接近理论值10-15m超高帧率、线扫相机计算方法并不复杂选型时把图像格式、位深、帧率都列出来传输带宽至少留出20%到30%的裕量不然现场偶尔卡顿、丢帧排查起来极其痛苦。6.2 SDK好不好用决定了开发周期翻几倍相机买回来是要写代码的这个大家都知道但大多数人低估了SDK生态对项目周期的影响。相机厂商SDK的质量参差不齐有的文档齐全、示例丰富、社区活跃有的连个像样的C#示例都没有出了问题只能发邮件等三天。选型阶段就应该让软件团队参与去官网把SDK文档、示例代码、API说明翻一遍重点看这几个点第一是否支持你的开发语言和环境C/C、C#、Python都要确认第二是否提供HALCON、OpenCV、LabVIEW等常见视觉库的接口示例第三是否对采集卡、GPU、常见网卡有良好的适配第四技术支持响应速度怎么样大厂一般有本地售后小众品牌基本没有。我见过一个项目相机是便宜但SDK的驱动在Windows 11上一装就蓝屏只能退回老系统又遇到网卡不兼容数据包满天飞图像时有时无。工程团队被折腾到快崩溃最后整个相机换掉一个月就稳定跑起来了。那个项目省下来的相机差价不够软件团队多烧的半个月工资。6.3 品牌长期供应的隐性成本还有一个容易被忽略的点相机产品线的生命周期。视觉项目的生命周期往往是三到五年甚至更长产线上同一台设备用了三年相机坏了要换结果那个型号停产了只能改安装结构、换控制代码产线就得停。所以选型时尽量选产品线稳定、兼容性良好的一线品牌或者提前备一套备机。别为了省几百块把一个需要长期维护的环节压在一个随时可能停产的小众型号上。7. 深坑六工控机算力全靠猜图像处理卡成PPT7.1 先做带宽和节拍计算视觉系统的计算平台选型同样不能靠配个高配电脑一拍脑袋。要先算清楚两笔账一笔是相机传进来的数据量一笔是算法处理的时间预算。数据量怎么算前面已经说过单帧数据量乘帧率就是每秒需要处理的数据。然后是节拍预算比如产线节拍是2秒一个产品那从触发到得出检测结果整个链路必须在2秒内完成。硬件触发相机采集、图像从相机传到内存、算法处理、结果输出到PLC每一环都要分时间预算。算法处理时间是最难估的一项。一个中等复杂度的视觉项目比如500万像素的图做预处理滤波、阈值、找轮廓、几何测量在不优化的CPU上可能要100到200毫秒如果图更大、算法更复杂或者做多工位检测单张图跑到500毫秒以上也不奇怪。所以选算力平台的时候最好拿算法工程师的实测数据说话别按感觉应该够来选。7.2 CPU、GPU、内存怎么定传统视觉算法阈值、Blob分析、边缘提取、模板匹配主要在CPU上跑考验的是单核性能和指令集优化。你要关注的是工控机CPU的代数、主频、核心数以及是否支持AVX2等指令集这些对OpenCV那种SIMD优化的代码影响很大。内存一般16GB起步如果相机多、图像缓存大、还要跑深度学习推理32GB起步才稳。深度学习检测是另一套逻辑。GPU推理的速度和显卡直接挂钩用CPU跑深度学习模型即使是小模型也可能要几百毫秒而入门级独立显卡可以把推理压到几十毫秒。选平台前先确定算法路线传统算法为主就把预算重点放在CPU上深度学习为主就看显卡型号、显存大小和驱动兼容性。7.3 工控机还是边缘计算盒子这两年边缘计算盒子很火体积小、功耗低、很多预装了算法框架开箱即用。但它不是万能的选型时要注意几点第一确认算法能否在这个平台跑很多盒子只支持厂商自有的算法流程你想用自定义的深度模型它可能根本不认第二看解码和推理能力能不能同时支撑多个相机第三确认接口数量和协议类型POE相机要吃供电网口不够就得加交换机。工控机的好处是配置灵活、接口丰富、扩展性强缺点是个头大、功耗高、散热结构复杂。我的判断标准很简单算法固定、场景简单、要求部署速度快优先考虑边缘盒子算法复杂、多相机并行、后续可能改需求老老实实上工控机。不管选哪个都建议无风扇或者强固型设计产线上的粉尘和振动都不少普通商用电脑在车间里活不过半年。8. 深坑七环境因素从不出现在选型表里一上产线就现原形8.1 温度、振动、湿度工业相机的水土不服很多相机在实验室用得好好的一到产线就出问题这时候先查环境。工业相机标称工作温度通常是0到50摄氏度超过上限传感器热噪声明显增加暗电流变大图像上会出现随机亮点误检率直线上升。现场如果是在烤炉、注塑机旁边温度轻松超过60度不给相机加装散热罩或者风冷根本无法稳定工作。振动是另一个隐形杀手。长期高振动的环境下C口镜头会慢慢松动导致图像逐渐变糊网口或USB口线缆会因金属疲劳接触不良表现为时好时坏的丢帧。解决方案是选型时买带锁紧装置的镜头和带螺纹锁定结构的线缆安装支架加减振垫把线缆固定好别让它在设备运行时来回甩。湿度大的产线还要考虑结露问题镜头前加防护玻璃、加吹气装置是常规操作。这些细节写在选型清单里比现场救火省心一百倍。8.2 环境光干扰窗外太阳光比你想象得更难搞产线现场通常有各种乱七八糟的光源车间的钠灯、焊接工位的弧光、冲压机旁边的频闪照明、窗户透进来的太阳光。环境光对视觉系统的干扰有两个层面一是给图像叠加无关的亮度梯度二是某些频闪光源会在图像上形成明暗条纹。应对手段按优先级排最有效的是物理隔离给检测工位加遮光罩让视觉系统有一个相对稳定的光环境其次是镜头前加滤光片配合单色光源让传感器只接收目标波长的光前面提到的短曝光加频闪也是重要手段。还有一个常被忽视的点做光源选型测试时就应该在模拟环境光干扰的条件下做样件测试别在完全遮光的实验室里验证完就交付到了现场一定会被光照教做人。8.3 安装结构和防护等级相机和光源安装在现场支架的刚性决定了振动之后图像会不会漂移。很多设备用了铝型材加薄板的支架热胀冷缩之后相机角度偏了一点本来居中的产品就跑出视野了。选型时要考虑支架的截面尺寸、材料、固定方式高精度项目甚至要考虑温度补偿或者定期自动校准。防护方面相机按IP等级选粉尘多的车间至少要IP65以上的防护罩镜头前加保护镜片并定期清理。产线维护的人不会像实验室那样小心翼翼地碰设备你选型时多想的每一层保护都是给未来少找一次麻烦。9. 深坑八跳过样件验证直接下单验收时才发现必须返工9.1 为什么打光测试必须做你再怎么算理论推导得再漂亮也比不上一张真实样件上的实测图。这是机器视觉选型里绝对不能跳过的一步也是区分熟练工和新手的分水岭。原因很简单实际零件的材质、表面状态、反光特性、颜色分布不是你坐在办公室能脑补出来的。透明玻璃的划痕可能要用特定角度的光才能看到喷砂铝表面的凹坑在某种角度下会和背景融为一体反光金属上的字符可能需要同轴光才能避免眩光。这些特性只能靠实验摸出来。9.2 一套最小可行的样件验证流程这里给一条可以直接照抄的验证流程只需要一两天时间就能跑完第一步收集样件。向客户要良品和不良品各至少10到20个覆盖所有已知缺陷类型包括最难检的那个。只拿一两个样件验证出来的结论大概率不全面。第二步搭一个临时验证台。用升降台、夹持装置把样件固定在预定工作距离周围用黑布或遮光帘围起来排除环境光干扰。第三步在同一个工作距离下逐个试不同光源类型环形、背光、同轴、条光调整角度、高度、亮度每改变一个条件就拍一张图。第四步把拍到的图放到软件里看直方图和对比度或者直接跑一遍目标算法的简化版用检出率和误检率来评估。第五步记录下最好的几组参数按相同条件在不同时间多拍几次确认重复性。光源亮度波动、快门离散性等因素会让成像质量波动如果几次拍的图像灰度差异很大这个方案就不够稳定。最后形成一份验证报告光源型号、角度、亮度、曝光时间、增益、工作距离、相机型号全部记下来这既是选型依据也是将来调试阶段的基线参数。9.3 从验证结果到正式清单验证通过之后再出正式清单这一步还能多确认几件事样件测试用的相机分辨率、镜头焦距、光源亮度参数对应到正式清单上是否有货或者是否有备用型号多相机的项目每颗相机都要在模拟节拍的条件下测试传输带宽有环境的项目还要在真实环境里复查一次。做完这些选型才算真正闭环。跳过这一步直接下单的项目十个里有八个会在调试阶段回头加东西。加光源、加遮光罩、换镜头、换相机、加工控机配置每一项都是预算超支和周期延后的来源。10. 最后分享一张我自己在用的选型自检清单10.1 光学、光源与相机部分最小缺陷尺寸是多少特征覆盖像素够不够3到5个视野、工作距离、分辨率、镜头焦距这几个参数互相算过了吗在算出的分辨率基础上加30%裕量了吗镜头靶面是否大于等于相机靶面C口、CS口与法兰距是否匹配需要接圈吗运动场景用的是不是全局快门最大曝光时间按允许拖影像素反推过了吗相机接口带宽够吗传输裕量留了吗光源是否在真实样件上做过打光测试光源类型选的是不是最匹配特征的那一种波长和颜色用互补关系拉过对比度吗现场环境光用什么手段屏蔽短曝光场景配频闪控制器了吗10.2 算力、软件与整体环境部分单帧图像大小和每秒数据量算出来了吗算法处理的时间预算和产线节拍对得上吗CPU型号、GPU型号、内存大小是拿实测数据定的吗软件开发人员参与SDK评估了吗SDK文档、示例、技术支持和第三方视觉库接口确认过了吗现场温度、振动、粉尘、湿度评估过吗安装支架刚性和线缆固定方案定了吗相机防护等级和散热方案选了吗相机停产风险、备件方案考虑了吗样件验证报告客户签字确认了吗这张清单上的每一个问号都是真实的订单、真实的加班、真实的误检投诉换来的。我自己的习惯是任何一个新项目无论客户多急都要留出至少两周做打光测试和验证。这个时间不叫浪费叫买保险。视觉选型这件事快就是慢慢就是快。你越是想跳过验证环节赶进度后期调试和返工吃掉的时间就越多。尤其是新手团队最容易犯的错就是把选型当成买东西把精力花在比价格上却对靶面匹配、曝光预算、带宽计算这些真正决定成败的细节视而不见。希望这篇拆解能帮你把这8个坑一个个填平少交点学费。