一个上位机开发者对机器视觉标定的理解过程

一个上位机开发者对机器视觉标定的理解过程

写在前面

作为上位机开发者，我最初对机器视觉标定的理解非常模糊。视觉工程师说“标定”，电气工程师说“坐标”，我在中间传数据，但一直没搞明白这些坐标到底是怎么对应的。直到我把整条链路从头捋了一遍，才真正理解每一步在干什么。

这篇文章记录的是我自己的理解过程，不是教科书式的概念罗列。我会按照我当时的困惑和逐步理解的顺序来写，希望对同样在上位机位置上的开发者有帮助。

一、起点：像素比标定到底是什么

最开始，视觉工程师跟我说“像素比标定”，我的理解是：照片里像素和现实世界的一个换算关系。

后来我才明白，更准确的说法是：像素比标定建立的是“图像像素坐标”和“现实世界物理尺寸”之间的转换关系。

为什么需要这个转换

相机拍出来的图像，单位是像素。视觉算法告诉我：“目标在图像上的位置是 (320, 240)”。但电气工程师要驱动电机移动，他需要的是毫米：“目标偏离了 5.2mm”。

像素和毫米之间没有固定关系，取决于相机分辨率、镜头焦距、工作距离等。所以必须通过标定，算出一个像素代表多少毫米，这个值叫像素当量。

最简单的线性关系是：

text

物理距离(mm) = 像素距离(px) × 像素当量(mm/px)

标定怎么做

拿一个已知尺寸的标定物（棋盘格、量块等），放在相机视野里拍照。视觉算法测出它在图像里占了多少像素，用已知真实尺寸除以像素数，就得到了像素当量。

比如一个 10mm 的棋盘格，在图像里是 200 像素，那 10 / 200 = 0.05 mm/px。

二、我当时的困惑：像素不是单位吗，怎么又像坐标系

我一开始觉得像素就是一个单位，就像“米”一样。但后来发现，像素同时构成了一个坐标系。

• 像素是单位：图像上的长度用像素计量
• 像素坐标是参考系：图像上每个点用 (u, v) 表示，构成图像坐标系

所以像素比标定本质上是：

text

图像坐标系（像素）  →  现实世界坐标系（毫米）

这个转换关系可能只是一个缩放系数，也可能包含旋转、平移、畸变校正。简单场合只有一个比例，看起来就是“1像素=多少毫米”。但严格来说，它是一个二维坐标变换。

三、一个让我绕进去的问题：壁纸和照片

我曾经想过一个矛盾的问题：

手机壁纸说“1440×960”，这是像素数。但同样 1440×960 的两张壁纸，拍摄地点可能完全不同。那像素到底能不能对应现实？

后来我想通了：壁纸的“1440×960”只是图像本身的尺寸，不包含任何现实世界的位置信息。

• 壁纸：只需要在屏幕上按像素显示，像素就是最终单位，不需要换算
• 工业视觉：要让电机移动到现实中的某个位置，必须知道像素和毫米的对应关系

关键区别不在于图像本身，而在于图像之外有没有额外的映射信息。

• 标定 → 额外给出“像素↔毫米”的映射
• GPS → 额外给出“这张照片拍在哪”的映射
• 壁纸 → 什么额外信息都没有，所以它什么现实意义都没有

照片永远是壁纸。它能不能对应现实，取决于你在照片之外额外知道了什么。

四、进一步：工业相机拍的照片不也是壁纸吗

这个问题我追问过自己。答案是：对，工业相机拍出来的照片，本身也是一堆像素，和壁纸没有本质区别。

那为什么工业上能换算成毫米？

因为工业场景里，人多做了一件事：放了一个已知尺寸的标定板进去拍。

标定板提供了额外的现实尺寸信息，人通过它算出了像素当量。然后假设相机没动、焦距没变、工作距离没变，这个换算关系对后续拍摄都成立。

像素本身没有现实意义，现实意义是标定这个外部动作赋予的。

五、标定的本质：两个坐标系的转换

理解了上面这些之后，我把标定的本质总结为：

标定就是计算两个坐标系之间的转换关系。

设备和相机各自有一个坐标系，各自有一个 0 点。标定算出的转换关系，既包括比例（1px 对应多少 mm），也包括原点偏移（两个 0 点差多少）。

这里有一个容易忽略的点：只算比例，能算出“距离”，但算不出“位置”。比例 + 原点对齐，才能算出“位置”。

工业场景里，视觉要告诉电气“目标在哪”，电气要的是位置，不是距离。所以原点对齐是必须的。

更准确的类比不是等比数列，而是温度换算：

text

摄氏度 = (华氏度 - 32) × 5/9

这里有比例（5/9），也有偏移（-32），因为两个 0 点不一样。标定也一样：

text

现实坐标 = (图像坐标 - 图像原点) × 比例 + 现实偏移

六、运动系标定：解决相机和运动机构的关系

像素比标定解决的是相机内部的问题：图像里 1 像素对应多少毫米。

但还有一个问题没解决：相机看到的位置，怎么变成电机需要移动的位置？

这就是运动系标定要解决的问题。

	像素比标定	运动系标定
解决什么	图像坐标 → 现实物理尺寸	相机坐标 → 运动机构坐标
涉及谁	相机自己	相机 + 运动轴
得到什么	1px = 多少 mm	像素坐标 ↔ 运动坐标 的变换矩阵

为什么像素比标定算出的位置不能直接驱动电机

这里我曾经卡了很久。电气工程师规定了 0 点，电气知道实际位置，为什么还说像素比标定算出的位置不能直接驱动？

关键在于区分两个概念：

	偏移量	绝对位置
含义	相对某个参考点差了多少	在某个坐标系里具体坐标是多少
例子	“向右 5mm”	“电机坐标 X=105.0mm”
电气能不能直接执行	不能	能

像素比标定算出来的是偏移量（相对量），电气需要的是绝对位置（在电气自己坐标系里的坐标）。

电气知道自己坐标系内的一切，但它不知道相机坐标系和它自己坐标系的关系。这个关系只能靠运动系标定来建立。

完整链路是：

text

图像像素坐标
   ↓ 像素比标定
现实物理偏移量（相对于图像某个参考点，单位 mm）
   ↓ 运动系标定   ← 补上“图像参考点 ↔ 电机坐标”的对应
电机坐标系下的绝对位置
   ↓
电气执行

七、九点标定：运动系标定最常用的实现

九点标定的核心思路很直接：让机器人或运动轴带着一个特征物，在相机视野里走 9 个位置，记录下“机器人坐标”和“图像像素坐标”的 9 组对应关系，然后用数学方法求出两者之间的转换矩阵。

具体操作有两种常见形式：

• 动标定物：机器人末端夹持一个 MARK 点，在相机下方走一个 3×3 的网格
• 动相机：相机装在机器人末端，机器人带着相机去拍固定不动的标定板

这 9 组数据解算出来的，是一个 2D 仿射变换矩阵，包含平移、缩放、旋转、剪切，能校正相机装歪、比例不一致等问题。

一个容易产生的误解

我曾经以为“9 点标定就是 9 个像素比标定”，后来发现不对。

九点标定本身就是一种运动系标定的方法，它一次性建立“像素坐标 → 运动坐标”的完整变换。结果里包含了像素当量，但还额外包含了旋转和原点偏移。

像素比标定不需要运动轴参与，放个标定板拍一张就够了。九点标定必须有运动轴参与，因为它的目的就是建立相机和运动轴之间的关系。

八、其他标定方法

九点标定是基础，但实际项目里会根据需求升级：

十二点标定（9点 + 3点旋转）：如果设备末端有旋转轴，九点标定就不够了。因为九点标定假设旋转中心就在末端工具的中心点上，但现实中这个旋转中心往往有偏移。十二点标定在九点基础上额外增加 3 个旋转点位，专门把这个旋转中心的偏移量也算出来。

十六点标定：操作步骤和九点标定完全一样，只是取样的点更多（比如 4×4 网格）。点越多，拟合变换矩阵的数据越多，结果更稳、精度更高，但耗时更长。

3D 手眼标定：九点标定解决的是平面问题。如果场景是 3D 的，或者相机是斜着装的，就需要 3D 手眼标定。它求解的是一个 3D 空间里的位姿变换矩阵，数学上复杂得多。

九、振镜融合标定

振镜是一套由两个高速摆动反射镜组成的激光扫描装置，控制激光束的偏转方向。

振镜系统有个固有缺陷：理论上下发一个坐标指令，激光就应该打在对应位置。但实际上，由于透镜畸变、机械安装误差、焦平面弯曲等原因，激光实际打出的位置和指令位置会有偏差。

更麻烦的是，振镜和相机通常是分开的：

• 相机负责“看”，有自己的像素坐标系
• 振镜负责“打”，有自己的指令坐标系
• 两者之间没有天然的对应关系

振镜融合标定要做的，就是建立“振镜指令坐标”和“相机像素坐标”之间的转换关系。

常见做法是：让振镜在工作平面上打出一系列标记点，相机拍下这些点，提取像素坐标。同时振镜系统里记录了每个标记点对应的指令坐标。有了多组对应数据，就能解出两者之间的变换关系。

标定完成后，系统就知道了：相机看到目标在图像中的某个位置，通过标定关系，能算出振镜应该发出什么指令，才能让激光精确地打到那个目标上。

十、载台标定

载台就是放置产品的工作平台。它可能固定不动，也可能是一个可以移动的 XY 平台。

载台标定解决的是：载台坐标系和相机/振镜坐标系之间的对齐问题。

产品放在载台上，但载台本身有一个自己的坐标系。相机看到产品上的特征点在图像里的位置，振镜要把激光打在这个特征点上，需要知道这个特征点在载台坐标系里的位置。

常见做法是：在载台上放一个标定物，让载台运动到多个已知位置，或者相机拍摄载台上多个已知位置的特征点，记录下它们在图像里的像素坐标和在载台坐标系里的坐标，解算出变换关系。

标定完成后，系统就知道了：载台坐标系的原点在图像里的哪个位置，载台坐标系的 X 轴方向对应图像里的哪个方向，1 个载台坐标单位对应多少像素。

和振镜融合标定的区别

• 振镜融合标定：解决“相机看到的目标 → 振镜该打到哪”
• 载台标定：解决“相机看到的目标 → 在载台坐标系里是哪个位置”

实际系统里两者往往配合使用：

text

相机像素
   ↓ 载台标定
载台坐标系下的位置
   ↓ 与预设图形对比，算出偏差
振镜需要补偿的偏移量
   ↓ 振镜融合标定
振镜指令坐标

十一、几种标定的关系总结

标定	解决什么
像素比标定	图像像素 → 现实毫米
运动系标定（九点）	图像像素 → 电机/机械臂坐标
振镜融合标定	图像像素 → 振镜指令坐标
载台标定	图像像素/振镜坐标 → 载台坐标系

像素比标定的使用场景，是那些“只关心尺寸/距离/偏移，不关心电机绝对坐标”的场合。一旦你要把视觉结果变成电机能执行的目标位置，像素比标定就不够了。

而运动系标定、振镜融合标定、载台标定，各自解决的是不同坐标系之间的对齐问题。实际项目里，往往需要多种标定配合使用，才能把“相机看到的”变成“设备能执行的”。

十二、对上位机开发者的意义

理解这些标定之后，我在数据传递中就能分清：

• 视觉给的是像素坐标，还是已经换算好的物理坐标？
• 如果是像素坐标，换算这一步放在哪做？视觉端、上位机、还是电气端？
• 电气收到的坐标，是电气自己坐标系下的值，还是相机坐标系下的值？
• 标定系数不是固定不变的，换镜头、调焦距、动相机位置后都要重新标定，这个值需要能配置或由视觉端下发

关键约定：每种标定分别由谁做、结果放在哪、怎么传给下一环，这是上位机、视觉、电气三方要提前对齐的事情。

写在最后

我从“像素比标定是什么”开始，一路理解到运动系标定、九点标定、振镜融合标定、载台标定，最大的收获是：

像素本身没有现实意义，现实意义是标定这个外部动作赋予的。每个标定解决的，都是两个坐标系之间的对齐问题。

作为上位机开发者，我不需要自己去推导变换矩阵，但需要理解每一步在干什么、数据在哪个坐标系里、谁负责哪一段转换。这样才能在对接时少踩坑。