工业机器视觉把相机、光源和分析软件组成一套系统，在产线上完成可重复的检测、测量和引导任务。它的核心不是算法有多先进，而是每一次成像的条件都必须一致。
工业机器视觉是一门系统工程，相机只是其中一环。真正决定成败的往往是光源：同轴光突出表面划痕，背光测量轮廓尺寸，环形光看凹陷。选错打光方式，再好的算法也救不回来。此外还需要镜头、触发信号、图像采集卡，以及与 PLC 的通信接口。
它和开放场景的视觉任务有本质区别：工位固定、光照受控、物体姿态可预期。正因为条件受控，才能给出可重复、可标定、可追溯的测量结果——这是质量检验环节的硬性要求。检测精度必须能通过量具重复性与再现性（GR&R）之类的验证。
三类典型任务：检测（有无缺陷、装配是否到位）、测量（尺寸、角度、同轴度）、引导（给机器人提供抓取位姿）。引导任务需要做手眼标定，把相机坐标系和机器人坐标系对齐，标定精度直接决定抓取成功率。
结果必须能进产线的信息流。多数系统通过 PROFINET 或 EtherNet/IP 把判定结果发给 PLC 触发剔除机构，同时把测量数据写入 MES 用于 SPC 分析。接口协议应在采购阶段就与自动化团队确认。
某电子装配线用工业视觉检测连接器插针共面度。系统上线三个月后误判上升，排查发现是 LED 光源亮度随使用时间衰减，导致成像对比度下降。团队加入光源亮度定期校验，并把光源列入预防性维护清单。
这类退化在受控系统中很典型：镜头积灰、光源老化、相机安装座受振松动，都会在没有任何软件改动的情况下让检测结果慢慢失准。定期复检标准样件是必要的运维动作。
实践应用
某电子装配线用工业机器视觉检测连接器插针共面度。系统上线三个月后误判率上升，排查发现是 LED 光源亮度随使用时间衰减，成像对比度下降所致。团队增加了光源亮度的定期校验，并把光源更换列入预防性维护清单。
优势
- 在受控光照下给出可重复、可标定的测量结果
- 检测节拍稳定，可跟上产线速度且不疲劳
- 结果可直接通过 PROFINET 或 EtherNet/IP 送入 PLC 和 MES
- 测量数据可用于 SPC 分析，支撑质量追溯
局限性
- 光源选型和布置的难度常被低估，选错光算法补不回来
- 光源老化、镜头积灰会让检测结果在无人察觉中慢慢失准
- 换产品或换姿态往往需要重新设计打光与标定
- 引导任务的手眼标定精度直接限制抓取成功率
典型应用领域
常见问题
- 工业机器视觉系统包含哪些部分？
- 相机、镜头、光源、触发信号、图像采集与分析软件，以及与 PLC 的通信接口。其中光源的选型和布置往往最关键。
- 它和开放场景的计算机视觉有什么区别？
- 工位固定、光照受控、物体姿态可预期。正因为条件受控，才能给出可重复、可标定、可追溯的测量结果，满足质量检验的验证要求。
- 视觉引导机器人抓取需要注意什么？
- 必须做手眼标定，把相机坐标系与机器人坐标系对齐。标定精度直接决定抓取成功率，机械结构受振松动后需要重新标定。
- 工业视觉系统需要哪些日常维护？
- 定期用标准样件复检、校验光源亮度、清洁镜头、检查相机安装座是否受振松动。这些退化不会触发任何软件报错，只能靠例行检查发现。