【機器視覺對位】1－視覺成像的物理天花板

為什麼明明選了高畫素相機，機械手臂的重複定位精度還是不如預期？在機器視覺的世界裡，硬體規格只是門檻，真正的精度取決於你對「物理天花板」與「數學靈魂」的理解。

本文將帶你深度拆解工業視覺系統的核心要素：
從相機解析度如何定義手臂移動的「最小刻度」開始，探討為什麼視覺量測必須捨棄一般鏡頭、改採體積龐大的「遠心鏡頭」來消除透視誤差。我們也將揭開「光源藝術」如何決定邊緣偵測的成敗，並剖析業界常見的「次像素 (Sub-pixel)」技術，教你如何透過數學算法突破物理像素的限制，讓精度有感提升 3 到 10 倍。這篇實戰心得將幫助你建立穩健的視覺選型邏輯，避開那些「鏡頭塞不下」或「精度對不準」的昂貴坑洞。

---

物理刻度的起點：相機解析度如何決定機械手臂的「最小步長」？

相機要定位準確首先要決定機器視覺系統的精密程度，如果就單純物理的角度來看的條件有：

1. 相機的解析度
2. 鏡頭的成像
3. 主動與環境光源

相機的解析度可以直覺的聯想到拍攝後的成像精細程度，例如 31 萬畫素的相機水平、垂直畫素等於 640 x 480，再視野寬 50mm 的情況下每顆像素的尺寸就是 0.078mm；而 192 萬畫素水平、垂直畫素等於 1600 x 1200 的相機，在相同視野下每顆像素的尺寸則會達到 0.031mm，因此從單位像素的尺寸來說，解析度越高的相機就能在同個視野內塞入越多的像素，並且每個像素的尺寸也越小，因此也可以理解成「越高的解析度能用越多的向素來描述物體的邊緣與形狀」。

其次，相機的解析度在機器視覺定位的系統上，基礎的提供了機械手臂收到視覺系統座標的”最小刻度“，假設一個視覺系統每顆像素的尺寸是 0.078mm，在沒有軟體干預的情況下機器視覺提供的最小刻度就會是 0.078mm，這裡也可以很好的想像「過低的相機解析度，會讓機械手臂移動的最小移動跨步很大，不容易走到想要的精確位置。」

---

拒絕視覺騙局：為什麼視覺量測與定位非「遠心鏡頭」不可？

再來提到鏡頭成像，鏡頭與相機兩者必須相輔相成，鏡頭不只是放大縮小倍率的透鏡，而是因為光學的設計會有適合的解析度和視野大小，除此之外在機器視覺定位這類需要量測的需求上，相機鏡頭還會更偏好使用＂遠心鏡頭＂來解決透視的問題，透視問題可以想像一根長長的空心圓管，透過肉眼觀察內孔會發現越近的孔看起來越大、越遠的孔看起來會越小，因此這個透視現象如果投影到 2D 畫面的座標上量測結果就會很慘烈了。

另外值得一提，遠心鏡頭通常比一般的鏡頭尺寸還要大很多，因此在機構的評估階段就要把這個因素考慮進去哦！ ETHAN 曾經也有空間留太小，鏡頭選定後才驚訝「挖靠也太大隻了吧！？」的經驗呀…

---

光影的藝術：主動光源如何定義邊緣的「標準化」？

談了相機與鏡頭的成像能力就不能不提到光源，光源在機器視覺系統上是”標準化“的問題，而機器視覺則需要光線讓感測器接收光訊號，這些光訊號轉換成像素單位，才讓軟體來去計算物體的樣子與位置在哪裡?。

對於機器視覺來說，邊緣在哪裡是可以數學推論像素的灰階程度來計算出來，該圖是用 Canny 邊緣偵測來尋找二維圖片的邊緣。

該圖是 Canny 邊緣檢測加上次像素定位的技術：

紅色菱形
代表在「像素網格點」上找到的邊緣初步位置。

綠色正方形
這是經過數學補間或演算法運算後，得到的次像素精確位置。你可以看到綠點並不在像素的中心或格點上，而是在兩個像素之間。

---

實戰避坑指南：常見的光源干擾與環境因素分析

既然物體的成像是光線訊號轉換成的數值，不好的光源就會大幅度的讓這些訊號計算失準，使機器視覺系統大打折扣，而不好的光源可能會出現幾種情況：

1. 相同條件拍攝時白天晚上呈現的亮度反射都不一樣
2. 相同平面呈現的光線有明顯漸層
3. 欲抓取的邊緣輪廓模糊或背景干擾
4. 一整盤相同的零件，每顆光源成像看起來都不一樣

這些光源的問題主要由”主動光源“與”被動光源“兩個因素相互作用產生，主動光源則是為了機器視覺系統本身加裝的外部專用光源，這些光源會被設計將物體呈現出最好檢測、最標準化的樣態；被動光源指的是那些環境產生的光源，例如沒有做遮光的設備、窗戶投射的陽光、工廠內的日光燈，這些光源容易自然的發生變化，這在機器視覺系統的數學計算上就很容易形成干擾。

---

突破物理限界：次像素 (Sub-pixel) 技術讓定位精度翻倍的秘密

最後我們要聊聊關於次像素 (Sub-pixel) 的技術，還記得文章開頭提到的解析度像素與機械手臂定位的關係嗎？如果按照這個基礎理論邏輯，那想當然像素高到不行機械手臂的定位應該會更加精準，照理說並沒有什麼壞處對嗎？

事實上並不是這樣的呢！當像素無限制的提高，帶來的副作用就是拍照的時間變得更長了，除了高解戲度的照片會因為圖片檔案大小暴增而增加檔案傳輸時間，感光元件每單位接收到的光線也更少了，於是就必須有更長的曝光時間，除了這些時間上的副作用，曝光造成的雜訊與硬體提升帶來的成本上升，也讓這個理論變成了不容易執行的原因。因此為了解決這個問題，在機器視覺上更常會用下列的方法來解決這個問題－次像素 (Sub-pixel)。

左圖：全景標定圖

• 內容： 一個標準的棋盤格標定板。
• 目的： 這是相機標定常用的工具。紅色的十字標記了系統偵測到的所有黑白交界的頂點。

中圖：局部放大

• 內容： 縮小範圍觀察其中幾個方格。
• 目的： 讓你看到在一般的像素解析度下，紅色的標記點已經準確地位於交叉口。

右圖：次像素級細節

• 內容： 極度放大到可以看到單個像素塊（格子狀的灰階區塊）。
• 觀測點： 注意看那個紅色的十字。它並不是剛好對齊某個像素的邊緣，而是位於像素塊的「內部」或「交界」的某個精確座標上。

簡單來說，次像素技術是一種透過灰階度等資訊，利用數學模型來找到更符合現實邊線的一種方法，在講的白話一些，就是讓原本檢測像素最小單位為 1 的時候，能夠透過數學的補償方法來計算出到 1 以下帶有小數點的邊線位置，這個方法可以讓解析度不變的情況下進一步提升相機定位的精度，在業界精度提升的效果從3 ~100倍都有被廠商”宣稱”的。

上圖是 KEYENCE 的 2D 視覺量測系統，針對次像素的技術說明。

---

系統整合總結：穩定成像與軟體補償的黃金比例

也許妳也許會想…為什麼精度提升的效果可以差這麼倍？但如果仔細想想次像素的補償原理，就會知道前者選用的解析度、光源環境都會大幅影響次像素技術最終真實的提升解析度的結果哦！

因此做一個最後的總結，好的機器視覺系統首先要有穩定的光源與成像，讓光源變成是一個”標準化”的結果；而解析度則必須根據機器手臂的需求精度與拍照時間適配；最後再考量軟體補償與 3倍以上的安全係數作為最終的評估囉。