你大概有過這樣的經(jīng)歷：用手機(jī)拍一張窗邊的照片，窗外的景色一片慘白，什么都看不清；或者拍一張暗光環(huán)境下的照片，畫面漆黑一片，細(xì)節(jié)全無。前者叫“過曝”，后者叫“欠曝”，這兩種情況在工業(yè)視覺中同樣會(huì)出現(xiàn)，只是后果嚴(yán)重得多。

曝光，說白了就是相機(jī)傳感器收集光的過程。光線通過鏡頭落在傳感器上，傳感器把光信號(hào)變成電信號(hào)，電信號(hào)再被量化成灰度值，最終形成圖像。曝光時(shí)間長(zhǎng)了，進(jìn)的光多，圖像亮；短了，光少，圖像暗。 這件事本身并不復(fù)雜，復(fù)雜的是：什么樣的亮度才算剛剛好？太亮和太暗分別會(huì)造成什么問題？

一、正確曝光：圖像信息完整，邊緣清晰可辨

正確曝光的圖像，灰度值分布在整個(gè)可用的范圍內(nèi)，最暗的區(qū)域接近純黑但不完全丟失細(xì)節(jié)，最亮的區(qū)域接近純白但沒有溢出。你可以把圖像想象成一個(gè)倉(cāng)庫，灰度值從0到255就是倉(cāng)庫里的255個(gè)貨架。正確曝光的圖像，貨物均勻分布在所有貨架上，信息完整、層次分明。

在工業(yè)視覺中，正確曝光的價(jià)值在于：邊緣清晰，特征穩(wěn)定。 當(dāng)圖像被正常曝光時(shí)，工件輪廓、表面紋理、缺陷特征都能被準(zhǔn)確呈現(xiàn)。算法在做邊緣檢測(cè)時(shí)，可以穩(wěn)定地找到灰度變化的陡峭位置，邊緣在哪里、什么形狀、與周圍區(qū)域的對(duì)比度如何，一目了然。后續(xù)的尺寸測(cè)量、缺陷識(shí)別、定位抓取，都是建立在這個(gè)信息完整的前提之上的。

二、欠曝：暗光環(huán)境下的信息缺失

欠曝就是進(jìn)光量不足，圖像整體偏暗。

在工業(yè)視覺中，欠曝帶來的問題遠(yuǎn)不止看起來暗這么簡(jiǎn)單。首先，暗光環(huán)境下信號(hào)本身較弱，而傳感器固有的噪聲，包括光子散粒噪聲和讀出噪聲，在弱信號(hào)下相對(duì)占比更高。信號(hào)弱、噪聲強(qiáng)，信噪比就低。 低信噪比的圖像，邊緣被噪聲掩蓋，算法很難準(zhǔn)確找到輪廓位置。

其次，欠曝圖像的灰度值集中在低端區(qū)間。那些原本應(yīng)該分布在100-200之間的灰度值，全部被壓縮到了0-50的區(qū)間里，信息被壓扁了。特征之間的對(duì)比度被壓縮，原本清晰的缺陷變得模模糊糊，算法根本看不出來那里有個(gè)缺陷。

更麻煩的是，欠曝還會(huì)導(dǎo)致算法誤判增多。當(dāng)邊緣本身就不夠銳利時(shí)，算法在邊緣附近檢測(cè)到的可能是噪聲而不是真實(shí)特征，直接導(dǎo)致測(cè)量結(jié)果偏差。

三、過曝：亮光下的信息溢出

過曝就是進(jìn)光量過多，圖像整體偏亮，甚至出現(xiàn)大面積純白區(qū)域。傳感器每個(gè)像素能容納的電子數(shù)量是有上限的，一旦達(dá)到飽和，過量的光線就無法被區(qū)分了。所有超過飽和閾值的亮度都會(huì)被記錄為同一個(gè)最大灰度值，也就是說，不同亮度的細(xì)節(jié)溢出之后變得無法區(qū)分。

在工業(yè)視覺中，過曝比欠曝更可怕。至少欠曝的圖像還能看到輪廓在哪里，只是細(xì)節(jié)模糊；過曝的純白區(qū)域則直接丟失了所有信息。如果工件表面有一塊區(qū)域在圖像中呈現(xiàn)為純白色斑，那片區(qū)域里有沒有劃痕、有沒有臟污、邊緣在哪里，全都無從得知。算法看到一個(gè)純白區(qū)域，無法判斷這個(gè)區(qū)域的邊緣是圓形還是方形，因?yàn)檫吘壱呀?jīng)融化在了白色之中。

過曝還會(huì)導(dǎo)致測(cè)量結(jié)果漂移。 在圖像處理中，邊緣定位依賴于灰度梯度變化。當(dāng)過曝嚴(yán)重時(shí)，邊緣兩側(cè)的灰度差異被壓縮，梯度值下降，算法探測(cè)到的邊緣位置會(huì)比實(shí)際位置偏移若干個(gè)像素。在微米級(jí)的測(cè)量任務(wù)中，這種偏移足以導(dǎo)致誤判。

四、為什么工業(yè)視覺對(duì)曝光這么敏感

工業(yè)場(chǎng)景中的檢測(cè)任務(wù)通常對(duì)精度要求極高。手機(jī)中框的R角、PCB板的線寬、半導(dǎo)體晶圓的對(duì)位標(biāo)記，這些測(cè)量往往要達(dá)到微米級(jí)或亞微米級(jí)。而邊緣定位的精度直接依賴于圖像中灰度變化的清晰程度。在正確曝光下，邊緣梯度陡峭、位置明確；在欠曝或過曝下，梯度被削弱、位置模糊。

有人可能會(huì)說：那用深度學(xué)習(xí)不就行了嗎？AI算法確實(shí)能處理一定程度的曝光偏差，但有兩個(gè)限制：第一，深度學(xué)習(xí)的魯棒性是有范圍的，嚴(yán)重欠曝或過曝的圖像，AI也一樣無能為力；第二，工業(yè)檢測(cè)追求的是99.9%以上的精度等級(jí)，容忍度極低。

與其讓算法去猜，不如先把圖像拍好。這是工業(yè)視覺系統(tǒng)設(shè)計(jì)的一個(gè)基本原則。

五、如何調(diào)節(jié)正確的曝光量

在機(jī)器視覺項(xiàng)目中，設(shè)置正確的曝光參數(shù)往往是系統(tǒng)調(diào)試的第一步。光源選定了、相機(jī)裝好了、鏡頭光圈調(diào)好了，下一步就是讓畫面亮起來，而且是不亮不暗、恰到好處的那種亮。

現(xiàn)代工業(yè)相機(jī)通常支持自動(dòng)曝光功能，但在精密測(cè)量場(chǎng)景中，自動(dòng)曝光往往不夠用。因?yàn)楫a(chǎn)線上的工件可能材質(zhì)不同、顏色不同、反光率不同，自動(dòng)曝光算法很難在所有情況下都給出最優(yōu)解。更可靠的做法是：根據(jù)具體檢測(cè)任務(wù)，手動(dòng)設(shè)定曝光時(shí)間，并通過灰度直方圖確認(rèn)圖像的灰度分布是否合理。

在產(chǎn)線調(diào)試過程中，工程師通常會(huì)根據(jù)工件特征和檢測(cè)要求，反復(fù)調(diào)整曝光時(shí)間、光源亮度和光圈大小，觀察直方圖的變化，找到那個(gè)剛剛好的參數(shù)組合。這個(gè)過程需要耐心，但只要曝光對(duì)了，后續(xù)的圖像處理效率會(huì)高很多。曝光這件事，說到底是讓圖像傳感器接收到恰到好處的光。