视觉选型的第一刀不切器件类型，切需求类型。引导类需求要的是“在整个视场里、在节拍内，把工件位姿测到够机器人抓得住的程度”；测量类需求要的是“在很小的局部上，把某个尺寸测到量具级精度”。前者的精度诉求通常在 0.1–1 mm 量级、覆盖范围要大；后者常在 0.01 mm 量级、覆盖范围可以很小。把线激光轮廓仪当 3D 相机买去做散堆抓取，或者拿 3D 相机去做微米级尺寸判定，都是把这一刀切错的结果。 判据切对之后，才轮到 2D / 3D / 线激光这一层的器件比选。

方案评审会上最常见的两种错法，正是这一刀没切：客户说要测工件平面度，供应商推了一台 3D 结构光相机；客户说料框里的件是乱堆的要抓取，供应商报了一套线激光轮廓仪加运动轴——器件本身都不差，错在没先问“这套视觉是拿来引导机器人动作的，还是拿来给出测量数值的”。

这是 EVST（成都以物思科技）官方号机器人技术系列的第九篇，只谈“器件类型怎么选”，手眼标定、TCP 标定、力控只在影响选型的地方点到为止。下文给出的精度与节拍数字都标了适用条件，属于上下料、分拣、焊缝找位这类视觉引导工位上的方案评审口径，不能当器件规格套用——具体项目仍以选定型号在你自己的视场、工作距和工件上的实测值为准。

一、三类器件的原理与输出：先看它们各自“吐出什么”

选型混乱的根源，是把三类完全不同的输出当成了同一种“视觉数据”。

维度	2D 相机	3D 相机（结构光/双目/ToF）	线激光轮廓仪
基本原理	单次曝光成像，得到灰度或彩色像素阵列	主动投射编码光或双目立体匹配，重建深度	激光线投射到工件，按三角法解出该线上的高度剖面
直接输出	二维图像（u, v 像素坐标 + 灰度）	点云 / 深度图（x, y, z）	单条轮廓线（x, z），需扫描才成面
能给机器人的位姿	(x, y, θ) 三自由度，Z 与翻转姿态测不出	(x, y, z, rx, ry, rz) 完整六自由度	扫描拼接后可得高精度局部三维，但视场窄
典型 XY 精度量级	0.05–0.5 mm（取决于视场与镜头）	0.1–1 mm（视场越大越差）	0.01 mm 级（Z 向尤其强）
典型 Z 向能力	无（除非靠已知平面反推）	有，精度通常弱于 XY	最强项，常达微米量级
单次覆盖范围	整个视场，一次成像	整个视场，一次或几次投影	只有一条线，靠工件或传感器移动扫描
单次采集耗时量级	毫秒级	几百毫秒到数秒（含点云处理）	单线极快，但扫完一个面取决于运动轴速度
对反光/黑件敏感度	中（靠打光解决）	高（点云易空洞）	中高（可选蓝光/高动态型号缓解）
相对成本量级	基准	通常是 2D 方案的数倍	按精度档跨度很大，高精度型号可达 3D 相机的数倍

上表的精度栏是量级口径，不是规格，看的时候必须补上条件： 2D 的 XY 精度直接由“视场宽度 ÷ 横向像素数”决定——同一台 500 万像素相机（约 2448×2048），视场宽 200 mm 时单像素约 0.08 mm，视场拉到 1000 mm 就变成 0.4 mm，所以离开视场谈 2D 精度没有意义；3D 相机的 0.1–1 mm，对应的是“视场约 500×400 mm、工作距 0.8–1.2 m 的结构光型号，在漫反射、非镜面工件上的位姿重复性”这一档条件，视场放大到米级后普遍退到 mm 量级；线激光的 0.01 mm 级指的是Z 向（高度）重复性、且是在标称工作距附近的窄视场内，X 向的实际分辨率还取决于扫描步距与运动轴速度。选型时要求供应商给的不是样本首页的最好值，而是“在你的视场、工作距、工件表面状态下”的重复性实测数据。

三条从上表直接推得的结论，值得单独记：

• 2D 相机测不出高度，也测不出工件翻没翻面。 只要工件在 Z 向有起伏、有堆叠、有正反面之分，2D 就不够用，靠“加一个对射传感器判高度”这类补丁通常只能解决单一变量。
• 3D 相机的强项是一次性拿到整个视场里所有工件的六自由度位姿，因此在有遮挡、有翻转的料框乱堆场景里，3D 是目前的主流可行解——但不是唯一解：单层散放、姿态自由度有限时，2D 加一个高度判据（对射、测距传感器或已知料层高度）常常是更便宜也更稳的方案；线激光架在运动轴上扫描整框，同样是成熟路线之一，代价是扫描时间。3D 的弱项则是精度随视场增大而快速退化。
• 线激光轮廓仪的强项是 Z 向精度和轮廓还原，弱项是“一次只看一条线”。 要拿到一个面，必须靠机器人带着它扫，或者工件在输送带上匀速通过——这就把机械运动的精度和稳定性引入了测量误差链。

二、第一道分岔：这套视觉是“引导”还是“测量”

把上一节的能力差异映射到需求上，就得到本篇最重要的一张判据表。

判据	引导类需求	测量类需求
目的	告诉机器人去哪抓、从哪下刀	给出一个可判定合格与否的数值
典型任务	上下料定位、散堆抓取、来料纠偏、焊缝找位	尺寸检测、平面度/翘曲、缺胶漏装、装配间隙
精度诉求量级	0.1–1 mm，够抓稳即可	0.01–0.1 mm，且要可复现、可追溯
覆盖范围	大（整个料框或托盘）	小（局部特征）
节拍敏感度	高，直接串在生产节拍里	中，可离线或抽检
误差链关注点	手眼标定、机器人绝对精度、抓手偏差	传感器本身重复性、温漂、运动轴精度
常见错配	用轮廓仪做全框定位	用大视场 3D 相机做尺寸判定

一条可以拿去用的规则：引导类需求先按“自由度”选器件，测量类需求先按“精度量级”选器件。 引导时问自己“来料的不确定性有几个自由度”——平面上飘就 2D，空间里翻就 3D；测量时问自己“要判的公差是多少”——公差带的十分之一才是传感器该有的重复性，公差 0.1 mm 就得找 0.01 mm 级的器件。

还有一种混合情况：既要引导抓取，又要在同一工位测尺寸。这类需求不要指望一套硬件全包，务实的做法是分两套：一套大视场 3D 做抓取引导，一套局部轮廓仪或高倍 2D 做测量，各自标定、各自独立判定。 用一套器件硬扛两种诉求，结果通常是引导够用而测量不可信。

三、八维度选型判据表

需求类型分清之后，用下面八条逐项打分，基本能收敛到一个方案。

判据	问什么	2D 相机	3D 相机	线激光轮廓仪
工件摆放	有序摆盘 / 单层散放 / 料框乱堆	有序、单层平放最佳；单层散放可配高度判据	有遮挡、有翻转的乱堆首选	需已知过件方式；架运动轴可扫整框
Z 向与翻转	需不需要高度和正反姿态	不支持	支持	Z 强，姿态需扫描重建
精度量级	需要 mm 级还是 0.0x mm 级	0.05–0.5 mm	0.1–1 mm	0.01 mm 级
节拍开销	留给视觉多少秒	最小	拍照+处理常 1–3 s（百万点级点云、CPU 侧配准）	取决于扫描行程与速度
反光/黑件	工件表面是不是镜面、深黑、透明	靠打光可控	最容易翻车	蓝光/高动态型号更稳
视场与工作距	要盖多大范围、能装多远	灵活	视场越大精度越差	视场窄，必须配运动
集成复杂度	要不要加运动轴、要不要点云算力	低	中高（需算力与配准）	中高（需运动同步）
成本量级	相对投入	基准	数倍	按精度档，可更高

表格本身只能一格一格地比，真正能拿去当评审卡点的是下面几条典型否决组合——命中任意一条，对应方案不必再往下比参数：

• 紧公差（0.0x mm 级）+ 料框乱堆同时出现 → 任何单器件方案直接否决，必须拆成“3D 引导抓取 + 局部高精度测量”两套硬件、各自标定、各自判定。
• 镜面或深黑工件 + 大视场 3D 结构光 + 无打光改造预算 → 否决。 点云空洞不是靠算法参数能补回来的，这类工件要么换蓝光/高动态型号，要么改工件呈现方式。
• 目标节拍 ≤2 秒 + 3D 点云配准 + 机器人动作不能与拍照并行 → 否决。 单次拍照加配准就吃掉大半个节拍，方案从时序上就不成立。
• 线激光轮廓仪 + 需要一次性给出全框内所有工件位姿 → 否决。 视场只有一条线，扫完一框的时间和遮挡区域都不可接受。

这张表里最容易被低估的一列是“集成复杂度”。 2D 方案通常一台工业相机加一个光源就能跑；3D 方案要额外考虑点云处理算力、配准算法调优、抓取姿态碰撞检测；线激光方案要额外考虑运动轴、编码器同步、扫描拼接的坐标一致性。器件采购成本只是账面的一部分，真正拉开总投入的是调试人天和后期维护门槛。

四、场景映射：四类典型上下料/分拣需求怎么落

场景	来料状态	推荐方案	关键约束
托盘/料盘有序上下料	分层摆放、位置基本固定	优先无视觉（机械定位）；有偏差用 2D 定位	托盘本身的定位重复性是精度上限
传送带来料定位纠偏	平面上位置和角度随机	2D 相机（配编码器做动态跟踪）	曝光时间要短到不拖影；光源要抗环境光
料框散堆抓取（bin picking）	空间乱堆、互相遮挡	3D 相机 + 点云配准 + 碰撞检测	抓取成功率与重试策略比单次精度更重要
尺寸/形位测量与在线检测	单件受控过件	线激光轮廓仪（或高倍 2D + 远心镜头）	运动轴稳定性直接进误差链

四条落地经验补充：

第一，能靠机械定位解决的，就不要上视觉。 一套定位工装的成本、调试量和长期故障率通常都低于一套视觉系统。视觉的价值在于吸收“无法用机械约束消除的不确定性”，来料本来就摆得整齐时，视觉是纯增加的故障点。 这是选型阶段最省钱的一条。

第二，散堆抓取的验收指标不是定位精度，是“抓取成功率 + 平均抓取次数”。 一个 3D 视觉散堆抓取工位，第一次就抓中的比例、需要重试的比例、以及框底最后几件的处理方式，才是它能不能上线的判据。方案里必须写明重试策略和“抓不到时怎么办”（换姿态重拍、振框、报警呼人）。

第三，传送带动态定位一定要把编码器接进来。 靠固定延时去估算工件在拍照后走了多远，速度一波动就偏；正确做法是相机触发时锁存编码器值，抓取时按实时位置补偿。

第四，测量类应用要先确认“基准在哪”。 测厚度、测平面度、测间隙，都要先定义参考基准面是工件自身的某个特征、还是夹具面。基准没定义清楚，测出来的数字再稳定也没有判定意义。

五、别把“相机分辨率”当“系统精度”

这是参数表最容易误导人的一处。相机给的是像素分辨率，机器人抓取要的是末端实际到位精度，两者中间隔着一整条误差链。

# 视觉引导系统的误差链（各项近似独立时按平方和合成）
σ_total ≈ sqrt( σ_cam² + σ_calib² + σ_handeye² + σ_robot² + σ_gripper² + σ_fixture² )

σ_cam     视觉测量本身的重复性（受分辨率、打光、算法影响）
σ_calib   相机内参/畸变标定残差
σ_handeye 手眼标定残差（常见量级 0.1-0.3 mm：9 个以上标定位姿、
          标定板覆盖真实工作区、机器人已做过绝对精度补偿的条件下；
          标定点少或只在局部标定时会明显更大）
σ_robot   机器人绝对定位误差（注意：不是样本上的重复定位精度）
σ_gripper 抓手夹持后工件相对法兰的位置偏差
σ_fixture 放料位工装的定位偏差

# 典型现象：相机侧算出来 0.05 mm，末端实测偏差 0.5 mm。
# 差出来的这一个数量级，主要来自 σ_robot（绝对精度）与 σ_gripper（夹持位移），
# 但各项的具体占比因机型、工件和抓取方式而异，只能靠分段实测拆分，
# 不能默认某一项就是主因。

必须建立的一个认知：机器人样本上标的“重复定位精度 ±0.02 mm”是回到同一示教点的重复性，不是走到视觉算出的任意新坐标的绝对精度。视觉引导用的是绝对精度，它通常比重复定位精度差一个数量级。 这组区分不是本文的自定义说法，而是有标准依据的：ISO 9283（对应国标 GB/T 12642，引用时按各自的现行版号写；规定的是工业机器人位姿特性的测试条件与评定方法）把位姿重复性（pose repeatability）与位姿准确度（pose accuracy）列为两个独立指标，并给了各自的测试方法——机器人样本上通常只标前者，后者除非特别要求，厂家一般不给。所以要么在合同里要求供方按该标准提供位姿准确度实测数据，要么自己在实际工作区内布点实测。 所以视觉引导方案的精度目标，绝不能直接照抄机器人样本参数；要么实测机器人在工作区内的绝对偏差，要么在方案里加入接触找正、力控寻位这类补偿手段。

同样的道理适用于抓手：如果抓手夹持工件时会让工件“跳”一下（柔性件、薄壁件、带毛刺件尤其常见），视觉测得再准也没用，因为抓完位置就变了。这类工况要么改抓取方式，要么在放料前再定位一次。

六、打光比选相机更决定成败

一条可以直接拿去用的工程断言：在视觉工位的现场调试阶段，光源方案（光型、角度、波长、遮光）被改动的次数，通常多于相机型号与匹配算法被改动的次数；而且相机和算法可以后换，打光条件一旦被结构和节拍锁死，后面全是补救。 这也是 EVST 把光源方案和相机型号放在同一优先级上评审的原因——不是因为光源更贵，而是因为它最难在方案定稿后再改。

工件表面	主要问题	常用对策
镜面金属、抛光件	高光过曝、3D 点云大面积空洞	偏振片、大角度漫射、多曝光 HDR 融合、蓝光传感器
深黑、哑光橡塑	反射能量太低、信噪比差	加大曝光/增益（注意节拍）、同轴光、更高功率激光
透明、半透明	结构光穿透、无有效回波	背光成轮廓、喷显影剂（工艺允许时）、改用其他原理
油污、冷却液残留	反射随机、批次间不一致	增加吹气清洁工位、算法上放宽匹配阈值并增加重试
强环境光干扰	白天夜班结果不一致	加遮光罩、用带滤光片的窄带光源、缩短曝光

一条硬性建议：涉及反光或黑色工件的项目，POC（概念验证）第一件测试样品就必须是这两类件，而不是挑一件表面最规整的样品去演示。 演示件跑通不代表方案成立；真正决定项目成败的是来料里最差的那 5%。这一条应当写进 POC 计划，并要求供应商用客户的真实来料（含最差批次）做验证。

七、节拍必须按最坏情况算

视觉方案的节拍预算，最常见的错误是只算“拍照 + 计算”的平均耗时，忽略重试和异常。

# 视觉引导工位的节拍预算（应按最坏情况累加）
T_cycle = T_trigger + T_expose + T_transfer + T_process + T_comm
        + T_robot_move + N_retry × (T_re_shoot + T_re_move)
        + T_exception_handling

# 三类方案的经验量级（方案评审阶段的预算口径，非器件规格，实际以实测为准）：
# 2D 定位     : 拍照+处理 通常 <200 ms
#               （500 万像素级、单目标模板匹配或斑点分析、工控机 CPU 侧处理）
# 3D 结构光   : 拍照+点云处理+配准 常见 1-3 s
#               （视场 500x400 mm 级、单帧点云百万点量级、CPU 侧配准、
#                 单目标匹配；GPU 加速或点云降采样后更快，
#                 多目标匹配、工件密集互遮挡时更长）
# 线激光扫描  : 单线快，但整面扫描时间 = 扫描行程 / 扫描速度，需单独实测
#               （扫描速度受轮廓采样率与运动轴平稳性双重限制）

# 散堆抓取还必须额外预留：
#   - 重试次数 N_retry（框底和边角件失败率明显更高）
#   - 每 M 次抓取后的重新拍照（工件堆形状已改变）
#   - 框内剩余件不足时的处理时间

一条条件句可以直接拿去做方案评审的卡点：如果一个工位的目标节拍是 3 秒，而所选 3D 视觉方案单次拍照加点云配准就要 1.5–2 秒，那么这个方案只有在“机器人搬运动作能与下一次拍照并行”的前提下才成立；不能并行时，节拍从一开始就不可能达标。 评审时要求供应商给出的不是平均耗时，而是包含重试在内的最坏情况耗时，以及并行时序图。

八、标定链与漂移：选型时就要把它算进维护成本

标定的具体做法不在本篇展开，这里只强调三件和选型直接相关的事。

• 器件类型决定标定链的长度。 2D 固定安装（eye-to-hand）标定链最短；3D 相机装在末端（eye-in-hand）多一层法兰变换；线激光配运动轴还要额外标定扫描方向与机器人坐标系的关系。链条每长一节，现场重标一次的耗时和出错概率都会上升，这是长期维护成本的一部分，应当进选型评估。
• 漂移是必然的，方案里要留复标手段。 温度变化、支架受力、碰撞、镜头被清洁时碰到，都会让标定结果漂。成熟做法是在工位上固定一个标定基准件，每班次或每次换型时拍一次，偏差超阈值就报警提示复标——把漂移做成可监控项，而不是等抓偏了才发现。
• 谁来复标要在方案阶段定。 如果标定必须由供应商工程师到场，那么每次漂移都是一次停线加差旅；如果能做成产线人员照着 SOP 点几下就完成，这套方案的可维护性就完全不同。

九、POC 与踩坑清单

POC 该怎么设计： 用客户真实来料（含最差批次和反光/黑色件）、在接近现场的光照条件下、按目标节拍连续跑够数量，产出成功率、平均耗时、最坏耗时、失败原因分类四组数据。只演示“能抓起来”的 POC 没有验证价值。

样本量按验收档位反推，这是 EVST 的内部验收口径，不是标准规定：引导类 ≥200 次抓取——200 次里失败不超过 1 次时，抓取成功率的 95% 单侧置信下限约 97%，足以支撑“成功率 ≥95%”这一档验收要求；要把下限验到 99%，需要连续 300 次以上零失败，或上千次样本才容得下个位数失败。测量类 ≥100 件并做重复性分析——重复性的估计精度只随样本量的平方根改善，30 件量级算出的标准差自身就有 ±13% 左右的相对波动（相对标准误约 1/√[2(n−1)]），要用它去判 Cpk 类指标，100 件是比较稳的下限。样本量不是越多越好，而是要和你写进验收条款的那个数字对齐——先定验收档位，再反推 POC 跑多少次。

高频踩坑清单：

• 拿 3D 相机去做尺寸判定。 大视场 3D 的精度撑不住紧公差，测出来的数字不可复现，最后变成“检测系统天天误判”。
• 拿线激光轮廓仪去做全框散堆定位。 视场太窄，要扫完一框的时间远超节拍，且遮挡区域扫不到。
• 相机装在会振动的结构上。 装在机器人小臂、装在会晃的钣金支架上，标定结果不断漂，排查时往往先怀疑算法，其实是结构刚性问题。
• 忽略环境光的日夜差异。 白天靠窗工位和夜班的成像完全不同，验收在白天做的项目，夜班第一周就会暴露问题。
• 不做碰撞检测的散堆抓取。 点云里看着能抓的姿态，有相当比例会撞框壁或撞相邻工件。
• 算法阈值调得只适配演示批次。 匹配分数阈值卡得太死，换一批来料就大面积识别失败；应当用多批次数据确定阈值范围并留裕度。
• 把视觉结果直接下发给机器人不做合法性校验。 视觉偶发误识别是必然的，下发前必须校验位姿是否落在允许区间内、是否可达、是否与已知障碍干涉，超范围直接拒绝并报警。
• 只买器件不买调试。 视觉方案真正见效的部分大多发生在现场调优，采购时只比器件价格、不含足够的现场调试人天，最后要么效果打折，要么二次追加。

收尾：一条可以照走的选型路径

把全篇压缩成一条决策路径：先判断需求是引导还是测量 → 引导则看来料的不确定性有几个自由度（平面飘选 2D，空间翻或乱堆选 3D）→ 测量则看公差带，按公差十分之一去卡传感器重复性（紧公差选线激光轮廓仪）→ 然后用打光可行性、节拍最坏情况、误差链合成、标定维护成本四项做否决式复核 → 最后拿真实来料里最差的那批做 POC。 这五步里任何一步跳过，问题都不会消失，只会推迟到调试或量产阶段暴露。

EVST 在上下料、散堆分拣和在线检测这类工位上做方案时，会先把“引导还是测量”这一刀切清楚，再按误差链倒推每一环的分配指标，而不是从器件品牌开始选——因为视觉方案一旦选错类型，后面再多的算法调优都只是在补一个方向性错误。本技术系列后面会继续挑集成现场真正容易翻车的环节来写。