<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[langruizhike的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/langruizhike</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; langruizhike]]></copyright><item><title><![CDATA[港口机械视觉实战：从集装箱箱号OCR到岸桥吊装监控的完整方案设计]]></title><link>https://blog.csdn.net/langruizhike/article/details/169264632</link><guid>https://blog.csdn.net/langruizhike/article/details/169264632</guid><author>langruizhike</author><pubDate>Wed, 28 Oct 2026 09:30:00 +0800</pubDate><description><![CDATA[机器视觉选型笔记 · 行业应用实战第 11 篇**阅读提示：**本文约 6300 字，预计阅读 16 分钟。如果你正在做码头岸桥/场桥的箱号识别、闸口 OCR 或者吊装安全监控方案，建议直接拉到文末拿「港口机械视觉检测速查清单」。。上频闪、加遮光罩、把产线罩起来，光源就是我们自己的。港口不是。集装箱码头是：正午海面反射的眩光能把图像顶部整块打白，深夜高杆灯照不到的阴影带里一片死黑，雨后镜头上一层盐雾结晶，岸桥大车一走整机跟着震。再加上这个行业最硬的一条约束——]]></description><category></category></item><item><title><![CDATA[轨道交通视觉检测实战：从车轮踏面到受电弓滑板的完整方案设计]]></title><link>https://blog.csdn.net/langruizhike/article/details/168769805</link><guid>https://blog.csdn.net/langruizhike/article/details/168769805</guid><author>langruizhike</author><pubDate>Sat, 24 Oct 2026 09:30:00 +0800</pubDate><description><![CDATA[机器视觉选型笔记 · 行业应用实战第 10 篇**阅读提示：**本文约 6200 字，预计阅读 16 分钟。如果你正在做车辆段、动车所的轮对/车底在线检测，或者车载弓网监测的方案，建议直接拉到文末拿「轨道交通视觉检测速查清单」。。节拍再紧，料停在线上总有个几百毫秒给你拍。轨道交通不是。轮对在转、车在走，你要检测的对象是，而且不能叫它停下来，不能碰它，甚至大多数时候你连遮挡它的光路都做不到——头顶是太阳，脚下是道砟，冬天是雪水，晚上是凝露。再加上轨交行业特有的两个词：安全件、检修窗。]]></description><category></category></item><item><title><![CDATA[纺织布匹表面疵点视觉检测实战：从验布机到成品检验的完整方案设计]]></title><link>https://blog.csdn.net/langruizhike/article/details/168556656</link><guid>https://blog.csdn.net/langruizhike/article/details/168556656</guid><author>langruizhike</author><pubDate>Thu, 22 Oct 2026 09:30:00 +0800</pubDate><description><![CDATA[机器视觉选型笔记 · 行业应用实战第 9 篇**阅读提示：**本文约 6500 字，预计阅读 17 分钟。如果你正在做验布机在线检测或染整后成品检验的方案，建议直接拉到文末拿「纺织视觉检测速查清单」。做机器视觉这些年，我一直觉得纺织是被低估的行业。它没有光伏、锂电那种科技光环，但它的检测难度一点不低：一块布，幅宽两三米，以每分钟几十米的速度从你眼前跑过，上面可能藏着断经、断纬、破洞、油污、结头、飞花、浆斑——疵点种类比大多数行业都多，而且很多疵点的尺寸只有几毫米。]]></description><category></category></item><item><title><![CDATA[光伏组件视觉检测实战：从电池片到组件的完整方案设计]]></title><link>https://blog.csdn.net/langruizhike/article/details/168342388</link><guid>https://blog.csdn.net/langruizhike/article/details/168342388</guid><author>langruizhike</author><pubDate>Tue, 20 Oct 2026 09:30:00 +0800</pubDate><description><![CDATA[机器视觉选型笔记 · 行业应用实战第 8 篇**阅读提示：**本文约 7800 字，预计阅读 19 分钟。如果你正在做光伏电池片或组件端的视觉检测方案，建议直接拉到文末拿「光伏视觉检测速查清单」。光伏是我这两年接触最多的行业，没有之一。原因很简单：这个行业的成本压力大到每一片电池片都要"物尽其用"。一片隐裂片流入下游组件，轻则层压后返工，重则卖给客户后两三年内功率衰减超标，触发质保索赔——组件质保期是 25 年，任何一颗隐患片都是埋在产品里的定时炸弹。]]></description><category></category></item><item><title><![CDATA[医药包装与制剂视觉检测实战：从药片到西林瓶的完整方案设计]]></title><link>https://blog.csdn.net/langruizhike/article/details/168026572</link><guid>https://blog.csdn.net/langruizhike/article/details/168026572</guid><author>langruizhike</author><pubDate>Sun, 18 Oct 2026 09:30:00 +0800</pubDate><description><![CDATA[机器视觉选型笔记 · 行业应用实战第 7 篇**阅读提示：**本文约 7500 字，预计阅读 18 分钟。如果你正在做医药产线的视觉检测方案，建议直接拉到文末拿「医药视觉检测速查清单」。做机器视觉这些年，医药行业的项目是我见过"最不敢出错"的一类。不是因为技术有多难，而是因为医药行业的容错率趋近于零——一粒异形胶囊混进整批药品，可能直接触发整批召回；西林瓶瓶口裂纹没被检出，后续的灭菌灌装会把污染风险放大到整条产线。]]></description><category></category></item><item><title><![CDATA[汽车零部件视觉检测实战：从焊接到装配的完整方案设计]]></title><link>https://blog.csdn.net/langruizhike/article/details/167810112</link><guid>https://blog.csdn.net/langruizhike/article/details/167810112</guid><author>langruizhike</author><pubDate>Fri, 16 Oct 2026 09:30:00 +0800</pubDate><description><![CDATA[外观检测是整车下线前的最后一道视觉关卡，覆盖漆面（橘皮、流挂、颗粒、色差）、车身覆盖件（凹坑、凸起、划痕）、玻璃（气泡、夹杂）等。外观检测的难点不是分辨率，而是缺陷与正常纹理的区分。比如车漆的金属颗粒感和真正的灰尘颗粒，在 2D 图像上几乎无法区分。]]></description><category></category></item><item><title><![CDATA[半导体芯片视觉检测实战：从晶圆到封装的缺陷检测完整方案设计]]></title><link>https://blog.csdn.net/langruizhike/article/details/167586559</link><guid>https://blog.csdn.net/langruizhike/article/details/167586559</guid><author>langruizhike</author><pubDate>Wed, 14 Oct 2026 09:30:00 +0800</pubDate><description><![CDATA[检测对象：12 英寸（300mm）硅晶圆正面缺陷类型：颗粒 ≥1μm、划痕宽度 ≥0.5μm、长度 ≥20μm检测时间：全片扫描 ≤30 秒漏检率目标：颗粒 < 100ppm，划痕 < 50ppm半导体视觉检测是整个机器视觉领域技术密度最高的赛道之一。它不像物流读码那样"标准化"，也不像 3C 尺寸量测那样"有规律"——每一代工艺节点的升级，都会带来新的检测挑战和硬件需求。先定义"要看到什么"，再反推"需要怎样的光学系统和数据通路"，最后才是选具体设备。]]></description><category></category></item><item><title><![CDATA[食品包装视觉检测实战：从产线触发到缺陷剔除的完整方案设计]]></title><link>https://blog.csdn.net/langruizhike/article/details/167279255</link><guid>https://blog.csdn.net/langruizhike/article/details/167279255</guid><author>langruizhike</author><pubDate>Mon, 12 Oct 2026 09:30:00 +0800</pubDate><description><![CDATA[行业应用实战 · 第4篇   食品包装视觉检测实战：从产线触发到缺陷剔除的完整方案设计   把工业相机、图像采集卡、定制工控机、传感器串成一条产线——食品行业视觉检测的落地逻辑      📅 2026-10-08   ⏱ 阅读约 20 分钟   👤 机器视觉选型顾问   🏷 行业应用实战系列做了这么多年视觉方案，食品包装是我见过**"看似简单、实则最容易翻车"食品包装视觉检测从触发到剔除的完整方案**。读完你会得到：一张五层硬件架构图、一套面向高速产线的选型参数、一张现场排障地图。]]></description><category></category></item><item><title><![CDATA[采集卡装进机器才是开始：驱动、稳定性与 7×24 运行的工程实战]]></title><link>https://blog.csdn.net/langruizhike/article/details/167258884</link><guid>https://blog.csdn.net/langruizhike/article/details/167258884</guid><author>langruizhike</author><pubDate>Sat, 10 Oct 2026 09:30:00 +0800</pubDate><description><![CDATA[（虽然最后往往真是自己的代码）。]]></description><category></category></item><item><title><![CDATA[物流分拣视觉实战：条码读码与体积测量的完整方案设计]]></title><link>https://blog.csdn.net/langruizhike/article/details/167175317</link><guid>https://blog.csdn.net/langruizhike/article/details/167175317</guid><author>langruizhike</author><pubDate>Thu, 08 Oct 2026 09:30:00 +0800</pubDate><description><![CDATA[超过 4m/s 的场景（如摆轮高速线）通常改用线阵相机 + 编码器行触发的方案，和锂电卷材篇的架构殊途同归——运动方向一维扫，静止方向一次成像。卷帘快门逐行曝光，包裹高速通过画面时，前后行的曝光时刻相差几毫秒，图像会被"剪切"变形——垂直线条倾斜、条码的矩形格子变成平行四边形。，光幕、编码器、相机的数据流全部带上序列号和编码器时间戳，主机按序列号配对——这套机制在上一篇 A3 讲过多相机同步，物流场景是它最典型的应用。物流包裹高度参差不齐——同一传送带上，既有 5cm 高的信封，也有 60cm 高的纸箱。]]></description><category></category></item><item><title><![CDATA[3C结构件视觉检测实战：尺寸量测与外观缺陷的完整方案设计]]></title><link>https://blog.csdn.net/langruizhike/article/details/167082957</link><guid>https://blog.csdn.net/langruizhike/article/details/167082957</guid><author>langruizhike</author><pubDate>Tue, 06 Oct 2026 09:30:00 +0800</pubDate><description><![CDATA[例如工件从工位 1 移动到工位 2 需要 200ms，那么视觉处理必须在 300ms 内完成，否则会出现工件到了下一工位但结果还没出来的情况。为例，把工业相机、镜头、光源、图像采集卡、定制工控机、传感器串成一套可落地的方案。要检出划痕、凹坑、毛刺、异色。和锂电卷材最大的不同是：工件是"一个一个来"的，产线节拍快（0.5~2 秒/件），需要多工位协作，而且现场换型频繁。正在做 3C、汽车零部件、精密五金等离散工件视觉检测的工程师、集成商选型人员，以及想理解"尺寸量测 + 外观检测"双需求如何硬件落地的读者。]]></description><category></category></item><item><title><![CDATA[锂电极片缺陷检测实战：从相机选型到系统集成的完整方案设计]]></title><link>https://blog.csdn.net/langruizhike/article/details/166947279</link><guid>https://blog.csdn.net/langruizhike/article/details/166947279</guid><author>langruizhike</author><pubDate>Sun, 04 Oct 2026 09:30:00 +0800</pubDate><description><![CDATA[这就是"标准台式机/服务器主板"和"定制工控机"的分水岭——消费级主板往往只有 1~2 个 x16 插槽，而且 CPU 提供的 PCIe 通道数可能不够（主流桌面 CPU 通常 20~24 条通道）。相机的像素时钟（像素/秒）→ 采集卡的接口带宽（Byte/s）→ 采集卡到主机的 PCIe 有效带宽 → 主机内存带宽 → CPU/GPU 处理吞吐。卷材检测的第一直觉应该是线阵相机。以我过去的项目经验：方案设计 1~2 周，硬件采购 2~4 周，机械安装 1 周，视觉调试 2~3 周，产线联调 1~2 周。]]></description><category></category></item><item><title><![CDATA[A3 多相机 + 采集卡：同步、触发与缓存的工程落地]]></title><link>https://blog.csdn.net/langruizhike/article/details/166846283</link><guid>https://blog.csdn.net/langruizhike/article/details/166846283</guid><author>langruizhike</author><pubDate>Fri, 02 Oct 2026 09:30:00 +0800</pubDate><description><![CDATA["数据是否完整"**（带宽与缓存）。单相机系统里带宽是头号嫌疑犯，多相机系统里同步和对应关系才是。]]></description><category></category></item><item><title><![CDATA[带宽算不清，采集卡必丢帧：从像素时钟到 PCIe 通道的完整算法]]></title><link>https://blog.csdn.net/langruizhike/article/details/166780457</link><guid>https://blog.csdn.net/langruizhike/article/details/166780457</guid><author>langruizhike</author><pubDate>Wed, 30 Sep 2026 09:30:00 +0800</pubDate><description><![CDATA[采集卡选型里有个反直觉的事实：**大部分"卡的故障"，其实都是账没算清。**相机端的账（像素时钟）、链路的账（协议开销）、总线的账（通道与代际）、主机的账（缓存、中断、内存）——四本账记全了，卡的选择会自己浮出来。下一篇（A3）我们往系统层面再进一步：多相机场景下一张卡多路还是多张卡拆分、触发体系怎么搭、行同步与编码器怎么接、上线后八大故障怎么排。那篇是落地篇，这篇是它的算术基础——先把这篇的公式保存到你的选型笔记里。← 上一篇：A1 工业相机一定要上采集卡吗？一张图讲清它在视觉系统里的位置。]]></description><category></category></item><item><title><![CDATA[工业相机一定要上采集卡吗？一张图讲清它在视觉系统里的位置]]></title><link>https://blog.csdn.net/langruizhike/article/details/166773781</link><guid>https://blog.csdn.net/langruizhike/article/details/166773781</guid><author>langruizhike</author><pubDate>Mon, 28 Sep 2026 15:00:00 +0800</pubDate><description><![CDATA[—一颗千兆网卡、一根 USB 线就够了，硬上采集卡纯属浪费预算。但剩下那 10% 的场景，采集卡不是"锦上添花"，而是：不上，项目就是做不成，或者做成了天天丢帧、天天返工。难的不是买不买，而是。这篇就把判断方法一次讲清：采集卡在数据流里的真实角色、三条数据通路的硬指标对比、五类"必须上"的场景、一张决策树，最后用一个锂电极片检测项目从 8 路 GigE 改成采集卡方案的完整复盘收尾。]]></description><category></category></item><item><title><![CDATA[S5 传感器+视觉系统集成实战：触发链路、时序预算与联合调试]]></title><link>https://blog.csdn.net/langruizhike/article/details/166596836</link><guid>https://blog.csdn.net/langruizhike/article/details/166596836</guid><author>langruizhike</author><pubDate>Fri, 25 Sep 2026 09:30:00 +0800</pubDate><description><![CDATA[S1 总览：五层模型 L1-L5，建立"传感器是视觉系统的感官"的整体认知S2 光电：解决"拍不拍"，五种结构与触发时序四个公式S3 编码器与位移：解决"拍到哪了"，PPR 选型、行触发与飞拍分频S4 接近与距离：解决"到位没有、离多远"，四大门派与材料/温度补偿S5 系统集成（本篇）：把前四篇串起来，三条链路、四个公式、五步调试法视觉系统出问题，先查传感器与视觉之间的"关系"，再查器件本身。]]></description><category></category></item><item><title><![CDATA[S4 接近与距离传感器：机器视觉的“距离感”与到位检测]]></title><link>https://blog.csdn.net/langruizhike/article/details/166459278</link><guid>https://blog.csdn.net/langruizhike/article/details/166459278</guid><author>langruizhike</author><pubDate>Wed, 23 Sep 2026 10:06:07 +0800</pubDate><description><![CDATA[🏷️ 第四阶段 · 传感器系列（S4 / 共5篇）📖 专栏：机器视觉硬件选型指南⏱️ 全文约 6500 字 · 19 分钟阅读S2 讲了光电传感器怎么回答"拍不拍"，S3 讲了编码器怎么回答"拍到哪了"。——接近传感器与距离传感器。很多人觉得这类传感器"简单到不需要选型"，装上去有信号就行。。这些坑没有一个是相机的问题，全出在"距离感"这一层。本篇把电感/电容/磁性/超声波四类接近传感器，加上激光三角、ToF 两种测距方案的原理、参数、公式和选型逻辑一次讲透。]]></description><category></category></item><item><title><![CDATA[S3 编码器与位移传感器：运动反馈与视觉同步]]></title><link>https://blog.csdn.net/langruizhike/article/details/166231391</link><guid>https://blog.csdn.net/langruizhike/article/details/166231391</guid><author>langruizhike</author><pubDate>Mon, 21 Sep 2026 10:23:11 +0800</pubDate><description><![CDATA[线阵相机的像素宽度由镜头和物距决定（像素当量），而行间距由编码器分频决定。两者越接近，图像越不容易拉伸。目标：行间距 ≈ 像素当量若像素当量 = 0.05mm/px则期望行间距 = 0.05mm/line→ 反推分频系数 = π × D × 减速比 / (PPR × 0.05)💡 实用经验：先按像素当量反推分频系数，再在现场用标准件（圆、方格标定板）跑一遍，微调分频直到图像比例正确。]]></description><category></category></item><item><title><![CDATA[传感器总览：机器视觉系统的“感官“全解与选型地图]]></title><link>https://blog.csdn.net/langruizhike/article/details/165474762</link><guid>https://blog.csdn.net/langruizhike/article/details/165474762</guid><author>langruizhike</author><pubDate>Thu, 17 Sep 2026 10:28:28 +0800</pubDate><description><![CDATA[卷材、钢板、打印品这类"无限长"目标，用线阵相机做扫描，用编码器脉冲做行触发——相机每收到 N 个编码器脉冲拍一行，实现"像素与毫米"的精确对应。很多工控机柜封闭设计，夏天机柜内温度轻松超过 50°C，工业相机和工控机的稳定性都会下降，出现"白天好晚上坏"的诡异故障。不要让相机自己"猜"。传感器在视觉系统中的角色，可以类比为人体的感觉神经：眼睛（相机）负责"看"，但神经末梢（传感器）负责告诉大脑（工控机）视觉项目中，前者用于"到位就触发拍照"，后者用于"拍照前先量高度/厚度，再做 3D 判断"。]]></description><category></category></item><item><title><![CDATA[光电传感器：机器视觉的“触发与到位“]]></title><link>https://blog.csdn.net/langruizhike/article/details/165474883</link><guid>https://blog.csdn.net/langruizhike/article/details/165474883</guid><author>langruizhike</author><pubDate>Wed, 16 Sep 2026 09:30:00 +0800</pubDate><description><![CDATA[传感器输出并联到两台相机的触发输入线即可，注意总负载能力（一个 NPN 输出带 2~3 个光耦输入一般没问题），且两台相机到传感器的线长尽量一致以减少偏差。每次换产品/换速度，重新算一遍 L、Tmin、texp、tw，10 分钟能避免一整天的现场排查。药瓶直径 30mm，遮光时间 = 30 ÷ 500 = 60ms，远大于响应时间，安全。低速产线无感，高速产线建议传感器直连相机 IO，PLC 只做逻辑/安全。第三类最隐蔽：算法工程师会拼命调参来"弥补"触发不准，短期看有效，但换一个产线节拍，问题立刻复现。]]></description><category></category></item></channel></rss>