我最近在做一个低成本工业视觉检测的小项目，针对的是圆形工件的直径、圆度、圆心定位。说起来原理并不复杂，但做出来的效果让我有点意外——只用一台 200 块钱的 USB 摄像头（没有远心镜头，没有特殊光源），就能在大约 15ms 内稳定地重复测量，直径标准差低于 2 微米，圆心位置极差 0.3 像素（约 0.01mm）。
更关键的是：它基本不受零件表面的灰尘、划痕、油污干扰，也不依赖任何深度学习训练，换型号只需按一个“标定”按钮。
因为这个方案我打算后续产品化，所以算法细节暂时不能公开。但我想聊聊我是怎么“绕开”传统方法的坑，以及这套思路目前能解决哪些工业痛点。希望能给正在做类似检测的朋友一些启发，也欢迎客户朋友提需求。
一、传统方法的两座大山
做圆检测的人都知道，最常见的路子无非两种：
1.最小二乘拟合圆优点是快，但极度怕“脏数据”——零件上哪怕有一个灰尘或划痕，圆心就能偏好几个像素。产线上不可能每个零件都干干净净。
2.深度学习 / 语义分割需要大量标注样本，换一种型号（比如不同的纽扣、轴承）就要重新训练。而且模型的可解释性差，丢了数据你也不知道为什么。
这两种方法在实际产线落地时，都会被光照变化、表面反光、油污灰尘折腾得很难受。
我一直在想：有没有一种方法，既不需要训练，又能自动识别哪些边缘点是“可靠”的，哪些是“干扰”？
二、一个“笨”但有效的思路
我最后用的方法，其实是从统计学习里借来的一个老概念：M 估计（M-estimator）。
简单说，我不再假设所有边缘点都服从高斯分布，而是假设大部分“好点”集中在真圆附近，少数“坏点”（灰尘、划痕、反光假边缘）则会偏离很远。于是我设计了一个权重函数——偏离越大的点，权重越低。
这样，拟合圆的时候，算法会自动“无视”那些可疑的离群点，把注意力放在真正的圆柱轮廓上。
听起来不复杂吧？真正花功夫的地方在于：
•如何自适应地确定权重阈值（不需要人工调参）。
•如何处理因为零件本身不够圆（比如 0.08mm 的真实圆度）导致的大残差，以免误杀。
•如何把权重信息可视化，让操作员一眼看出“哪些区域被判定为脏污”。
这些细节我摸索了好几个月，最后实现的版本，在 30 次重复测量中，直径标准差稳定在 0.002mm 以内。下面是实际测的一组数据（零件是一个直径约 5mm 的硬币大小圆片）：
指标 数值
直径均值 4.9595 mm
直径极差 0.0073 mm（7.3 μm）
直径标准差 0.00198 mm（2 μm）
圆心 X 极差 0.30 pixel
圆心 Y 极差 0.34 pixel
圆度（残差峰谷） 0.0787 mm
圆度极差 0.0017 mm
（注：圆度值较大是因为这个零件本身就不太圆，不是我测歪了。）
这个重复性，已经能跟一些入门级的工业智能相机掰手腕了，而我的硬件成本还不到它们的十分之一。
三、为什么客户可能会喜欢这个方案？
我拿这个原型去跟几个小工厂的质检主管聊过，他们最感兴趣的点是：
- 极低成本，不挑相机
你们厂里随便拉一个 USB 摄像头，甚至笔记本前置摄像头，都能跑出类似的效果。不需要另外买昂贵的远心镜头或工业相机。 - 换产线零训练
换一个型号的工件，只需要把工件放在视野内，点一下“标定”按钮，系统自动学习当前尺寸。全程不需要收集几百张缺陷图，也不需要 GPU。 - 不怕油污和划痕
产线上零件磕碰、沾油、有轻微划痕是常态。这套方案会把那些异常边缘自动降权处理，不会因为一颗灰尘就误判为尺寸超差。我专门做过破坏性实验：在零件上人为画一道划痕，传统最小二乘的圆心会偏 5 个像素以上，而我的方法只偏了 0.1 像素。 - 结果可解释
软件会输出一张“权重图”——绿色点是被采纳的可靠边缘，红色点是被排除的干扰点。质检员一看就知道系统为什么判定合格或不合格，而不是一个黑盒给出 OK/NG。
四、研究者可能会感兴趣的点
如果你的工作不涉及工程落地，而是偏算法研究，那么下面几点可能值得留意：
•鲁棒核函数的选择： Cauchy 核 vs. Huber 核 vs. Tukey 核，在圆形拟合问题上的表现差异。
•收敛性与初值：代数拟合结果作为迭代初值的必要性。
•自适应带宽：如何根据残差分布自动调整 Cauchy 核的尺度参数。
•置信椭圆：从 Hessian 矩阵逆估计圆心协方差，输出不确定度。
我在这几个方向上都做了一些实验，得到了不少有意思的结论。如果大家感兴趣，我可以后续单独开一篇聊聊“鲁棒圆拟合的调参玄学与科学”。
五、现在还缺什么？
当然，这个方案距离真正的工业产品还有几步路要走：
1.绝对精度标定：目前我只做了重复性测试，还没用标准环规校准绝对直径。
2.畸变校正：普通镜头的桶形畸变会影响边缘定位，需要加入棋盘格标定。
3.高光处理：高反光金属零件仍然容易出问题，可能需要加偏振片或改变光源角度。
4.自动化集成：需要提供 Modbus 或 TCP 接口，把结果发给 PLC 或机械臂。
这些我正在逐步完善。如果有甲方愿意一起合作测试，欢迎私信我。
六、结语
我始终相信，工业视觉的未来不应该只有昂贵的传感器和黑盒深度学习。有时候，一个朴素的统计思想，加上一点点工程耐心，就能让普通硬件发挥出接近专业设备的威力。
这条路我还在走。如果你也对低成本、高鲁棒、易部署的检测方案感兴趣，欢迎留言交流。
