曝光调不对，算法全白费：机器视觉的曝光三态解析

你大概有过这样的经历：用手机拍一张窗边的照片，窗外的景色一片惨白，什么都看不清；或者拍一张暗光环境下的照片，画面漆黑一片，细节全无。前者叫“过曝”，后者叫“欠曝”，这两种情况在工业视觉中同样会出现，只是后果严重得多。

曝光，说白了就是相机传感器收集光的过程。光线通过镜头落在传感器上，传感器把光信号变成电信号，电信号再被量化成灰度值，最终形成图像。曝光时间长了，进的光多，图像亮；短了，光少，图像暗。 这件事本身并不复杂，复杂的是：什么样的亮度才算刚刚好？太亮和太暗分别会造成什么问题？

一、正确曝光：图像信息完整，边缘清晰可辨

正确曝光的图像，灰度值分布在整个可用的范围内，最暗的区域接近纯黑但不完全丢失细节，最亮的区域接近纯白但没有溢出。你可以把图像想象成一个仓库，灰度值从0到255就是仓库里的255个货架。正确曝光的图像，货物均匀分布在所有货架上，信息完整、层次分明。

在工业视觉中，正确曝光的价值在于：边缘清晰，特征稳定。 当图像被正常曝光时，工件轮廓、表面纹理、缺陷特征都能被准确呈现。算法在做边缘检测时，可以稳定地找到灰度变化的陡峭位置，边缘在哪里、什么形状、与周围区域的对比度如何，一目了然。后续的尺寸测量、缺陷识别、定位抓取，都是建立在这个信息完整的前提之上的。

二、欠曝：暗光环境下的信息缺失

欠曝就是进光量不足，图像整体偏暗。

在工业视觉中，欠曝带来的问题远不止看起来暗这么简单。首先，暗光环境下信号本身较弱，而传感器固有的噪声，包括光子散粒噪声和读出噪声，在弱信号下相对占比更高。信号弱、噪声强，信噪比就低。 低信噪比的图像，边缘被噪声掩盖，算法很难准确找到轮廓位置。

其次，欠曝图像的灰度值集中在低端区间。那些原本应该分布在100-200之间的灰度值，全部被压缩到了0-50的区间里，信息被压扁了。特征之间的对比度被压缩，原本清晰的缺陷变得模模糊糊，算法根本看不出来那里有个缺陷。

更麻烦的是，欠曝还会导致算法误判增多。当边缘本身就不够锐利时，算法在边缘附近检测到的可能是噪声而不是真实特征，直接导致测量结果偏差。

三、过曝：亮光下的信息溢出

过曝就是进光量过多，图像整体偏亮，甚至出现大面积纯白区域。传感器每个像素能容纳的电子数量是有上限的，一旦达到饱和，过量的光线就无法被区分了。所有超过饱和阈值的亮度都会被记录为同一个最大灰度值，也就是说，不同亮度的细节溢出之后变得无法区分。

在工业视觉中，过曝比欠曝更可怕。至少欠曝的图像还能看到轮廓在哪里，只是细节模糊；过曝的纯白区域则直接丢失了所有信息。如果工件表面有一块区域在图像中呈现为纯白色斑，那片区域里有没有划痕、有没有脏污、边缘在哪里，全都无从得知。算法看到一个纯白区域，无法判断这个区域的边缘是圆形还是方形，因为边缘已经融化在了白色之中。

过曝还会导致测量结果漂移。 在图像处理中，边缘定位依赖于灰度梯度变化。当过曝严重时，边缘两侧的灰度差异被压缩，梯度值下降，算法探测到的边缘位置会比实际位置偏移若干个像素。在微米级的测量任务中，这种偏移足以导致误判。

四、为什么工业视觉对曝光这么敏感

工业场景中的检测任务通常对精度要求极高。手机中框的R角、PCB板的线宽、半导体晶圆的对位标记，这些测量往往要达到微米级或亚微米级。而边缘定位的精度直接依赖于图像中灰度变化的清晰程度。在正确曝光下，边缘梯度陡峭、位置明确；在欠曝或过曝下，梯度被削弱、位置模糊。

有人可能会说：那用深度学习不就行了吗？AI算法确实能处理一定程度的曝光偏差，但有两个限制：第一，深度学习的鲁棒性是有范围的，严重欠曝或过曝的图像，AI也一样无能为力；第二，工业检测追求的是99.9%以上的精度等级，容忍度极低。

与其让算法去猜，不如先把图像拍好。这是工业视觉系统设计的一个基本原则。

五、如何调节正确的曝光量

在机器视觉项目中，设置正确的曝光参数往往是系统调试的第一步。光源选定了、相机装好了、镜头光圈调好了，下一步就是让画面亮起来，而且是不亮不暗、恰到好处的那种亮。

现代工业相机通常支持自动曝光功能，但在精密测量场景中，自动曝光往往不够用。因为产线上的工件可能材质不同、颜色不同、反光率不同，自动曝光算法很难在所有情况下都给出最优解。更可靠的做法是：根据具体检测任务，手动设定曝光时间，并通过灰度直方图确认图像的灰度分布是否合理。

在产线调试过程中，工程师通常会根据工件特征和检测要求，反复调整曝光时间、光源亮度和光圈大小，观察直方图的变化，找到那个刚刚好的参数组合。这个过程需要耐心，但只要曝光对了，后续的图像处理效率会高很多。曝光这件事，说到底是让图像传感器接收到恰到好处的光。