我在这所高专院校带机器视觉课程已经第四轮了每年的开课第一节课我都会跟学生讲一句话机器视觉不是一门理论课而是一项吃饭的本事。这句话听着直白但高专学生最吃这一套——他们要的不是公式推导和论文复现代码而是毕业之后进到设备现场能独立把一个视觉工位搭起来、调得动、跑得稳。计算机视觉技术实践体系就是围绕这个目标一点点磨出来的。这篇内容我打算把整套实践方案都交个底课程怎么分层设计、硬件怎么选型、实验室怎么搭、核心实验怎么拆、综合项目怎么带、学生现场踩过的坑怎么排。如果你也在高专院校或者应用型本科带机器视觉课或者你自己正在做计算机视觉项目方向的自学规划这套思路可以直接抄作业再按你手头的设备情况做加减法。1. 课程实践体系设计思路从岗位需求倒推教学内容1.1 高专院校学生的能力定位与课程目标高专院校和普通本科在人才培养上最大的区别不是学历层次而是出口岗位。我带过的毕业生里面去向比较集中的是三类机器视觉应用工程师、设备调试工程师、视觉技术支持。你去看这些岗位的招聘要求会发现一个共同点——没有一家要求你熟读花书、能自己推反向传播公式但几乎每家都写着熟悉相机、镜头、光源的选型与调试掌握图像处理基本算法能独立完成视觉项目搭建。这就决定了课程目标不能照着本科的《数字图像处理》去压缩。我前两轮上课的时候犯过一个典型错误大篇幅讲滤波器的频域原理、讲边缘检测的数学推导结果学生听得昏昏欲睡到了实训环节连相机都开不出来。后来我做了岗位调研回访了几个在设备厂干了两年多的毕业生把他们的日常工作列了个清单换镜头要会算焦距、现场反光要会换光源角度、齿轮尺寸超差要会调像素当量、瓶盖漏装了要会写检测逻辑。这些任务背后对应的是非常具体的能力项而不是知识体系。所以我把课程目标收敛成了五条能根据测量精度和视野选配相机镜头、能搭建稳定的图像采集环境、能完成相机标定和像素当量换算、能编写常规的图像处理和检测代码、能定位并解决视觉现场的常见异常。你看这些目标全部是动词开头的全部能在实训台上被验证。课程好不好不看试卷看学生能不能在期末项目里把一个工件测明白。1.2 实践体系整体架构三阶递进模式整套实践体系我采用了三阶递进的结构第一阶叫基础技能层第二阶叫核心任务层第三阶叫综合项目层。为什么这么分层因为高专学生的动手能力普遍不差但抽象思维和代码功底参差不齐如果一上来就丢一个完整的检测项目大部分人会被环境配置、参数调优、算法组合这些复杂问题直接劝退。反过来如果只做单点实验学生学完也不知道这些东西在产线上到底怎么串起来。三阶结构就是台阶每一阶干每一阶的事且前一阶直接成为后一阶的原料。基础技能层的目标是把图像这个东西玩熟。学时安排大概六周覆盖相机参数设置、灰度转换、阈值分割、形态学操作、边缘提取这些最基本的操作。这一层的要求就是每个学生都能独立写出可运行的样例代码并且知道每个函数的输入输出是什么。我不要求学生背 API但我要求他们能解释这一步处理完图像变成什么样了、为什么变了。核心任务层是重点学时大概六周对应计算机视觉常用方向的几个典型场景尺寸测量、位置定位、缺陷检测、字符识别。每个方向我都做了一个标准实验台台子上摆着真实工件——轴类零件、药片、电路板、标签纸而不是网上随便找的图片。这个设计很关键因为真实工件才有光照问题、反光问题、摆放偏移问题这些问题恰恰是计算机视觉项目里最磨人的部分。第三阶综合项目层放在最后三到四周学生以小组为单位完成一个完整的视觉应用项目从方案设计、安装调试、代码开发到测试报告全流程走一遍。很多学校管这种项目叫计算机视觉大作业我更喜欢叫它准岗位实训。因为第四轮课下来我明显感觉到只要这一层做扎实了学生到了企业根本不需要再花几个月重新适应。完整的学期节奏我列在下面这张表里供排课时直接参考。周次阶段主要任务产出第1周基础技能层相机连接、图像采集、图像显示采集程序、图像质量分析第2周基础技能层灰度化、直方图、全局阈值阈值分割对比图第3周基础技能层Otsu自适应、局部阈值分割实验报告第4周基础技能层腐蚀膨胀、开闭运算、连通域形态学处理前后对比第5周基础技能层Canny边缘、轮廓查找边缘提取结果第6周基础技能层阶段考核固定任务限时完成标准操作流程考核第7周核心任务层相机标定实验标定参数文件第8周核心任务层像素当量换算实验尺寸测量数据第9周核心任务层轴类零件直径测量测量对比报告第10周核心任务层工件定位与角度计算定位标注图像第11周核心任务层药片缺陷检测实验检测逻辑与误检率第12周核心任务层标签OCR识别实验识别程序与准确率第13-15周综合项目层小组完成综合视觉项目实物演示方案文档第16周综合项目层项目答辩与互评答辩PPT、代码归档2. 实践平台选型与硬件环境搭建2.1 工业相机与镜头教学生算清楚每一笔账硬件选型是这门课绝对不能跳过的环节。很多课程直接给学生一台现成的工业相机教大家调参采集这是省事但学生到了企业还是会懵。真正的现场工程师拿到一个需求第一件事就是算账要选多高分辨率的相机、多大靶面、什么焦距的镜头、放在多远的工作距离上。所以我的实训第一周就让学生做选型计算公式不复杂但思路必须建立起来。拿我们实验室最常用的配置举例子。相机选的是500万像素CMOS工业相机分辨率2448×2048接口用USB 3.0传感器尺寸1/2.5英寸也就是大约5.7mm×4.3mm的靶面。为什么不用更大靶面的相机因为高专实验室经费有限1/2.5英寸是性价比最好的平衡点而且配套镜头便宜。为什么用卷帘快门而不用全局快门因为我们的实验工件基本都是静止拍摄运动模糊不是主要矛盾卷帘快门成本低把预算省给光源。镜头选型的核心是焦距计算公式是 f WD × H_sensor / FOV_H。f是焦距WD是工作距离H_sensor是传感器的高度方向尺寸FOV_H是需要在高度方向上覆盖的视野。举个例子要检测一个直径30mm的轴类零件希望在图像里看到大约60mm的高度范围相机离工件200mm传感器高度4.3mm那么 f 200 × 4.3 / 60 ≈ 14.3mm。这时候选市面上最常用的16mm定焦镜头再反推一下实际视野高度方向FOV 4.3 × 200 / 16 ≈ 53.7mm能覆盖直径30mm的工件边缘还留出余量完全够用。这个计算过程我要求学生人人会算考试都不带查公式的。除了焦距还要让学生理解分辨率和精度的关系。工业上有个经验法则要稳定测量出±0.1mm的精度像素分辨率至少要达到公差的五分之一到十分之一也就是0.02mm/pixel左右。还是上面这个例子16mm镜头、200mm工作距离下水平视野大概是5.7×200/16≈71mm2448个像素分摊下来一个像素大约0.029mm约等于29μm。配合亚像素边缘处理和标定修正测±0.1mm的尺寸是稳的。我通常会反问学生一句如果你的客户要求±0.02mm这套配置还够不够这时候他们自己就能算出来不够要么加大分辨率要么缩小视野要么拉近工作距离。这个思维过程比记住任何一个结论都值钱。2.2 光源方案打光决定下限做机器视觉的人都听过一句话算法决定上限光源决定下限。这话一点不夸张。同一张工件图背光和正面光拍出来的效果天差地别直接决定了后面阈值分割的难度。所以我专门在实验室里搭了一套四合一光源实验区配备环形光源、条形光源、背光源和同轴光源让学生针对同一个工件换着打光自己观察图像差异。下面这张表是我们实验中总结出来的选型逻辑基本覆盖了高专实验室能见的典型场景。检测场景推荐光源布局方式打光原理通用工件补光环形光源套在镜头周围光线均匀、阴影少适合大多数静止工件轮廓尺寸测量背光源工件放在光源和相机之间形成高对比剪影边缘最锐利测量最稳划痕、凹坑检测条形光低角度相机正上方光源从两侧低角度照射暗场成像平面区域暗缺陷处发亮高反光表面识别同轴光源光源沿镜头光轴方向照射避开镜面反射保留表面纹理信息这部分的实验我要求每组学生必须做完整记录同一工件用不同的光源拍四张图然后对直方图做对比。学生自己就会发现背光下采集的图像直方图是典型的双峰阈值闭着眼睛选都行而正面光打在划痕上灰度层次复杂阈值怎么选都容易带出噪声。这个过程比我讲十遍打光很重要都管用。2.3 软件环境与教学工具链软件栈的选择我前后折腾过两个方案第一轮用的是C加OpenCV第二轮直接换成了Python加OpenCV。为什么换高专学生里相当一部分人第一学期才学编程C的指针和内存管理对他们来说就是劝退器而Python语法门槛低改起来快学生在调试算法时能更专注在视觉问题本身而不被语言卡住。目前实验室统一用的版本是Python 3.9、OpenCV 4.x、PyCharm Community版加Anaconda环境管理全部免费学生在自己电脑上也能复现。这里有一个很多老师会忽略的问题工业上主流的VisionPro、Halcon这些商业软件在设备厂用得很多但学生自己电脑上装不了正版课后练习就成了问题。所以我定了一个原则课上用OpenCV打基础讲授环节会把Halcon和VisionPro的界面截进来做对比演示告诉学生商业软件本质上就是把OpenCV这些底层算法封装成了拖拽式算子你理解了算法逻辑上手商业软件就是一天的事。这个安排既保住了课后可练性也不让学生出了校门对工业软件两眼一抹黑。环境的搭建过程我做成了一张标准操作卡发给学生Anaconda创建虚拟环境之后在终端执行两行命令conda create -n vision python3.9 -y conda activate vision pip install opencv-python opencv-contrib-python numpy matplotlib我给学生的强调是opencv-contrib-python必须装因为里面包含了sift、aruco等一系列扩展模块后面的标定和定位实验要用到。如果只装opencv-python到时候import cv2.aruco直接报错再补包又容易搞乱依赖。3. 核心实验模块拆解与操作要点3.1 图像采集实验先能稳定拿到图基础层的第一关是图像采集。这个实验看起来简单实际坑位密集。我要求每个学生写一个程序能控制相机分辨率、曝光时间和增益拍一张清晰的工件图并保存。标准代码骨架大概是这样的import cv2 cap cv2.VideoCapture(0, cv2.CAP_DSHOW) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 2448) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 2048) cap.set(cv2.CAP_PROP_EXPOSURE, 100) cap.set(cv2.CAP_PROP_GAIN, 0) ret, frame cap.read() if ret: cv2.imwrite(workpiece.bmp, frame) cap.release()这里面的关键点是曝光和增益的区别。我经常用拍照做类比曝光是快门打开的时间决定进光量增益是感光电路放大信号放大有用信号的同时也放大噪声。所以现场调试的原则永远是先调曝光和光源最后才动增益增益一高图像上的噪点就全出来了后面的阈值分割寸步难行。学生如果拍出来的图发白第一反应应该是调小曝光时间而不是急着调增益这个顺序意识我在实验课上反复强调。另一个高频问题是相机默认输出分辨率很低。很多人第一次插上USB工业相机不加set那句读出来的图像只有640×480还以为是相机坏了。这是因为驱动默认走了UVC协议的默认参数。所以开头那几行set必须作为固定习惯保留。这个实验我也要求学生做一组曝光阶梯记录其他条件不变曝光时间从短到长设置几档观察图像从暗到饱和的变化画出饱和像素占比的趋势。做过这个记录学生就明白什么叫动态范围什么叫过曝而不是停留在概念上。3.2 相机标定与像素当量换算把像素和毫米打通核心任务层的第一关是标定。学生到这里经常问一个问题老师我们前面处理了那么多图像素值只是灰度我怎么能告诉客户这个圆直径是25.4mm答案就是标定。标定有两层含义。第一层是相机参数标定目的是消除镜头畸变、得到相机内参和畸变系数。我们实验室用的是张正友标定法打一张棋盘格标定板用OpenCV的findChessboardCorners和calibrateCamera接口完成。这个方案设备门槛低一张打满棋格的A4纸就能跑学生理解起来也直观——看同一个棋盘在不同角度下拍出来的形状变化就理解了畸变。核心代码不长import cv2 import numpy as np criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) objp np.zeros((7 * 7, 3), np.float32) objp[:, :2] np.mgrid[0:7, 0:7].T.reshape(-1, 2) obj_points [] img_points [] for f in [calib01.jpg, calib02.jpg, calib03.jpg]: img cv2.imread(f) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners cv2.findChessboardCorners(gray, (7, 7), None) if ret: obj_points.append(objp) img_points.append(corners) ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( obj_points, img_points, gray.shape[::-1], None, None) print(内参矩阵:\n, mtx) print(畸变系数:\n, dist)标定的第二层含义是像素当量换算这也是高专学生在企业里最常干的活。原理很简单用相机拍一个已知尺寸的标准量块量出它在图像里占多少像素两者一除就是每像素对应的毫米数。比如量块实际宽30mm图像里量出来是1000像素那像素当量就是0.03mm/pixel。听起来简单但实际操作有几个坑工件必须放置在与相机光轴垂直的平面内倾斜了换算就不准相机固定后不能再动焦距和光圈否则当量就变了量块边缘要用亚像素级边缘检测来取直接数像素误差太大。我要求学生标定完必须做一个验证测一个已知尺寸的工件偏差要求控制在±0.05mm以内超差的回去查原因很快就有人发现是工件放歪了。3.3 尺寸测量与工件定位从像素到几何量这一节是整个课程里学生成就感最强的部分。我们把实验台设置成测量场景背光源照明放一个轴类零件要求学生测出直径和中心坐标。这个场景工业上极为常见比如活塞环、轴承、销轴的外径在线检测。处理流程是固定的五步灰度化、阈值分割、形态学清理、轮廓查找、最小外接圆拟合。import cv2 import numpy as np pixel_ratio 0.029 # 标定得到的像素当量单位mm/pixel img cv2.imread(shaft.bmp, cv2.IMREAD_GRAYSCALE) _, thresh cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU) thresh cv2.morphologyEx(thresh, cv2.MORPH_OPEN, np.ones((3, 3), np.uint8)) contours, _ cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) for c in contours: area cv2.contourArea(c) if area 1000: continue (x, y), radius cv2.minEnclosingCircle(c) d_mm radius * 2 * pixel_ratio print(f中心坐标: ({x:.1f}, {y:.1f}), 直径: {d_mm:.3f} mm)这里有几个非常重要的教学点。第一形态学开运算是为了去掉边缘上的毛刺和孤立噪点不然minEnclosingCircle拟合出来的圆会被噪声点拉着跑。第二轮廓筛选用面积过滤去掉碎渣和小反光点这个阈值要让学生根据实际图像去调体会什么叫按场景调参而不是抄代码。第三如果直径测量结果忽大忽小多半是边缘提取不稳定要引导学生去检查原图对比度和阈值分割效果而不是在后续代码里使劲修。工件定位是这个模块的进阶玩法工业上对应的是机械手抓取前的定位环节。我们会让学生找工件上的一个特征圆算圆心坐标和旋转角度输出给一个示意性的机械手偏转指令。这个实验做完学生就理解了视觉引导的基础视觉系统输出的是工件在相机坐标系下的位姿后续机器人抓取也好、平台纠偏也好都是在这个位姿基础上做坐标系变换。3.4 缺陷检测与OCR识别贴近产线的典型任务很多高专学生对进厂搞检测有心理落差我会跟他们说缺陷检测恰恰是目前机器视觉行业里人才缺口最大、工资不低的方向。这一节的实验我们复刻了两个真实场景。第一个是药片表面缺陷检测。实验台上一板药片要求判断每片是否有缺损、是否颜色异常并输出合格数量。算法思路先做位置对齐——因为我们固定的药板位置基本一致用模板匹配把每片药的位置找出来然后逐个区域做两件事一是和标准模板算图像差分差分图的连通域面积超过阈值就判定为缺损二是算区域内的灰度均值偏离标准值太多就判定为颜色异常。这个思路学生在现场很容易迁移比如电池极片的划痕检测、手机壳的脏污检测逻辑是通用的。实现缺陷检测的差分核心代码是diff cv2.absdiff(reference_roi, test_roi) gray cv2.cvtColor(diff, cv2.COLOR_BGR2GRAY) _, mask cv2.threshold(gray, 30, 255, cv2.THRESH_BINARY) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, np.ones((5, 5), np.uint8)) n, labels, stats, _ cv2.connectedComponentsWithStats(mask)我给学生的提醒是差分检测最怕的两个问题一个是位置没对齐导致边缘处大面积误报另一个是阈值定死导致光源波动时就误判。培养方案里特意安排了光源微调环节把环形光源高度略微改变让学生看差分图的变化体会为什么产线上的光源要定期校准、为什么要用灰度直方图自适应阈值。这一套下来学生就长了一个心眼到了现场不会把检测参数一设就撒手不管。第二个场景是字符识别用打印的标签和瓶身上的喷码。我们用的是PaddleOCR识别中文和英文混合印刷体标签准确率很高代码也简单from paddleocr import PaddleOCR ocr PaddleOCR(use_angle_clsTrue, langch) result ocr.ocr(label.jpg, clsTrue) for line in result: print(line[1][0])OCR实验里最大的教学价值不在调用这个接口而在预处理。学生拿到的标签如果歪斜识别率就直线下降这时候要教他们做倾斜校正先检测文本行的旋转角度再做仿射变换背景太花就教他们做灰度化和对比度增强。我反复强调一个观点工业OCR项目里识别引擎只是最后一步前面80%的工作是让图像质量达到引擎的要求。这个观点放在整个计算机视觉项目里都成立。4. 综合项目实战从单模块到产线思维4.1 计算机视觉项目任务设计第三阶的综合项目是整个课程的高潮也是真正意义上的计算机视觉大作业。我设计的标准项目是药片外观检测与分拣模拟装置小组3到4人要用实验室现有的相机、光源、传送带模型和一个小型推料机构实现药片的连续检测和OK/NG分选。这个项目的特点是麻雀虽小五脏俱全有硬件装调、有图像算法、有逻辑控制、有数据统计学生在企业里碰到的小型视觉工作站结构和这个基本一样。项目任务书我写得非常具体分四个子任务完成相机和光源的安装固定并调出清晰稳定的图像完成标定和像素当量换算实现药片缺损、异物、颜色异常三种缺陷的自动判断对接传送带编码信号完成合格品计数和次品报警。每个子任务都给出验收标准比如图像必须每秒采集15帧以上不丢帧、缺陷检出率不低于95%、误检率不高于3%。这些数字一出来学生就明白这不是搞着玩的是有人会在现场盯着的。除了标准题我还允许学生做自选题前提是必须用到视觉检测或测量。这几年学生做过的小项目我挑几个印象深的一个组做了螺丝规格自动识别用轮廓周长和螺帽直径来判断型号一个组做了键盘背光漏检通过暗场灰度均值判断键帽是否安装到位还有个组给实验室的机器人做了一个视觉抓取定位识别不同颜色的物料块并输出抓取坐标。我鼓励这种带着自己的兴趣来做的项目它本质上就是在模拟一个真实需求而真实需求永远是具体的、有边界的。4.2 项目实施流程与评分标准项目实施我要求走完整的流程不能上来就写代码。第13周交方案里面要有系统框图、器件清单、算法流程草图、分工表第14周要交中期调试记录截图记录遇到的图像问题以及解决过程第15周集中测试打磨第16周答辩。这个过程对学生最大的锻炼是文档能力和表达能力这恰恰是高专学生出去工作后最容易被领导嫌弃的两项短板。我不要求文档写得华丽但要求逻辑清楚你遇到了什么问题、怎么排查的、依据是什么、有了什么结论。这就是工程师的沟通语言。考核评分我是按项目过程分的评分维度占比考察点方案设计合理性20%器件选型依据、算法流程设计、分工明确系统完成度30%功能是否全部实现、运行是否稳定检测指标达成20%检出率、误检率、测量精度是否达标代码与文档规范15%代码可读性、注释、文档逻辑现场答辩表现15%演示流畅、逻辑清晰、能应对提问这个评分表我第一轮就用了四轮下来做了两处调整。第一处是降低了代码规范的分值因为高专学生普遍代码功底弱如果这个占比太高会让学生把精力花在代码风格上而忽略了系统思维这跟课程定位不符第二处是加入了现场调试随机故障答辩环节答辩时我会故意动一下光源高度或者把工件位置上放偏看学生能不能在五分钟内定位问题并说清楚原因。这个环节现在成了答辩的保留节目过了这关的学生去了企业基本不怕现场突发状况。4.3 项目化教学中沉淀的几个心得综合项目带了四轮最深的体会是分组里的角色分工要提前设计好。自由分组最容易出现的情况是一个能干的把活全干了剩下的人打酱油。所以我的分组规则里有一条硬性规定编程、硬件、调试、文档这四块角色必须明确到人中期检查时每个角色都要单独汇报自己的工作。这样一来代码是A写的硬件是B装的调试是C做的文档是D整理的谁都躲不掉。项目还有一个隐藏作用就是提前筛掉不适合这个行业的学生。有的学生做到中期发现自己实在不喜欢跟硬件打交道那也没关系这门课帮他省了试错成本。我和几个坚持做视觉方向的学生聊过他们都说项目阶段的一幕幕跟工作后的状态非常像尤其是改bug改到深夜的经历这种真实的项目节奏在学校里体验一次比什么职业规划讲座都有效。5. 常见问题与排查技巧实录5.1 图像质量类问题速查这类问题是学生最容易遇到也最容易慌的我整理了一张排查表贴在实验室工位上几乎每个疑难杂症都能对号入座。现象常见原因排查与处理建议图像整体模糊对焦不准、工作距离不对松镜头紧固螺丝边看显示器边缓慢旋转调焦环画面过曝发白曝光时间过长、光源过强先减曝光还不行再减弱光源亮度不能急着调增益画面过暗光源不足、增益太低优先加强光源增益可以适当增加但不超过总体的1/4局部高亮反光光源布局不当尝试改变打光角度或改用同轴光源、偏振片图像闪烁光源频闪、增益波动检查光源供电是否稳定换成直流驱动电源画面出现条纹现场环境光干扰拉上遮光帘排查是否有频闪荧光灯干扰我带学生做项目的时候其实最怕的不是算法写不出来而是图像根本没法用。所以我有个看起来有点笨的规定每组的图像采集代码必须单独封装成一个函数而且开机调试先看图像、再跑算法。只要图像质量不过关后面的程序一个都不要动。这个习惯让学生少走了太多弯路图像不稳的时候去调算法参数就是在沙地上盖房子。5.2 算法与参数调试类问题实录算法层面的问题千奇百怪但高中频问题翻来覆去就那么几个。第一个高发问题是阈值分割不稳定。同样是药片检测上午跑得好好的下午太阳一照进实验室就全线误报。我给学生开出的药方是别用固定阈值改用Otsu自适应阈值如果灰度分布还是受干扰就加上预处理把亮度归一化或者干脆用局部自适应阈值。照明环境越差算法就要越不在光照上较劲这是设计的妥协不是示弱。第二个高发问题是轮廓断裂或粘连。工件边缘对比度不高或者两个工件靠太近findContours就会给出一个缺胳膊少腿的轮廓。处理办法一般是三样配合使用调高背光亮度增加对比度、形态学闭运算把断口补上、通过面积和周长的比例过滤掉畸形轮廓。我会让学生把预处理每一步的中间图都打印出来看用这种可视化偏差分析的方法经常一眼就能看出断口在哪一步产生。第三个高发问题是粒子对象在视野里位置变化后测量结果偏移。这个问题的本质是定位偏差传导到测量结果。解决思路是先把目标区域通过模板匹配或者质心定位框出来再在框内做局部测量而不是对整个视野做固定ROI。这条经验在企业里价值极高因为产线上工件不可能每次都停在一个绝对精确的位置。5.3 教学组织与设备维护的实操细节最后聊几个教学组织层面容易被忽视的坑。第一工业相机是高值易损设备学生毛手毛脚容易把镜头磕碰。我们实验室给每台相机都配了加了海绵垫的定置盒每台相机有固定编号借用归还必须签字期末盘点数量。这个管理办法执行了四轮零丢失零损坏。第二镜头表面一定是先吹球除尘再擦镜纸严禁干擦我在第一周就演示过干擦镜头产生的划痕照片从那以后没人再拿衣服角擦镜头了。第三标定板非常容易被学生弄脏弄皱我们每学期会统一检查重打一张不干胶覆膜的标定板也就几十块钱别舍不得换。还有一个对所有带实训课老师都很重要的小经验班上总有那么一两个大神也需要刻意给他们留出挑战空间。我一般在项目题里加一个加分项比如在满足检出率的前提下把单张图像处理时间控制在80ms以内。这会逼着他们去学图像金字塔加速、ROI裁剪、多线程这类技能这部分学生毕业出去进设备厂基本就是核心技术骨干的苗子。写到这又想起这学期开学时有个已经毕业两年的学生回来看我说自己在厂里现在带团队了新来的大专生问他一堆为什么相机拍出来是黑的这类问题他突然就想起当年我在实训台上骂骂咧咧教他们调曝光的样子。机器视觉这门课就是这样你讲一百遍原理不如让学生亲手把一个真实问题从坏调到好从模糊调到清晰从误报调到稳定。这套实践体系能跑这么多年核心就一句话把学生按工程师的标准练他们就真能长成工程师的样子。