机器视觉作为人工智能领域发展最为迅猛的分支之一，其核心在于用机器替代人眼，完成各类测量与判断任务。一套典型的机器视觉系统，关键组件是图像摄取装置（主流为CMOS和CCD两种），目标物体的图像信号被捕获后，会传输至专用图像处理系统。系统依据像素分布、亮度、颜色等参数，将图像转换为数字信号，再通过多种运算提取特征，最终根据判断结果控制现场设备动作。

这类系统最大的优势在于显著提升生产线的柔性与自动化程度。在高温、辐射、有毒气体等不适合人工操作的危险环境，或人工视觉难以胜任的高精度场景中，机器视觉成为不二之选。在大批量生产流水线上，人工质检效率低且精度不稳定，引入机器视觉后，效率可成倍提升，自动化水平也随之提高。此外，机器视觉天然便于信息集成，是计算机集成制造的重要基础技术支撑。

不过，在实际落地过程中，机器视觉检测设备常受不稳定因素影响，导致检测精度与效率下降。下面，我们将围绕分辨率、精度、公差等核心参数，系统讲解选型指导方法。

分辨率

分辨率 = 视野 / 像素。举例说明：待检产品尺寸为30mm×10mm，相机选用200万像素（1600像素×1200像素）。由于产品呈长条状，需完整纳入视野，按长边计算：30mm ÷ 1600像素 = 0.019mm/像素。

精度

精度 = 分辨率 × 有效像素，单位为毫米。有效像素的取值取决于产品表面与打光条件。条件允许时，建议将图像放大，观察稳定不变的像素数量，从而估算精度。若无法实测，可参考经验法则：正面打光时，有效像素取1个；背光时，有效像素取0.5个。按上述示例，取一个像素，精度为0.019mm，约等于0.02mm。

有人可能会问：若使用30万像素摄像机，监控面积为640×480mm，精度是否即为1mm？实际上，30万相机分辨率为640×480，用最长边除以监控区域最长边，理论值确实为1mm。但若用于尺寸测量或表面划伤检测，该精度显然不足，因为单个像素点可能无法清晰凸显特征。

公差

通常情况下，精度与公差的对应关系存在经验范围，可参考下图。

针对具体项目，第一步应读取图纸上的公差要求，再依据该关系反向推导，即可确定所需相机的像素数。

实际测量时，需优先考虑相机、镜头、光源三大模块。涉及因素众多，下面结合一个实际项目，探讨精度方面的关键点。

项目要求：像素精度0.05mm，测量误差±0.15mm。先明确几个概念：

• 像素精度：一个像素在真实世界代表的距离，即拍摄视野除以分辨率。例如，使用大华500万相机，分辨率2592×2048，视野长边设为100mm，则该方向像素精度为100÷2592mm，约0.0386mm。
• 测量误差：通过算法测得的距离或长度与真实值之间的偏差。
• 亚像素精度：相邻像素之间的细分能力，通常取二分之一、三分之一或四分之一，即将每个像素在横纵方向拆分为更小单元，再进行插值计算。实际检测中，还需考虑帧率、曝光、光源等因素。