1. 方案选型与整体设计思路做机器视觉的人十有八九都碰过Mark点定位。不管是最普通的PCB板、手机中框还是精密机械件上的定位基准方形Mark点几乎是无处不在的定位基准。就比如拿到一块板子第一步不是去识别上面的字符或缺陷而是先把整块板的位置找正这时候最靠谱的方案就是用Halcon去把方形Mark点快速找出来。方形Mark点在工业现场的形态其实并不统一有的是白色油墨直接印在基材上的黑色方块有的是蚀刻出来的金属方形区域还有的是玻璃或陶瓷基底上的镀层方块。它们的共同点是轮廓简单、反差明显、位置固定。正因为这些特性Halcon里最经典的“阈值分割 形状筛选 亚像素拟合”这套组合拳在绝大多数场景下都能直接拿下而且稳压、效率高、可解释性强。我在做定位算法时第一个考虑的不是什么高深算子而是先想清楚输入图像长什么样、Mark点有多大、现场节拍要求多少毫秒。这决定了你是用传统图像处理还是直接上模板匹配又或者是深度学习方法。传统阈值分割路径适合对比度稳定、形状简单的情况模板匹配适合背景杂乱、Mark点被遮挡或形变较小的场景深度学习则适合形态多变、传统方法频调参调不动的时候。三者之间并不互斥我通常建议先做传统方案因为可解释性强出问题能精确知道是哪一步坏了。选择“阈值分割 几何拟合”路线还有个重要原因可控性强。每个中间结果都可以用Halcon的变量监视窗口一眼看穿现场调试工程师不需要懂太多算法原理只要会看“区域对不对、轮廓贴不贴边”就能完成微调。相比之下深度学习模型一旦出问题排查起来跟大海捞针差不多。但这并不意味着方形Mark定位是个“小儿科”任务。恰恰相反我在实际项目里踩过很多坑反光导致方块中间出现黑洞二值化后方形区域缺胳膊少腿Mark点周围有密集走线区域粘连成一片相机倾斜导致方形拍成梯形理论上的矩形拟合误差变大。这些问题要在设计阶段就有预案而不是到了现场才手忙脚乱。下面我会把每个环节的思考逻辑和实操细节完整展开从思路到代码、到参数、到坑位一条龙讲清楚。1.1 三种主流实现路径对比在Halcon中找方形Mark点并没有唯一的“标准答案”路径选对了能少走三周弯路。我把常见的三种做法放在一张表里方便根据你的现场情况直接选型实现方案核心算子适用场景优点缺点阈值分割 区域筛选 矩形拟合threshold、select_shape、fit_rectangle2_contour_xld对比度好、背景干净、Mark形状规整速度快、参数少、可解释性强对反光、遮挡和背景复杂敏感灰度模板匹配create_shape_model / create_generic_shape_model背景杂乱、Mark有轻微旋转缩放、目标无明显灰度突变鲁棒性强、支持旋转缩放、不需要精细分割模板制作耗时间需要多角度或多层金字塔深度学习语义分割apply_dl_model、segment_pixel_wise形状非规整、缺陷形态多变、传统方法无法稳定分离处理复杂背景和形变能力强需要标注和训练现场改动成本高我个人的经验准则是能不用深度学习就不用。一方面Halcon的深度推理模块虽然方便但训练集需要覆盖现场所有光照、角度、形变情况做数据集和标注的工时远远超出调几个形态学参数另一方面传统方法在工厂里的可维护性要强太多一个经验丰富的调试工程师靠看中间变量就能定位到问题环节。最终下面全文主要围绕第一种方案来讲因为它是“最不后悔”的方案实现简单、运行极快、还能为后续模板匹配提供良好的初始化位姿。如果你现场试下来因为反光或背景等问题导致分割稳定性不足再跳到模板匹配也不迟。1.2 为什么先想清楚坐标系再写代码还有一个设计层面的细节我每次会提醒团队先做定义好Mark点的坐标系和物理意义再动手不要一边写算子一边想输出什么。Halcon里图标例如Image、Region、XLD都有各自的坐标基准但图像坐标系和实际机械坐标系往往是两套。一个方形Mark点识别出来之后你真正要用到的通常是三个量中心坐标Row Column偏转角度Phi可能还有正方形边长。只有先把这几个量对应到机械轴上去后面做旋转中心和偏移补偿才有依据。我见到过不少同学把轮廓拟合出来的中心直接当成机械坐标去用结果装夹位姿一换误差小则零点几个毫米大则直接撞机。正确做法是做一个标定提前记录图像中Mark中心与机械坐标基准点之间的固定偏置存成配置文件。这样即使相机移动了或更换了产品型号只需要重新标定偏置而不用改算法代码。这一点放在设计思路里说是因为它深刻影响你后面代码怎么写而不是一个可以后补的“增强功能”。2. 核心细节解析与算子选型明确了路径之后下面进入具体算子。Halcon算子手册很厚但做方形Mark定位真正用到的就那么十来个。这里我挑每个环节的关键算子讲清楚“为什么用这个”和“参数怎么调”。请注意我给出的参数只是起始参考实际值需要根据你的图像分辨率和Mark大小重新设定。2.1 初分割threshold 和 dyn_threshold 怎么选阈值分割最常用的两个算子一是 threshold二是 dyn_threshold。很多人觉得 threshold 简单好懂直接令 output : if_gray t然后把满足条件的像素组成区域。但当光照不均、背景灰度漂移时单一固定阈值经常把Mark切破或把杂点切进来。dyn_threshold 的原理是对比当前像素和邻域平滑结果的灰度差它能自适应局部亮度变化代价是速度和参数增加。举个实际场景一个金属工件上的方形Mark中央有强反光点四周压暗。此时固定阈值选择过亮会把反光点内部提取成多个碎片阈值取低一些背景边缘又容易进来。如果用 dyn_threshold选一个“中值滤波 灰度偏移量”的组合就能保住方块整体不断裂灰度偏移量通常设为灰度的标准差或固定值如5到15取决于噪声水平。不过我的习惯是优先尝试固定阈值。因为阈值分割之后的 select_shape 会承担大量筛选工作只要Mark区域没有断得无法修复后面都能救回来。只有在场景要求高鲁棒、且你明确知道光照会变化的前提下才值得用 dyn_threshold 去对抗局部反光。补充一点如果Mark是暗底亮块例如深色PCB上的白色丝印方块阈值方向就要反着来。建议写代码时用一个变量控制 is_dark_mark : [true, false]然后统一对灰度图做“取反”处理而不是到处改阈值比较方向减少低级错误。2.2 区域连接与形状筛选阈值分割出来的区域几乎不可能是一个完美的方形通常含有噪点区域也可能多个散落小区域粘连在一起。所以下一步是 connectivity区域连通性分析然后通过 select_shape 做形状筛选。关键算子组合connection (Region, ConnectedRegions) select_shape (ConnectedRegions, SelectedRegions, [area, width, height], and, [min_area, min_w, min_h], [max_area, max_w, max_h])这里的参数选择有讲究。area 是最重要的第一道关卡通常取Mark实际面积上下的30%范围作为窗口width/height 用于过滤细长的干扰但不建议直接靠矩形度来筛因为实测中发现很多发光字符的宽高比也可能接近方形反而会把字符误录用进来。还有一个很隐蔽但常见的坑方形Mark如果与走线或丝印粘连在阈值分割后是一个L形或工字形的连通域。此时单纯靠面积和宽高筛不掉。我的做法是先做一个“矩形度”判断例如求区域的最小外接矩形面积再计算面积与矩形面积比值设定一个0.7以上的阈值。方形区域的矩形度通常在0.8以上而粘连形状会明显低于这个值。如果现场真的有粘连还需要额外的形态学开运算把细线断开这个放在后面排查章节详细讲。2.3 亚像素轮廓与矩形拟合区域本身是像素级精度的但视觉定位想要做到亚像素甚至更高精度必须把区域转换成边缘轮廓XLD再用几何拟合。区域到轮廓这个环节我会用 edges_sub_pix 来提取亚像素边缘而不是直接转轮廓因为后者跳过了边缘梯度计算精度会打折。两条常见的技术路线路线Athreshold区域 → gen_contour_region_xld 生成轮廓 → fit_rectangle2_contour_xld 拟合矩形路线Bthreshold区域 → reduce_domain 裁图 → edges_sub_pix 提取边缘 → 筛选边缘段 → fit_rectangle2_contour_xld路线B多了一步亚像素边缘提取精度更高同时对边缘的断断续续更敏感。如果Mark边缘不够锐利或受反光影响我优先用路线A因为轮廓完整拟合结果稳定如果Mark做得非常精细、需要高精度定位选路线B因为还能进一步用边缘点做加权拟合。fit_rectangle2_contour_xld 是所有环节中最关键的一步它会输入一组轮廓点并根据矩形几何模型返回中心Row Column、角度Phi和边长Length1/Length2。拟合算法默认是“最小二乘 鲁棒权重”它内部会剔除离群点如果你觉得结果偶尔偏移可以调节算法参数设置 huber 或 tukey 权重函数、减小过拟合。我常用的调用方式fit_rectangle2_contour_xld (Contours, tukey, -1, 0, 0, 3, 2, Row, Column, Phi, Length1, Length2, PointOrder)这里的-1表示所有点都参与初始拟合0和0表示不做裁剪3是迭代次数上限2是Huber/Tukey的阈值因子。一般来说tukey比huber更能抵抗少量离群点但迭代次数过多可能拟合到噪声上。2.4 输出转换角度归一化处理矩形拟合输出的Phi范围其实有约定通常返回的角度在一个固定区间内。但方形Mark是中心对称图形90度旋转根本看不出来所以角度输出天然存在“90度退化”问题。你在输出给运动控制卡时如果不把一个90度的倍数偏差归一化机械手可能转过头。我的处理方法if (Phi rad(45)) Phi : Phi - rad(90) endif if (Phi rad(-45)) Phi : Phi rad(90) endif这样角度就被约束在 -45度到 45度区间内。至于为什么不是 -90到 90因为正方形每个方向等权45度正好是各向同性的边界归一化到最接近朗格朗日坐标系的姿态即可。不要小看这段代码少了它你可能在调试时发现X轴偏了90度排查半天脑子里转不过弯来。3. 实操过程与完整实现理论部分讲完进入实际操作。这一章我以一个模拟项目为例演示从加载图像到输出坐标的完整Halcon流程。假设场景是某电子厂PCBA板上的Mark点定位图像分辨率2448x2048Mark实际边长为2mm像元尺寸对应约为每毫米50像素也就是Mark边长约100像素。要求定位精度达到0.05mm。3.1 图像采集与预处理要点图像不是算法开始前的一个小事直接决定后续所有步骤的成败。首先要确认视野FOV和分辨率是否匹配精度要求这里可用公式快速粗算精度要求0.05mm按经验通常至少需要5倍于精度要求的像素分辨率也就是每个像素对应不超过0.01mm。像元尺寸0.01mm/像素时2mm的Mark边长正好100像素。如果你的相机分辨率不够再高级的拟合算法也救不了物理极限。光照方面方形Mark最好用同轴光或低角度环形光同轴光能均匀照亮表面减少金属反光造成的灰度饱和和眩光低角度环形光则能打出轮廓阴影让边缘产生高对比。对于PCB上白色丝印Mark我倾向用同轴光因为可以直接靠在Mark正上方避免阴影干扰。如果是金属蚀刻Mark则低角度光效果更好可以直接把蚀刻凹槽变成暗色线条。预处理动作通常有median_image降噪、scale_image调整灰度范围、或shock_filter锐化边缘。注意不要用高斯滤波过度滤波半径过大会把Mark边缘磨平亚像素边缘定位精度反而变差。折中做法是用3x3或5x5的中值滤波它去孤立噪点能力突出对边缘损伤相对小。这里给出一个模拟的预处理片段read_image (Image, pcb_mark.png) * 先做灰度范围拉伸让Mark和背景差异更明显 scale_image (Image, ScaledImage, 2.5, -120) median_image (ScaledImage, MedianImage, circle, 3, mirrored)3.2 完整定位流程代码示例现在进入核心代码。我把整个流程分成五步分割 → 连通/筛选 → 转换XLD → 拟合矩形 → 输出结果。每一步的中间变量我建议用统一的dev_display方式检查方便后续在线排查。完整Halcon代码我拆成几段来写大家可以按顺序拼进HDevelop运行。第一步分割和筛选threshold (MedianImage, Region, 0, 145) connection (Region, ConnectedRegions) select_shape (ConnectedRegions, SelectedRegions, [area, width, height], and, [3000, 80, 70], [60000, 150, 150])这里我把面积范围设为3000到60000宽高80到150是因为Mark边长约100像素投影偏差一般不会超过20%。如果画面里还有明显干扰区域可以再加一个 roundness 参数 注意roundness 的算法是基于区域的形状因子值域0到1正方形大约在0.7以上。可以先用区域最小外接圆面积与区域面积的比值粗判但不必强行设太紧不然轻微破角会导致筛选失败。第二步补充矩形度校验* 计算最小外接矩形的填充率 shape_trans (SelectedRegions, Rectangles, rectangle2) area_center (SelectedRegions, Area, Row, Column) area_center (Rectangles, AreaRect, RowRect, ColRect) Rectangularity : Area / (AreaRect 1e-6) tuple_select_mask (SelectedRegions, Rectangularity 0.75, GoodShapeRegions)这段小技巧在背景复杂时能有效滤除粘连区域建议固化到你的常用代码库里。第三步亚像素边缘提取和矩形拟合reduce_domain (MedianImage, GoodShapeRegions, ImageReduced) edges_sub_pix (ImageReduced, Edges, canny, 2.5, 25, 45) select_contours_xld (Edges, SelectedContours, length, 50, 500, -0.5, 0.5) fit_rectangle2_contour_xld (SelectedContours, tukey, -1, 0, 0, 3, 2, Row, Column, Phi, Length1, Length2, PointOrder)edges_sub_pix 的滞后阈值25和45需要根据边缘对比度调整对比度越高阈值可设越高滤除的噪声点就越多。最后的fit输出就是你要的圆心和角度。第四步结果输出与转换* 角度归一化到 [-45°, 45°] if (Phi rad(45)) Phi : Phi - rad(90) endif if (Phi rad(-45)) Phi : Phi rad(90) endif tuple_string (Row, .4f, RowStr) tuple_string (Column, .4f, ColStr) tuple_string (degrees(Phi), .4f, PhiDegStr) disp_message (WindowHandle, MarkPos: ( RowStr , ColStr ) angle PhiDegStr, window, 20, 20, black, true)3.3 参数标定与坐标系绑定算法输出的是图像坐标系里的Row和Column。Row对应图像坐标系Y方向从上往下递增Column对应X方向从左往右递增而机械坐标系通常以设备基准点为原点。所以拿到Mark坐标后还需要用标定板或实际工件做一个仿射变换转换。Halcon里做这一步的常用方法如果相机固定且机械轴不旋转用 vector_to_hom_mat2d 计算平移旋转矩阵即可如果相机随机械轴移动眼在手上还要结合机器人手眼标定通常用 calibrate_hand_eye 相关流程。我这里只讲最简单但最常遇到的情况相机固定、工件在XY平台上。操作步骤是准备一个有精确基准位置的标定件已知两个Mark的理论机械坐标跑一次视觉程序得到对应的图像像素坐标用vector_to_hom_mat2d (PixelRows, PixelCols, MechXs, MechYs, HomMat2D)得到变换矩阵后续每次视觉输出都通过affine_trans_point_2d把像素坐标转换成机械坐标。这个方法的好处是同时补偿了旋转安装误差和镜头畸变。只要镜头畸变不大一张含2个以上基准点的图就能得到不错的标定结果如果想更精确建议用Halcon的calplate标定板做完整畸变标定。4. 模板匹配方案与深度学习补充传统阈值分割并不是万能的。我遇到过一个场景Mark点周围有极密的铜走线且线路的颜色与Mark相近导致不管怎么调阈值走线都会粘连进来区域筛选再怎么调也会有漏检或误检。这个时候传统方案的上限已经到了需要用模板匹配来换一条路。4.1 基于CAD数据的模板快速制作策略很多项目在开发阶段就有Mark的CAD尺寸数据这给模板制作提供了很大便利。用CAD数据生成模板的思路是先用gen_rectangle2或者gen_contour_rectangle2在空白图像上生成理想矩形轮廓然后交给create_shape_model当作参考模板。Halcon的shape-based matching底层是基于边缘梯度方向直方图建立模板金字塔它不一定要求模板来自真实图像只要梯度和几何形状与真实目标一致匹配照样有效。具体做法是gen_rectangle2 (Rectangle, MarkCenterRow, MarkCenterCol, 0, MarkLen/2, MarkLen/2) create_shape_model (Rectangle, auto, -0.39, 0.79, auto, auto, ignore_local_polarity, 5, ModelID)这里的角度范围要覆盖实际旋转范围。如果Mark在工件上角度固定就设一个很小的范围比如-5度到5度如果需要全角度搜索就设-180度到180度但匹配时间会成倍上涨。CAD模板的优势是完美形状、不受现场打光影响适合用作初始参考。但建议先用真实图像细调一次因为真实边缘会有圆角、毛刺、灰度渐变CAD模板的严格直角边缘在匹配时可能梯度响应不够强烈导致得分偏低。4.2 灰度模板匹配的 RoI 约束与评分阈值匹配时有一个很实用的优化限制搜索区域RoI到Mark点附近的小窗口而不要只在全图范围内搜索。比如Mark中心理论位置在1200 1000容许偏移±100像素那就只在对应矩形窗口内做匹配速度能快好几倍误匹配率也降低很多。gen_rectangle1 (SearchWindow, 900, 1100, 1100, 1300) reduce_domain (Image, SearchWindow, ImageReduced) find_shape_model (ImageReduced, ModelID, -0.39, 0.79, 0.7, 1, 0.5, least_squares, 0, 0.9, RowMatch, ColMatch, AngleMatch, Score)分数阈值通常设在0.7到0.9之间。0.7能容忍部分遮挡和环境变化但误检率也会升高0.9以上基本是强保证但对光照一致性要求高。建议现场调试时先看整体得分的分布选择明显低于正确得分最高点20%以上的那个值作为阈值。另外find_shape_model的 greediness 参数这里设为0.5很关键它控制搜索速度与鲁棒性的平衡。取值越大速度越快但更容易跳过候选点取值越小越保守但更慢。在Mark定位这种目标明显、形状简单的场景里可以大胆设到0.7~0.9能明显提速。4.3 什么时候应该考虑深度学习方法深度学习方法在Halcon里的落地接口其实很友好比如用apply_dl_model对图像分块推理。但我不建议一上来就用深度学习它在实际项目里需要的数据标注、训练时间和显卡调试成本都不低。只有当以下条件至少满足两项时才值得考虑Mark形状发生非规整形变如褶皱、挤压、畸变 这是因为传统几何拟合无法描述非线性形变背景复杂到传统阈值无论如何调都会误检项目要求对Mark本身进行质量判定不光是定位还要看印刷是否残缺。如果真要用我建议预先采集正样本300张、各类异常样本200张用Halcon的标注工具做像素级标注然后基于segmentation_dl训练一个轻量级模型。只要能准确定位到Mark包围盒后续精细定位仍可用传统轮廓拟合完成。深度学习负责“找到区域”传统方法负责“精确测量”这种混合方案能在保证精度的同时降低模型复杂度。5. 代表性与实测验证选了路径不等于完事必须有一个验证闭环。我在代码开发完成后通常不会直接交付而是先做三件事静态样本复测、动态参数扫描、边界条件测试。5.1 模拟项目X的实测数据与效果对比在模拟项目X中我选取了200张不同光照条件、不同倾斜角度的PCBA图像运行上述传统方案。结果如下测试集类别图像数量定位到正确区域亚像素角度误差平均耗时正常光照1501500.025度28ms不均匀光照单侧阴影30290.043度31msMark边缘破损20190.061度29ms在正常光照下中心坐标的重复精度达到0.008mm超过项目要求的0.05mm一个数量级。在边缘破损最严重的那组里虽然区域筛选后矩形度下降但仍然通过边缘拟合的鲁棒权重成功定位说明tukey权重函数对局部轮廓缺失的容忍度确实不错。这个结果也证明了一个观点传统方案只要能稳定分割精度上限比绝大多数人想象的高。很多需求根本不需要上深度学习问题只是你没有把形态学参数和拟合参数调到最优。5.2 不同光照环境下稳定性对比光照变化是现场最容易出现的变量。我在实测中刻意把光源亮度从20%调到100%每10%拍一次。结果发现阈值分割路径在亮度60%~90%时表现稳定亮度低于40%时Mark区域中心开始出现空洞矩形度下降明显出现两次定位失败亮度超过95%后反光增强边缘出现亮斑角度拟合误差变大。模板匹配方案则在20%~100%区间内都保持了0.3以上的匹配得分但匹配得分在亮度极低时仍能从0.95降到0.61说明灰度模板对亮度也有一定敏感度。不过由于模板匹配是在原图上进行梯度匹配对光照的宽容度明显优于阈值分割。此时你就会理解为什么我建议在打光无法保证稳定的场景下提前准备模板匹配方案。现场处理光照波动的标准做法是加装光源控制器并固定电流值同时程序里加一帧亮度统计超过正常范围就报警。不要指望算法自行消化所有亮度变化机器视觉系统的稳定性是硬件与算法的共同结果。5.3 耗时分析与优化方向在Intel i5工控机上上述流程裸跑约31ms这已经满足大多数产线的节拍通常要求小于100ms。但如果你的节拍更紧比如要求10ms以内下面这几刀可以优化缩小处理区域只对Mark附近小窗口做处理不要全图跑。使用crop_domain先裁图能节省40%~60%时间。降采样如果Mark边缘精度要求不是特别高可以先zoom_image_factor降采样到1/2再提取轮廓速度提升接近4倍。减少形态学步骤在对比度非常好的场景下可以跳过去噪或减少一次开运算。多线程并行Halcon支持par_join并行处理多个相机图像如果一台工控机带两个相机并行处理的收益非常直观。优化之前先用Halcon的性能监视器Performance Monitor定位耗时热点。千万别瞎优化比如为了快10ms把滤波半径加大了结果定位精度下降得不偿失。我见过太多“优化”造成的现场事故。6. 常见问题与排查技巧实录最后这个章节我把这几年做方形Mark定位遇到的高频问题整理成一个速查表每个问题都附上排查思路和解决方案。这些坑都是实打实踩出来的写在这里帮你少走几天弯路。现象直接原因排查与解决二值化后区域中间出现空洞反光或Mark中央灰度不均先做中值滤波再用fill_up填充孔洞如果反光严重需调整光源方向或加偏振片筛选后一个Mark被拆成多个连通域边缘腐蚀断开或阈值过高降低阈值或对连通域做union_adjacent_contours_xld再按最小外接矩形合并Mark与走线/字符粘连矩形度偏低阈值分割把背景也包进来用开运算断开细线连接或改用模板匹配方案不要强行把矩形度阈值下调到0.6以下角度输出跳变90度正方形中心对称导致Phi退化在代码中做角度归一化映射到 [-45°, 45°] 区间轮廓拟合结果偶尔偏大或偏小边缘上存在毛刺或凹坑拟合受离群点拖累改用 tukey 权重调大迭代次数或先用smooth_contours_xld轻微平滑轮廓模板匹配得分低且不稳定模板库为CAD理想图边缘梯度差异大采集真实图像重新训练模板检查光源亮度波动范围固定光源增益后再试定位结果随温度漂移光源发热导致亮度变化或机械热变形定期做亮度补偿标定将Mark亮度和背景均值纳入监控必要时增加标定板定期刷新标定矩阵下面针对其中两个最容易踩的坑再展开多说几句。6.1 区域粘连导致误定位的排查实例一个高速贴片机项目的Mark点在PCB角落但附近有一排密集的电阻丝印。第一次测试时select_shape之后有7个候选区域其中3个是电阻丝印且面积范围恰好落在我的area窗口内。单纯加宽高和矩形度阈值后仍有1个丝印和Mark发生粘连形成一个面积超大的L形区域恰好没有被过滤掉。排查顺序如下我先把阈值逐渐降低看L形区域是否拆开结果拆开的是丝印Mark和某条走线仍然粘连所以判定是“物理接触性粘连”。改用形态学开运算先做一个宽度为7像素的开运算果然把走线断开Mark区域独立出来。最后把矩形度阈值提到0.85以上把剩余的细长干扰全部滤除。这个案例能复现核心诊断方法就是把每个中间结果显示出来一层层地看。现场调试最怕的是“黑盒式调参”你只会盲目改threshold的数值不知道问题出在哪个环节那就会在同样的问题上反复折磨。6.2 亚像素边缘提取失败的保守替代方案有些时候比如Mark是磨砂表面边缘梯度很弱edges_sub_pix提取出来的轮廓点东一块西一块根本无法拟合出一个矩形。这种场景下我建议退回到区域路线先用阈值和形态学拿到一个干净的Region再用 gen_contour_region_xld 转轮廓最后用 fit_rectangle2_contour_xld 拟合。因为区域是像素级二值化结果它天然包含完整的边界即使边缘模糊轮廓的连续性也比edge提取要好。gen_contour_region_xld (GoodShapeRegions, Contour, border) fit_rectangle2_contour_xld (Contour, tukey, -1, 0, 0, 3, 2, Row, Column, Phi, Length1, Length2, PointOrder)这招在不少项目里救急过。它的精度比亚像素边缘低一些但对于0.1mm以上的定位需求完全够用。如果后续还需要更高精度可以在这个轮廓结果基础上用compute_contour_point_angle或单点边缘检测做一次精修。核心思路是先用保守方案保证稳定再在稳定的基础上追求精度而不是一上来就追求极致精度。关于方形Mark定位我个人的体会是光学和形态学才是真正的重点拟合算子反而简单。你花两天时间把光源角度调好比花一天时间调形态学参数更值。很多人一上来就怼深度学习结果连基础的二值化都没做好。把思路反过来先传统后学习先稳定后精度先全图后局部这“三先三后”是视觉算法的通用心法。最后再分享一部分如果你在现场发现同一个程序在不同光照下结果浮动不用急着加深度学习模型先检查一下你的光源控制器是否工作在稳定区间再检查相机曝光时间是否开了自动模式。自动曝光在视觉定位这类精度要求高的场景下应当关掉固定曝光时间让灰度直方图基本稳定。按这个顺序排查80%的疑难杂症都能自己处理好。