翻开大多数机器视觉课程的实验指导书，你会发现一个规律：实验一，找圆；实验二，找边；实验三，识别二维码。中规中矩，但学生做完三个实验后，通常会问一个让我哭笑不得的问题：“老师，我学会了找圆，但这能用来干什么？”

这个问题刺痛了我。我们的教学脱离了真实场景，学生学了工具，却不知道工具要解决的工程问题是什么。于是，我决定换一个思路——用一个完整的“药片高速视觉检测”项目，贯穿整个课程。

项目发布：一个真实的工业难题

课程第一周，我把一个密封的盒子带进教室。打开后，里面是一个小型的传送带、一个工业相机、一批药片样品，以及一份“客户需求说明书”。

说明书上写着：“我司口服液生产线需要一套在线视觉检测系统，要求：1.检测每板药片中是否有缺粒；2.检测药片是否有破损、裂片；3.检测药片位置是否偏移；4.检测速度不低于每分钟200板。合格输出OK信号给PLC，不合格输出NG并报警。”

学生们立刻意识到了挑战：这不是“找圆找边”能解决的问题。速度要求高、检测项目多、误检率要求低。有人小声嘀咕：“这才第一周，就要做这个？”

我笑了笑说：“别急，我们分步走。”

第一步：照明与成像——被忽视的关键

很多教材一上来就讲算法，但真正工业现场的工程师知道，照明是视觉检测的灵魂。一张拍得好的图，算法的工作量可以减少80%；一张拍得差的图，再牛的算法也救不回来。

我用这节课让学生做了一件事：尝试不同的光源组合，拍出最清晰的药片轮廓。环形光源、背光源、条形光源，什么角度、什么亮度、什么颜色？学生在实验台上反复试，有人发现背光源能完美凸显药片的边缘，但也把药片表面的裂痕“淹没”了；有人发现低角度的环形光能把裂痕的阴影打得特别清楚。

最后，每组提交一张“最佳成像照片”，并解释为什么选择这个方案。这个过程让学生明白了一个道理：机器视觉工程师不仅是写代码的，还是光线的“导演”。

第二步：算法实现——把知识点串成线

当学生拍到了理想的图像，真正的挑战才刚刚开始。我把整个检测任务拆成了三个子任务，每个任务对应课程的一个核心知识点。

子任务一：药片定位。学生需要找到每个药片的位置，即使它们在传送带上有些偏移。这里用到了模板匹配。学生在Halcon里创建了一个标准药片的模板，然后写代码让程序在每帧图像里找到所有匹配的位置。有学生发现，当药片旋转角度较大时，匹配会失败——于是他们学会了设置旋转范围、调整匹配阈值。

子任务二：缺损检测。这是最难的部分。一个药片是否破损，需要分析它的轮廓和面积。学生用阈值分割把药片从背景中分离出来，然后计算每个连通域的面积、圆度、长短轴比。程序自动判定：面积小于标准值90%的视为破损，圆度低于0.8的视为变形。

子任务三：位置纠偏。检测到偏移怎么办？学生需要计算出偏移的像素值，然后换算成实际距离（毫米），再通过串口把补偿值发送给PLC，让机械手调整抓取位置。

这三个子任务做下来，学生把定位、分割、特征提取、通信接口全都练了一遍，而且是有逻辑地串联起来的，不是孤立的知识点。

第三步：集成与通信——从视觉到自动化

很多课程教到算法就结束了，但工业现场的视觉系统不是孤立的，它必须和PLC、机械手、MES联动。我们用了一整周的时间做集成。

学生在C#里封装了视觉算法，开发了一个简单的检测界面。然后通过TCP/IP协议，和一台模拟PLC（我用的是PLCSIM）建立通信。当相机触发拍照，程序完成检测后，会把结果（OK/NG/偏移数据）打包成特定格式的报文发出去。

调试过程充满了“惊喜”：有人发现PLC怎么也收不到数据，排查了半天，原来是IP地址最后一个数字写错了；有人发现发送频率太快，PLC处理不过来导致丢包，于是加入了缓存队列；还有人发现当连续出现NG时，产线需要停机报警，于是增加了一个计数器和阈值判断。

一个学生在最后一节课调试成功后，兴奋地拍了个短视频发朋友圈：“今天我的相机和‘PLC’终于聊上天了，虽然只是一个‘OK’和‘NG’，但我感觉它们之间有了默契。”

效果与反思

学期结束时，我让学生做了一个展示：每组运行自己的视觉检测系统，现场检测200个药片样本（其中混了30个破损品）。结果是——平均检出率96.7%，误报率2.1%。虽然离工业级99.9%还有差距，但学生们的成就感溢于言表。

更重要的是，他们带走了三种能力：一是工程思维——先分析光照、再设计算法、最后做集成，顺序不能乱；二是调试能力——面对“找不到药片”或者“误检率太高”的问题，知道从哪里入手排查；三是系统观念——明白视觉只是产线的一个部件，必须学会和PLC、机器人“对话”。

如果你也在教机器视觉，不妨试试项目制教学。不要从“找圆找边”开始，而是从一个真实的工业问题开始——比如药片检测、螺丝尺寸测量、二维码读取。你会发现，学生的学习热情和工程能力，会在解决真实问题的过程中被真正点燃。