点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

作者丨飞鸢逐浪@知乎

来源丨https://zhuanlan.zhihu.com/p/486516636

编辑丨3D视觉工坊

1 3D 视觉

常见的三维视觉技术，包含双目、ToF、激光三角、结构光等，如下图：

1）毫米级

双目、ToF、结构光(散斑)的精度为 mm 级，多见于消费领域，如：导航避障，VR/AR，刷脸支付等

2）微米级

线激光、结构光(编码)的精度是 um 级，主要应用在工业领域，如：表面缺陷检测、三维测量等

3）纳米级

另外，还有 nm 级精度的光谱共焦技术，可用于透明材质物体的三维测量

2 激光三角法

按照激光投射的不同模式，激光三角法有点激光、线激光、多线激光、激光网格等

2.1 测量原理

为了直观的了解激光三角法，用点激光位移传感器，演示其测量原理如下：

2.2 精度范围

在3D视觉技术中，从被测物的大小和纵向精度来考虑，广义三角法 (包含激光三角法) 处于中间的位置，如下：

- 被测物体的大小范围 1mm ~ 8m，对应精度 1um ~ 0.4mm

3 线激光3D相机

线激光3D相机，是一种基于三角测量原理，通过图像传感器，捕获激光发生器投射在物体表面的激光线信息，重构物体表面轮廓信息的三维相机

其结构示意图，如下：

3.1 深度测量范围

3.1.1 镜头景深

实际应用中，光圈的减小是有一定限度的：

1) 如果光圈太小，则会产生衍射，使得较小的细节信息变的模糊(即在最佳焦点下可解析的特征尺寸会变大)

2) 随着光圈的减小，进入图像传感器的光线也会越少，相应地，就要增大(激光器)功率或(相机)曝光时间

3.1.2 沙姆定律

在光圈调节受限的情况下，如果仍有部分成像不清晰，则可采用沙姆结构，将镜头逐渐倾斜，从而使整个物体表面都可以清晰成像，如下图：

线激光3D相机，为了增大深度测量范围，通常采用沙姆结构，如下：

- 被摄物平面 (激光平面)、镜头平面、胶片平面 (像平面) 交于一条直线，即沙姆定律(Scheimpflug principle)

3.2 结构形式

线激光3D相机，基本的结构形式有四种：直射式、斜射式、反射式、同侧式。其它的结构，多是在此基础上的发展演变

直射式，布置安装简单，计算结果的应用非常直观，是目前最常用，也是一种通用的结构形式；

斜射式，布置安装简单，计算结果的应用不够直观，多用于对精度要求高的平面物体的特征测量；

反射式，布置安装复杂，计算结果的应用不够直观，多用于反射特性较弱的深色物体的表面测量；

同侧式，多用于高反光件，比较少见 (因为直射式和斜射式，通过俯仰一定的角度，也可达到类似的效果)

3.2.1 分辨率

线激光3D相机的分辨率，可分为三个方向：

3.2.2 光学遮挡

虽然增大相机光轴和激光平面之间的夹角，可以提高 z 轴分辨率，但随着夹角 θ 的增大，光学遮挡现象也会愈发明显

尤其是物体表面有凹凸起伏时，四种结构均存在一定的遮挡：激光线照不到的区域称为阴影，相机接收不着反射光线的区域称为盲区

因为激光发射线正对被测物，所以直射式的阴影最小；同理，因为相机正对被测物，所以反射式的盲区最小

实际中，大部分被测物的表面，通常都是凹凸起伏的。因此，θ 角的设计，要充分考虑精度(z轴) 和 遮挡(阴影和盲区) 的平衡

此外，也可增加激光器数量，从不同方向投射，来减少阴影；或者增加相机数量，从不同角度拍摄，将多幅图像进行融合，来降低盲区

3.3 散射特性

当激光束打在不同的被测物上时，考虑物体表面的散射特性，可分为四种情况：

a）激光打在镜面上时，发生镜面反射，反射方向取决于激光和表面的相对方向，反射光一般不会进入相机，表现为无信号

b）激光打在朗伯体上，发生均匀散射，散射的强度正比于观察方向和表面法向量夹角的余弦，是一种最理想的情况

c）激光打在普通物体上，通常发生定向散射，即最大散射强度出现在一个理想的反射方向上，散射分布的角半宽，取决于表面粗糙度

d）激光打在半透明物体上(塑料、玻璃等)，光线会进入物体内部，发生体散射 (volume scattering)

实际中，物体表面的散射特性是 a) b) c) d) 的混合，其中占主导地位的散射特征，主要取决于表面粗糙度，如下图：

- 随着表面粗糙度的增加，物体的散射特性，由镜面散射占主导地位，逐渐演变为漫散射占主导

如果物体表面的颗粒大小和入射光的波长相近时，激光容易发生相长和相消干涉，产生散斑噪声，如下：

此外，激光散斑噪声，也与成像系统的放大率有关，放大率 β 越大，散斑噪声愈发明显。

保持系统结构不变，更换焦距为之前 1/2 的镜头，对于同样的激光条，新拍摄的图像，如下：

对于线激光3D相机，如果出现比较明显的散斑噪声，会影响光条中心点的提取精度，如下：

3.4 多重反射

如果被测物体的表面不均匀，则除了光学遮挡外，还有可能出现多重反射，如下图：

- 光线1是入射光在物体表面发生的第一次反射，光线2是入射光在物体表面发生的第二次反射，这两条光线在探测器上的成像位置不同

二次或多次反射的光线，与一次反射的光线相比，在光条图像上会看到明显变粗的倾向，因此，可将宽度超过一定阈值的光条剔除掉

但是，对于二次反射的光线，如果其反射的强度大于一次反射的强度，则可能会形成假像，影响测量精度

这种二次反射形成的假像，在物体材质为金属且表面存在小孔洞时，出现的概率较大，目前暂无有效的方法 (潜在可能解决的一个方向是线偏振)

4 行业浅析

从线激光3D相机到3D视觉产业，再到整个机器视觉的产业链图谱，如下：

1）上游是基础器件的生产商，如镜头、图像传感器、算法平台等；

2）中游为视觉系统制造商，如 ToF相机、线激光3D相机、结构光相机等；

3）下游则是围绕中游提供的视觉系统，深入到各个行业的系统集成商，如3C行业的缺陷检测、汽车制造的质量控制等

随着国家智能制造大战略的推进，整个行业将迎来快速增长期，尤其是国产化替代的进程会大大加快，替代过程会先从产业链的下游，再到中游，最后扩展到上游

以线激光3D相机为例，在 2015年以前，第一梯队主要是Keyence、LMI、Cognex等国外品牌，第二梯队有SICK、米铱、SmartRay等众多国外厂家，国内鲜有成规模的企业与之竞争

然而，到了 2020年左右，国内涌现出了深视智能、中科行智等一批国产厂商，虽然暂时不能完全替代第一梯队，但已经对第二梯队形成了较大的冲击

由此，预测在未来的 5-8年内，机器视觉行业内将会出现不止一家独角兽企业，完成产业链上-中-下游的全面整合，对当前第一二梯队的国外品牌形成全面的冲击，至少完成50%以上的国产化替代

未来机器视觉行业内，独角兽企业的形成有两种可能：

一种可能是，做某行业系统集成的下游企业，在业务拓展到一定规模后，反过来向上收购中游的3D视觉企业，最后把触手伸向上游的基础器件厂家，完成全产业链的整合

另一种则是，中游的视觉系统企业，在给下游企业提供视觉设备时，逐渐积累了具体行业内的应用经验，从而引入新的业务，形成对原来下游企业的成本优势，从而完成产业链的整合

参考资料

1、景深与焦深：https://www.edmundoptics.cn/knowledge-center/application-notes/imaging/depth-of-field-and-depth-of-focus/

2、分辨率与对比的限制：艾里斑https://www.edmundoptics.cn/knowledge-center/application-notes/imaging/limitations-on-resolution-and-contrast-the-airy-disk/

3、Scheimpflung principle：https://www.optowiki.info/glossary/scheimpflug-principle/

4、LMI 3D Line Confocal Sensors：https://lmi3d.com/focalspec-line-confocal-sensors/

5、GOM High Precision 3D Metrology：https://www.gom.com/en/products/high-precision-3d-metrology

6、Teledyne e2v How does laser triangulation work：https://imaging.teledyne-e2v.com/products/applications/3d-imaging/laser-triangulation/

7、Understanding laser-based 3D triangulation methods：https://content.coherent.com/legacy-assets/pdf/3DMachineVision.pdf

8、《Laser Measurement Technology》ch10

9、《3D Imaging, Analysis and Applications》2nd, ch5

10、《Machine Vision: Automated Visual Inspection:Theory, Practice and Applications》

备注：作者也是我们「3D视觉从入门到精通」特邀嘉宾：一个超干货的3D视觉学习社区

本文仅做学术分享，如有侵权，请联系删文。

3D视觉工坊精品课程官网：3dcver.com

1.面向自动驾驶领域的多传感器数据融合技术

2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)
3.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进
4.国内首个面向工业级实战的点云处理课程
5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解
6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦
7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)

9.从零搭建一套结构光3D重建系统[理论+源码+实践]

10.单目深度估计方法：算法梳理与代码实现

11.自动驾驶中的深度学习模型部署实战

12.相机模型与标定(单目+双目+鱼眼）

13.重磅！四旋翼飞行器：算法与实战

14.ROS2从入门到精通：理论与实战

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近4000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

圈里有高质量教程资料、答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~