企业官网建设流程全解析

做视觉引导抓取项目，最让人头大的一幕往往是这样：相机明明清清楚楚看到了工件位置，把像素坐标发给机器人，机器人却死活抓不准，偏几个毫米甚至偏了一两个厘米。换了镜头、调了光源、升级了相机，问题依旧。直到有人问了你一句“你做手眼标定了吗”，你才意识到，压根没建立相机坐标和机器人坐标之间的关系。这篇就是围绕Halcon里的九点标定法，把这套关系从原理到代码、从现场操作到精度排查完整讲一遍。无论你是刚接手视觉项目的自动化工程师，还是正在为机器人抓取定位发愁的技术爱好者，看完都能自己动手标出能用的结果。

1. 先解决两个坐标系的问题：手眼标定的本质和两种部署方式

1.1 视觉给的是像素，机器人要的是坐标，中间缺个“翻译”

先想清楚一个最基础的问题：相机看到的图像，本质上是一个二维的像素矩阵。图像里一个工件中心在(1358, 726)，这只是说这个点在图像第726行、第1358列，和机器人该往哪个方向走多少毫米没有任何直接关系。

而机器人运动时用的是自己的机械坐标系，单位是毫米，原点通常在机器人底座或某个固定的工具零点。要把图像的像素位置变成机器人能用的(X, Y, Z)坐标，必须知道两个坐标系之间怎么换算。这个换算关系，就是手眼标定要解的问题。

在Halcon语境下，九点标定法做的事情很直白：在一张覆盖工作区域的图像上取9个已知位置的特征点，一边记录它们的像素坐标，一边对应记录机器人实际到达这些点时的机械坐标，然后让Halcon用一个变换矩阵把这两组坐标拟合起来。这个矩阵就是那个“翻译官”。

1.2 眼在手外还是眼在手上，直接影响算法选型

手眼系统的部署方式大体分两种，九点标定法适用的是其中一种。

眼在手外（固定相机）：相机装在机械臂外面，比如架在工位正上方或斜上方，相机不动。这种情况下，相机看到的工作平面基本不变，成像模型可以近似成一个二维平面映射。九点标定法正是针对这个场景设计的，简单、稳定、见效快。

眼在手上（随动相机）：相机装在机械臂末端，随着机械臂一起动。这种情况下相机每换一个位姿看到的视野都不同，单纯做二维平面映射是搞不定的，需要解一个AX = XB形式的手眼方程。Halcon里对应的是hand_eye_calibration算子，配合create_calib_data创建'hand_eye_moving_cam'类型的数据模型。

两种方式的差异，我整理成了下面这张表：

如果你刚开始接触手眼标定，我强烈建议先用固定相机的九点标定法把整套流程跑通，理解了坐标变换的本质之后，再去看眼在手上的完整手眼标定，会轻松很多。

2. 九点标定的数学底牌：不要被“仿射变换”四个字吓到

2.1 一次搞定旋转、平移和缩放

九点标定法求解的本质上是一个二维仿射变换矩阵，Halcon里用vector_to_hom_mat2d算子求，得到了一个2×3的齐次变换矩阵：

[ x ] [ a b tx ] [ u ] [ y ] = [ c d ty ] [ v ] [ 1 ] [ 0 0 1 ] [ 1 ]

其中(u, v)是像素坐标，(x, y)是机器人坐标。矩阵里的a, b, c, d负责旋转、缩放和切变，tx, ty负责平移。展开来看就是两个简单的线性方程：

x = a * u + b * v + tx y = c * u + d * v + ty

你可以把它理解为Photoshop里对图层做“自由变换”操作：把一张图在平面上旋转一个角度，缩放一个比例，再平移一段距离。九点标定做的就是把像素平面“变换”到机器人平面，只不过这里的变换参数由9组已知点反推出来。

2.2 为什么是9个点，而不是3个或者4个

从数学上看，仿射变换有6个未知参数，理论上找到3个不共线的对应点就能解出唯一解。但现实中，像素坐标提取有误差，机器人走位有误差，示教器读数也有误差。如果你只用3个点，任何一点的小误差都会被毫无保留地放大进矩阵，标定结果就是“看起来能对上，实际工作起来偏得离谱”。

9个点解决的是冗余问题。6个参数，9组方程，这是一个超定方程组，Halcon内部会用最小二乘法求解，让所有点的整体误差平方和最小。相当于你在现场量了9次“零件的尺寸”，取了一个加权平均的最优结果，而不是只信单次读数。

点位的空间分布也很有讲究。哪怕你放20个点，如果全部挤在相机视野中央一个很小的区域，得到的矩阵在视野边缘的外推误差依然会很大。正确做法是让9个点尽量分散，铺满相机实际工作范围。

2.3 什么时候九点标定法不够用

这里必须说清楚九点标定法的边界，避免有人拿它硬套复杂场景。

第一，它假设相机光轴垂直于工作平面，成像模型接近正投影。如果安装时相机斜得厉害，工件在视野不同位置的高度差又大，仿射变换就会吃力。这时可以考虑用vector_to_proj_hom_mat2d求透视变换矩阵，它有8个参数，能处理一定的透视变形。

第二，它只能解决二维平面问题。如果项目要求机器人抓取有高度差、需要俯仰角补偿的工件，就得回到完整的手眼标定，用标定板和机械臂位姿数据一起解算三维空间关系。

第三，镜头畸变不能太夸张。廉价广角镜头在视野边缘的桶形畸变明显，仿射变换是线性模型，纠正不了这种非线性变形。这种情况下要么先做相机内参标定并用undistort_image矫正图像，要么换畸变小的镜头。

3. Halcon九点标定代码实战：从圆点提取到矩阵生成

3.1 入门方案：圆形Mark点提取坐标

这是现场用得最多、也最容易理解的方案。相机一次拍下一张包含9个圆形Mark点的图像，通过阈值分割找到所有圆点，计算圆心坐标作为像素坐标。

完整代码流程如下：

* 关闭窗口实时更新，加快执行速度 dev_update_off () * 读取标定图像 read_image (Image, 'E:/calib/points_9.png') * 如果采集的是彩色图，先转灰度 rgb1_to_gray (Image, GrayImage) * 阈值分割，提取暗色圆点区域 threshold (GrayImage, Regions, 0, 100) * 将连通区域拆开 connection (Regions, ConnectedRegions) * 筛选出面积合适、圆度达标的区域 select_shape (ConnectedRegions, SelectedRegions, ['area', 'circularity'], 'and', [800, 0.7], [10000, 1.0]) * 按顺序排序，保证和机器人坐标对应 sort_region (SelectedRegions, SortedRegions, 'character', 'true', 'row') * 求每个圆点的面积、中心行列坐标 area_center (SortedRegions, Area, Rows, Columns) * 注意：Halcon中Rows是纵坐标，Columns是横坐标 * 后面做变换时把Columns作为Px，Rows作为Py

这一段跑完，Rows和Columns两个数组里就是9个圆心的像素坐标。这里有个新手最容易踩的坑：sort_region按行排序时，如果9个点不是严格的九宫格布局，排序结果可能和你预期的不一样。稳妥的做法是在标定时让9个点从左到右、从上到下依次排列，标完肉眼核对一遍对应顺序。

机器人端对应的9个坐标，可以通过示教器手动记录，也可以通过PLC或上位机自动读，整理成两个数组：

* 机器人坐标系下的X坐标数组 RobotX := [100.0, 150.0, 200.0, 100.0, 150.0, 200.0, 100.0, 150.0, 200.0] * 机器人坐标系下的Y坐标数组 RobotY := [50.0, 50.0, 50.0, 100.0, 100.0, 100.0, 150.0, 150.0, 150.0]

然后就是重头戏，用vector_to_hom_mat2d求解变换矩阵：

* 求仿射变换矩阵 * 参数依次是：源点X、源点Y、目标点X、目标点Y vector_to_hom_mat2d (Columns, Rows, RobotX, RobotY, HomMat2D)

3.2 把标定结果用起来：在线坐标转换

标定完矩阵不是拿来收藏的，最终要用于在线运行时的坐标换算。当视觉算法在图像上找到一个工件的中心点(TargetRow, TargetColumn)后，把它丢给affine_trans_point_2d：

* 在线定位时，将一个像素坐标转为机器人坐标 affine_trans_point_2d (HomMat2D, TargetColumn, TargetRow, RobotTargetX, RobotTargetY)

affine_trans_point_2d的输出就是机器人可以直接执行的X和Y坐标。如果你发现转换出来的坐标和机器人实际到位位置有固定偏差，多半是像素坐标和机器人坐标的对应顺序搞反了，或者是机器人工具坐标系的参考点没有和标定针尖对齐。

3.3 进阶方案：标定板+find_calib_object

如果项目对精度要求高，或者想同时做完整的相机标定，推荐用Halcon标准标定板配合find_calib_object提取特征点。这个方法能拿到亚像素精度的特征点坐标，远好过阈值分割求圆心。

* 使用Halcon标准标定板描述文件 * 根据实际标定板规格选择，常见的有30mm、10mm等 find_caltab (Image, Caltab, 'caltab_30mm.descr', 3, 112, 5) * 如果做过相机内参标定，可以创建标定数据模型做更精确的特征点提取 create_calib_data ('calibration_object', 1, 1, CalibDataID) set_calib_data_calib_object (CalibDataID, 0, 'caltab_30mm.descr') * 这里要填入相机内参，来自之前的内参标定结果 set_calib_data_cam_param (CalibDataID, 0, 'area_scan_division', [FocalLength, Kappa, Sx, Sy, Cx, Cy, ImageWidth, ImageHeight]) * 提取标定板特征点 find_calib_object (Image, CalibDataID, 0, 0, 0, [], []) get_calib_data (CalibDataID, 'image', 0, 'x', Px) get_calib_data (CalibDataID, 'image', 0, 'y', Py)

提取到特征点后，同样根据标定板原点在机器人坐标系中的位置，构造对应的RobotX、RobotY数组，再调用vector_to_hom_mat2d。

3.4 验证代码：标定结果好不好，先回代检验

矩阵求完之后，第一件事不是拿工件去试，而是用原来的9个点回代，看看理论输出和实际记录的机器人坐标差多少：

* 回代验证，计算每个点的定位误差 NumPoints := |RobotX| MaxErr := 0.0 for I := 0 to NumPoints - 1 by 1 affine_trans_point_2d (HomMat2D, Columns[I], Rows[I], CheckX, CheckY) DiffX := RobotX[I] - CheckX DiffY := RobotY[I] - CheckY Err := sqrt(DiffX * DiffX + DiffY * DiffY) if (Err > MaxErr) MaxErr := Err endif endfor

MaxErr就是这组标定点里的最大回代误差。如果这个值超过项目精度要求的1/3左右，说明标定过程有某个环节出了问题，不要急着上线，先回看像素提取和机器人坐标的对应关系。

4. 现场操作全流程：从摆放标定板到记录机器人坐标

4.1 标定点位布局：覆盖作业面比点位密度更重要

很多人在实验室标定效果很好，一到现场就拉胯，最常见的原因就是标定点只覆盖了视野中央一小块区域。九点标定的点位布局，应该遵循“工作区域全覆盖”原则：9个点分布成一个覆盖整个作业范围的九宫格，点位越靠近实际生产时工件可能出现的位置，在线转换精度越好。

举个例子，如果相机视野是 600mm × 500mm，而工件通常出现在视野右侧，那标定点的分布就应尽量把右侧区域加密，甚至可以适当超出实际作业范围，避免出现“外推”情况。标定是内插法精度高、外推法精度低，这个规律在视觉引导里十分显著。

4.2 机器人坐标怎么记录：示教器与上位机两种方式

记录机器人坐标有两种主流方式。

第一种，示教器手动记录。把机器人切换到手动模式，用示教器把工具末端移动到某个圆点中心，记录当前坐标值。这种方式适合点位少、无上位机通信的项目，缺点是容易记错、效率低。

第二种，上位机自动记录。在程序里通过TCP/IP、Modbus或Profinet与机器人控制器通信，机器人每到达一个标定点就把当前坐标发给上位机。这种方式效率高，还能避免人工抄录的错误，但需要提前把通信协议调通。

无论用哪种方式，有一个核心前提必须确认：记录的坐标值对应的参考点，和视觉定位的参考点必须一致。比如视觉算的是工件中心，那机器人记录的也必须是工具中心TCP到达工件中心时示教器显示的值，而不是机器人法兰盘中心。

4.3 像素坐标和机器人坐标的顺序必须一一对应

这是九点标定里最隐蔽也最致命的坑：像素坐标提取出了9个点，机器人坐标也记录好了9个值，但两者顺序对不上。

发生顺序错乱的常见原因有两个：

第一，图像上9个圆点的提取顺序和机器人记录顺序不一致。比如机器人记录顺序是按“从左到右、从上到下”，但Halcon提取圆点时因为光照不均或圆点缺损，导致某个点没被提取到，所有后续点的顺序整体错位。

第二，sort_region排序模式选错。'character'模式适合比较规整的网格布局，一旦点在视觉上有轻微旋转或倾斜，排序结果可能把不同行的点混排。

我自己的做法是：标定时在机器人示教器上按固定路线依次走一遍9个点，每个点对应的图像位置也严格按同样顺序排列，走位路线的第一个点固定选在视野左上角。这样就可以确保第N张图像对应的像素特征点和第N条机器人坐标记录一一对应。再配合回代误差检查，一旦有某个点对错位，最大回代误差会非常夸张，立刻能发现问题。

4.4 现场必做检查清单

• 相机固定是否牢靠，有没有可能的微小位移；
• 标定板或Mark点是否平整贴合工作平面；
• 镜头表面是否干净，光照是否均匀，圆点边缘有没有严重阴影；
• 机器人TCP是否标定准确，末端工具是否松动；
• 每个记录点的机器人坐标是否和像素点一一对应。

不要嫌这些检查啰嗦，我在项目里见过太多次最后查出来是“螺丝松了”“示教器读数抄串行”这种低级问题。

5. 标定完怎么知道准不准：交叉验证与误差排查清单

5.1 回代误差与额外验证点

回代误差只能检验拟合结果和标定点之间的自洽性，如果标定点本身取错了，回代误差再小也没意义。所以我习惯在标定完成后再额外取3~5个“验证点”——不参与矩阵求解，只用来做最终检验。

验证点取法：在工作范围内随便选几个位置，机器人走到位，记录机械坐标，图像上记录对应像素坐标，再用标定矩阵把像素坐标转成机械坐标，和实测机械坐标对比。如果偏差在项目允许范围内，这套手眼关系才算真正可靠。

5.2 误差来源排查顺序

一旦验证点偏差超差，按下面这个顺序排查，比盲目重标定有效得多：

5.3 提升标定精度的几个进阶做法

如果项目要求的精度在亚毫米级，仅仅用阈值分割提取圆心是不够的。

一个做法是改用Halcon标准标定板配合find_calib_object，这个算子在内部做了亚像素边缘提取，特征点精度比普通阈值分割高一到两个数量级。

另一个做法是先用create_calib_data做一次完整的相机内参标定，得到镜头畸变系数，然后在采集标定图像时先用undistort_image矫正图像，再提取特征点。这个做法能有效消除镜头畸变在视野边缘带来的非线性误差。

此外，如果相机安装角度无法保证光轴绝对垂直工作台，可以考虑用vector_to_proj_hom_mat2d求透视变换矩阵替代仿射变换。它比仿射变换多两个参数，对透视变形有更好的拟合能力，代价是需要至少在4个位置放置标定点，特征点数量多时依然用最小二乘。

6. 换成我上项目时踩过的坑：九点标定容易被忽视的六个细节

6.1 Halcon环境问题能卡住大半天

新手最容易卡住的反而不是算法本身，而是环境。Halcon分试用版和带加密狗的商业版，没有license的情况下算子会直接报错。另外Halcon安装路径别带中文，导出的C++/C#程序在目标机器上部署时记得把运行时DLL一起带上。记得有一次我在现场调试，Halcon程序在自己电脑上跑得好好的，到了客户工控机上闪退，排查了半天发现是少了hdevengine.dll。

6.2 九点标定的结果和相机固定位置是绑定的

标定矩阵只有在相机的安装位置、角度完全不变时才有效。调过一次光路、拧动过相机支架、哪怕只是重新装了镜头，之前的标定结果都作废，必须重新标定。所以现场维护流程里一定要写上“相机位移必重新标定”这条规则，否则项目上线后出现漂移问题，排查起来极其痛苦。

6.3 不要用九点标定强行做三维场景

九点标定法本质上是“平面近似”思路，适合的工作条件是工件基本在一个平面上运动，比如传送带上平面抓取、桌面定位贴合。如果工件有多层的堆叠、或者机械臂需要在不同高度抓取，老老实实去用完整手眼标定，create_calib_data ('hand_eye_moving_cam', ...)或者'hand_eye_stationary_cam'类型，再配合hand_eye_calibration求解，虽然复杂但方向是对的。

6.4 标定矩阵保存与自动加载

标定结果不是一次性成果，项目重启、程序重启后都要复用。Halcon里可以把矩阵用write_tuple保存到文件，程序初始化时用read_tuple加载，这样就不需要每次开机都重新标定一遍。

* 保存标定矩阵和对应的时间戳 write_tuple (HomMat2D, 'E:/calib/hom_mat_2d.tup') write_tuple (CalibDate, 'E:/calib/calib_date.tup') * 程序启动时加载 read_tuple ('E:/calib/hom_mat_2d.tup', HomMat2D)

保存时顺手写一个calib_info.txt，记录标定日期、相机高度、镜头型号、操作人。后期如果出现精度漂移，至少能判断是不是因为期间有人动过相机。

6.5 记得在程序里加“标定状态”开关

上线程序尽量保留一个“标定模式”和“运行模式”的切换开关。标定模式下，程序只负责特征点提取和坐标展示，方便现场调试人员看清楚每个点位是否提取正确；运行模式下再执行完整流程。这个习惯能省很多联调时间。

6.6 多次标定取平均是有效但常被忽略的做法

如果现场条件允许，同一套点位做两次或三次标定，每次相机和机器人重新回零，然后对比几组矩阵的差异。差异很小说明系统重复性好，差异大说明某个环节不稳定。实际应用时取多组标定的平均结果，通常比单次标定更稳。

手眼标定这件事，说难不难，说简单也不简单。它不像深度学习那样需要调大量的网络结构，更多是考验你对坐标系变换的理解和现场操作的细致程度。我做了这么多视觉引导项目，最深的一个体会就是：标定结果不好，九成不是因为Halcon算法不行，而是前期的安装固定、点对记录、光路环境这些“笨功夫”没做到位。把这篇文章里的坑都避掉，按流程一步一步来，你也能得到一个稳定可靠的手眼关系。