企业官网建设流程全解析

做机器视觉落地这几年，我最常被问到的需求之一就是“帮我看看这块表面平不平”。手动贴膜、玻璃面板、金属外壳这类产品，质检员从前是拿千分表加塞尺一块一块地量，又慢又容易漏，还带有接触力，薄壁件一压就变形。后来我在某产线项目里，用OpenCVSharp加一只普通的工业相机，把一块棋盘格标定板当成“尺子”，用角点检测把表面的几何起伏变成一组三维点的偏差，整套方案跑通了，稳定性比预期还要好。这篇文章就把这套思路和代码完整拆开讲。

如果你正打算做视觉测量类项目，或者刚接触OpenCVSharp不知道从哪入手，这篇文章可以直接抄作业。我会把测量逻辑、环境搭建、核心代码、现场踩过的坑全部摊开说，工程上的细节比单纯讲算法要重得多。

1. 平整度检测为什么离不开角点检测：先想清楚测量逻辑

很多开发者拿到需求第一件事就是打开IDE写图像处理代码，结果拍出来的图完全没法用。因为平整度检测本质上不是图像问题，是测量问题。你得先把“被测对象”和“图像特征”之间的桥梁搭起来，否则后面全是空转。

1.1 平整度到底在测什么：PV、RMS和图纸上的平面度

平整度在工程上指的是实际表面与理想平面之间的偏差。一块材料放在平台上，再好的工艺也不可能绝对平，总会有中间凸、边缘翘、局部坑洼。衡量这个偏差通常看两个数：最大偏差PV和均方根偏差RMS。

PV是最高点和最低点相对拟合平面的差值，反映最坏情况；RMS是每个采样点到拟合平面距离的平方平均再开方，反映整体波动水平。图纸上写“平面度0.2mm”，意思就是垂直于理想平面的方向，任意两点之间的高度差不能超过0.2mm。

传统方法是接触式测量，一块板子画好网格，然后用千分表逐点打过去。一块300mm见方的板子，画5×5网格就是25个点，一个点对准、调零、读取、记录，熟练工也要十几分钟。而且千分表的测杆有弹簧力，对软质材料不友好。

换成视觉方案以后，检测一块板的时间可以压到一两秒内。但前提是图像里得有一个“可被测量的特征”，这就是角点检测的价值。

1.2 棋盘格、亚像素角点和理想平面之间的关系

角点检测听上去是个纯图像概念，但它能用来测平整度，是因为我们给被测表面人为地“注入”了一组已知空间关系的特征点。

做法很简单：拿一块印有黑白棋盘格的薄膜或标定板，紧密贴到待测表面上。棋盘格上每个黑白方块的交界处有一个角点，这个角点在图像里的位置可以被算法定位到亚像素精度。如果表面是平的，所有角点都应该落在一个理想平面附近；如果表面有起伏，棋盘格薄膜会跟着表面一起变形，角点集合就不再共面了。

所以整个测量的核心思路是：把“看不见的平面”变成“一组坐标点”，再用数学方法判断这些点共面到什么程度。这是非常典型的间接测量思路，也是角点检测在这个场景里的真正角色。

这里需要说一下角点检测算法本身。OpenCV里最常用的两类角点检测思路，一类是Harris，一类是Shi-Tomasi（OpenCV的GoodFeaturesToTrack底层就是它）。

Harris的思路是：在一个像素周围开一个小窗口，窗口向任意方向移动时灰度变化都很大，就认为这里是角点。它的响应函数是R = det(M) - k * trace(M)^2，其中M是由图像梯度构成的二阶矩矩阵。Shi-Tomasi做了个简化：直接取M的两个特征值中较小的那个min(λ1, λ2)作为响应，比阈值大就保留。

在棋盘格场景里，OpenCV的FindChessboardCorners并非简单调用GoodFeaturesToTrack，它内部有一套专门针对棋盘格几何结构的搜索算法，会根据黑白交替的拓扑关系去定位交点，再输出角点的亚像素坐标。但不管怎样，底层判断的依据都是角点处两个方向梯度同时剧烈变化的特性。

顺便说清楚：为什么我不直接对被测对象表面提取角点，非要贴一块棋盘格？因为大多数工业表面是均匀的喷砂、拉丝、阳极氧化纹理，没有规则的角点可供定位。棋盘格的作用是提供“基准特征”，把测量问题从“表面自身特征识别”转变成“已知几何的形变分析”，可靠性完全不同。

1.3 视觉方案和接触式千分表、激光轮廓仪怎么选

我经常被问“视觉测平整度是不是精度不够”，这里得把方案选择摊开看清楚。

用棋盘格方案不是因为它在所有场景里精度最高，而是它在成本、速度、可解释性上最平衡。它适合的是宏观平整度检测，比如外壳面板、平面玻璃、覆铜板这类产品，公差在0.05mm到0.3mm之间的场景。

如果要求亚微米级别的平面度，需要用激光干涉仪；如果表面不能贴任何东西，那只能用激光轮廓仪或结构光方案。但很多客户的需求其实没那么极端，一台500万像素工业相机加一个棋盘格标定板，就能把传统人工抽检替代掉大半。

2. 环境准备工作：OpenCVSharp项目从引入到能跑的三个关卡

先把代码放一边，说说OpenCVSharp项目的环境问题。这部分看起来不起眼，实际在现场调试时，我见过太多人卡在项目根本编译不过、运行时崩掉的阶段。走完下面几步，后面才能安心写算法。

2.1 NuGet依赖与运行时DLL：少一步就DllNotFound

OpenCVSharp在NuGet上的包名就两个：OpenCvSharp4和OpenCvSharp4.Windows。第一个包是托管层，第二个包带Windows运行库。

如果不带Windows那个包，项目经常编译通过、一运行就报DllNotFoundException，找不到OpenCvSharpExtern.dll。这个原生DLL是C++和C#之间的桥，少它一切白搭。

部署到客户机器时也容易出问题。OpenCvSharp4.Windows会在输出目录里生成runtimes文件夹，里面按win-x64、win-x86分目录存放原生DLL。你不能只把exe拷过去，得把整个输出目录连同runtimes一起部署，或者把对应架构下的OpenCvSharpExtern.dll复制到exe同目录。这个坑在打包成单文件时尤其常见，我建议直接保留原生目录结构，别做自以为聪明的精简。

版本选择上直接用最新4.x即可。网上很多老教程是2.x时代的API，方法名、命名空间差别很大，比如Mat的创建方式、图像读取的枚举名都有变化，对着老代码抄容易被绕进去。

2.2 像素和毫米之间的桥：相机内参标定的几条硬经验

角点检测得到的是像素坐标，平整度要的是毫米偏差，中间必须经过相机标定。

相机标定解决的问题是：像素坐标和相机坐标之间的换算关系。简单说，一个空间点经过镜头投影到图像传感器上，像素位置由内参矩阵决定，也就是fx、fy、cx、cy这四个参数，加上镜头畸变系数。

现场很多项目图省事不做标定，直接拿一张已知尺寸的纸计算像素当量，也就是每毫米多少像素。这在完全垂直拍摄、物体在固定高度的场景下凑合能用，但只要相机光轴稍微倾斜，图像边缘的尺度就已经变了，算出来的平整度误差会非常难看。

标定用的靶标还是棋盘格。这也是为什么我强调棋盘格方案省事的原因：一套棋盘格，既能做相机标定，又能做平整度检测，连靶标都不用换。

标定时的硬经验是：采集15到20张不同角度、不同位置的棋盘格照片，棋盘格要铺满画面各个区域，尤其是四个角。如果你只把棋盘格放在画面正中间拍几张，标定出来的畸变系数在边缘区域完全不可信。后面我还会专门讲这个坑。

核心标定代码大致是这样：

// objectPoints: 每张图中棋盘格角点的物理坐标，单位毫米 // imagePoints: 每张图中对应角点的像素坐标 // gray.Size(): 图像宽高 var objectPoints = new List<Point3f[]>(); var imagePoints = new List<Point2f[]>(); // 每张图检测完成后填充两个列表，然后： Cv2.CalibrateCamera( objectPoints, imagePoints, gray.Size(), out Mat cameraMatrix, out Mat distCoeffs, out Mat[] rvecs, out Mat[] tvecs); double fx = cameraMatrix.At<double>(0, 0); double fy = cameraMatrix.At<double>(1, 1); double cx = cameraMatrix.At<double>(0, 2); double cy = cameraMatrix.At<double>(1, 2);

标定一次之后，内参和畸变系数可以保存成文件，下次运行直接读取，没必要每次开机都重新标。

2.3 Mat与Bitmap互转：最容易写错数据类型的地方

OpenCVSharp里图像的基本类型是Mat，但很多现场上位机程序用的图片源是Bitmap，这就涉及到互转。

从Bitmap转Mat有个容易忽略的点：像素格式。Bitmap最常见的是Format24bppRgb，也就是BGR顺序存储，而OpenCV的默认三通道顺序也是BGR，所以直接转通常没问题。但如果你用System.Drawing读入的是一张Format32bppArgb的图片，就直接拿Mat来用，通道数对不上，后面CvtColor会崩。

标准转换写法：

// Bitmap -> Mat var bitmap = new Bitmap("test.bmp"); var rect = new Rectangle(0, 0, bitmap.Width, bitmap.Height); var bmpData = bitmap.LockBits(rect, ImageLockMode.ReadOnly, PixelFormat.Format24bppRgb); using var mat = new Mat(bitmap.Height, bitmap.Width, MatType.CV_8UC3, bmpData.Scan0); bitmap.UnlockBits(bmpData); // Mat -> Bitmap（用于显示结果） var result = new Mat(); Cv2.CvtColor(mat, result, ColorConversionCodes.BGR2RGB); var resultBitmap = BitmapConverter.ToBitmap(result);

还有一点，OpenCVSharp里有一个专用的图像包装类型Image<Gray, byte>，很多老教程喜欢用它。但FindChessboardCorners这类核心函数接收的是InputArray，用Mat更直接，没必要绕一层。我建议统一用Mat，省得类型转换时参数不匹配。

3. 核心流程实现：从棋盘格角点到平整度数值的完整代码

环境通了之后，进入正题。整个检测流程可以拆成几个串行的环节，每个环节都有明确的输入输出。实际项目中我会把每一步都封装成独立函数，这样一旦数据异常，能快速定位是哪一步出的问题。

3.1 检测流程总览：把测量问题翻译成图像问题

完整流程如下：

1. 在待测表面上贴好棋盘格薄膜，确保贴合紧密无气泡。
2. 工业相机正对表面拍摄，记录原始图像。
3. 图像转为灰度图，调用FindChessboardCorners提取棋盘格内角点。
4. 对初始角点做亚像素细化，用CornerSubPix把角点精度从像素级提升到亚像素级。
5. 用标定好的内参和畸变系数，对所有像素坐标去畸变。
6. 通过相机外参把去畸变后的归一化坐标转换到棋盘格物理坐标系。
7. 对所有三维点做平面拟合，计算每个点到拟合平面的距离。
8. 统计最大偏差PV和RMS，与合格线比较，输出检测结果。

这里有个关键前提：棋盘格薄膜必须紧密贴合被测表面。如果表面存在明显凹凸，薄膜会“浮”在表面上方，检测结果就是膜的形状而不是表面的形状。对于平面度精度要求不超过0.1mm的场景，几十微米厚的薄膜贴合后误差可以接受，但操作时必须用刮板把空气排干净。

3.2 棋盘格角点提取与亚像素细化：FindChessboardCorners和CornerSubPix的调参

角点提取的核心函数是FindChessboardCorners。第一个参数是灰度图，第二个参数是patternSize，注意这个size指的是内角点的行列数，不是棋盘格的方块数。

比如一个9×6的棋盘格，有9列6行方块，内角点就是8×5。这个数字一旦填错，函数会一直返回false。我以前在项目里就因为行列搞反，排查了整整半天。

// 9x6的棋盘格，内角点为8x5 var patternSize = new Size(8, 5); bool found = Cv2.FindChessboardCorners( gray, patternSize, out Point2f[] corners, CornerDetectFlags.AdaptiveThresh | CornerDetectFlags.NormalizeImage);

如果不传第三个参数，内部使用默认策略，在尺度变化大的场景里容易漏检。我建议加上AdaptiveThresh，它会在局部做自适应阈值处理，对光照不均的抵抗能力明显增强。

初始角点只是整数像素精度，直接用于平面拟合，误差会放大到毫米级别，不可接受。接下来必须做亚像素细化：

Cv2.CornerSubPix( gray, corners, new Size(11, 11), new Size(-1, -1), new TermCriteria(TermCriteria.Type.Count | TermCriteria.Type.Eps, 30, 0.01));

第二个参数是搜索窗口大小，窗口太小会捕获不到足够梯度信息，窗口太大会把周围角点的影响带进来，11×11在大多数场景下是稳妥选择。TermCriteria里的30表示迭代次数上限，0.01表示亚像素位移精度，达到任一条件即停止。

细化完成后的角点位置是浮点数，精度通常能到0.02到0.1像素。这个精度直接决定了平整度检测的测量分辨率，所以这一步绝对不能省。

做完这一步可以先可视化一下，把角点画在图上确认是否正确。我习惯把提取到的角点按行列顺序连接成网格线，一旦哪条线歪了，说明角点顺序错了，后面计算不可能对。

3.3 从像素坐标到三维坐标：去畸变、外参与平面拟合

角点坐标有了，接下来把它变成可用于平面拟合的三维点。

首先要去畸变。FindChessboardCorners返回的是原始图像上的像素位置，镜头畸变会让棋盘格弯掉，尤其是图像的边缘位置。用标定好的内参和畸变系数调UndistortPoints：

using var input = new Mat(1, corners.Length, MatType.CV_32FC2, corners); using var normalized = new Mat(); Cv2.UndistortPoints(input, normalized, cameraMatrix, distCoeffs); var points = normalized.ToArray<Point2f>();

这里有个细节容易被忽略：UndistortPoints输出的是归一化相机坐标，也就是相机坐标系下Zc=1平面上点的坐标，单位不再是像素。需要根据外参进一步转换到棋盘格物理坐标系。

获取外参用SolvePnP，输入棋盘格角点的物理坐标和对应的像素坐标，得到旋转向量和平移向量，再把相机坐标转换到世界坐标：

// 生成棋盘格角点的物理坐标，squareSize是棋盘格单格边长，单位毫米 var objectPts = new List<Point3f>(); for (int j = 0; j < patternSize.Height; j++) { for (int i = 0; i < patternSize.Width; i++) { objectPts.Add(new Point3f(i * squareSize, j * squareSize, 0)); } } bool ok = Cv2.SolvePnP( objectPts.ToArray(), corners, cameraMatrix, distCoeffs, out Mat rvec, out Mat tvec); // 旋转向量转旋转矩阵 using var R = new Mat(3, 3, MatType.CV_64FC1); Cv2.Rodrigues(rvec, R);

注意SolvePnP这里的第三个参数应该用原始像素角点，而不是去畸变后的normalized坐标，因为SolvePnP内部会自己做畸变补偿。我第一次做的时候把去畸变后的点传进去，结果结果是错的，折腾了很久。

有了旋转矩阵和平移向量，可以把每个归一化相机坐标点变换到棋盘格平面上，得到三维点集合。由于棋盘格贴合在待测表面，这些三维点就是表面形貌的采样点。

平面拟合用最小二乘法。把三维点拟合成一个平面z = ax + by + c，然后算每个点到拟合平面的距离。这里用OpenCVSharp的Solve配合SVD分解处理超定方程：

public static (double pv, double rms) EvaluateFlatness(List<Point3d> pts) { int n = pts.Count; using var A = new Mat(n, 3, MatType.CV_64FC1); using var b = new Mat(n, 1, MatType.CV_64FC1); for (int i = 0; i < n; i++) { A.Set<double>(i, 0, pts[i].X); A.Set<double>(i, 1, pts[i].Y); A.Set<double>(i, 2, 1.0); b.Set<double>(i, 0, pts[i].Z); } using var x = new Mat(3, 1, MatType.CV_64FC1); Cv2.Solve(A, b, x, DecompTypes.Svd); double a = x.At<double>(0, 0); double bCoef = x.At<double>(1, 0); double c = x.At<double>(2, 0); double maxDev = 0; double sumSq = 0; foreach (var p in pts) { double dist = Math.Abs(a * p.X + bCoef * p.Y - p.Z + c) / Math.Sqrt(a * a + bCoef * bCoef + 1); maxDev = Math.Max(maxDev, dist); sumSq += dist * dist; } double rms = Math.Sqrt(sumSq / n); return (maxDev, rms); }

拟合平面的SVD解法相比直接求逆更稳定，尤其是在数据点接近共面或者分布不均匀的时候。我在现场测试过，用SVD解出来的平面系数在边界区域的拟合稳定性明显好于普通正规方程。

3.4 平整度报告怎么出：PV、RMS与合格线设定建议

算法跑通以后，真正和客户打交道的是检测报告。我用得非常顺的格式是把角点偏差画成伪彩色分布图，再叠加文本输出PV、RMS值和Pass/Fail判定。

代码实现上，把每个角点的偏差值归一化到0到255区间，用ApplyColorMap映射成伪彩色，叠加到原图。偏差最大的点用红色标记，容易让现场人员一眼看到问题区域。

还有两个细节是我踩过坑以后加上的：

一是固定像素当量并保存到配置里。不要每次检测都重新算一次尺度，同一个项目的相机位置、镜头焦距应该保持不变，每次重新计算会引入额外波动。

二是在报告里记录角点检测耗时和检测日期，方便追溯。视觉项目最怕的就是出了问题说不清楚是哪批次的数据，带时间戳和参数的报表能帮你少背很多锅。

合格线的设定没有通用标准。一般情况下，客户图纸会写明平面度公差。如果只给一个PV值，我建议把RMS合格线设为PV的三分之一左右，这是比较常见的内部管理标准。项目里我曾遇到客户只要求PV小于0.3mm，但现场肉眼就能看出板子边缘翘曲，后来把RMS线设到0.08mm，才把真正不合格的批次拦下来。

4. 现场排查实录：六个最容易踩的坑和对应的解决方案

这一部分是我最想分享的。算法理论上能跑通，不代表现场稳定。实际项目里，我基本把这几个坑都踩过一遍，每个都花了不少时间才定位到根因。

4.1 角点检测一直失败，返回值常年是false

这是新人最常见的第一个问题。棋盘格明明拍得很清楚，FindChessboardCorners就是返回false。

排查方向按顺序来：第一步确认patternSize填的是内角点数，不是方块数。第二步确认图像是灰度图且尺寸不太大，如果图像超过2000万像素，建议先缩小到不影响角点定位的程度，检测速度会快很多。第三步看光照，棋盘格在强光下产生高光或者阴影里太暗，角点检测都会失效。

我的经验是拍照时优先保证棋盘格区域的光照均匀，不要有明显的渐变或反光。如果现场无法控制环境光，就在检测时把建议的AdaptiveThresh | NormalizeImage标志加上。这两个标志分别表示自适应阈值和图像归一化，对光照不均的补偿很有帮助。

还有一个小技巧：如果不确定检测参数，可以用Cv2.FindChessboardCorners试着传入不同规格的Size，同时把检测到的角点画出来，哪些角点位置不对一目了然。调试阶段多花十分钟可视化，比盲猜参数强得多。

4.2 亚像素角点漂移：窗口和终止条件没给对

有时候FindChessboardCorners返回true了，角点位置肉眼看着也对，但最终平整度数据波动很大。检查之后发现，角点的亚像素位置在不同的测试里漂移了0.5个像素以上。

问题基本出在CornerSubPix的参数上。窗口太小，周围的梯度信息不足，细化算法拟合不稳定；终止条件的精度设得太松，比如0.1像素就停，那细化和不细化差别不大。

我建议窗口取11×11到21×21之间，迭代次数30次以上，精度0.01。另外，输入给CornerSubPix的图像必须是8位灰度图，不能是彩色图或者已经做过边缘提取的二值图。有一次我把Canny边缘图传进去，角点跑到边缘交叉点的角落上去了，定位精度严重下降。

还有一个不常被注意的原因：棋盘格本身不平整。如果棋盘格薄膜表面有褶皱或者贴附时有气泡，那角点位置物理上就不是一个平面，算法上再细化也救不回来。所以每次贴膜后，我会用刮板仔细排出空气，并目视确认膜面没有折痕。

4.3 高反射和阴影干扰，棋盘格时好时坏

工业现场的光照环境千奇百怪。最讨厌的是抛光金属、玻璃面板上方有反光，相机拍摄时棋盘格区域出现一条亮带，亮带里的黑白方块对比度剧烈下降，角点检测时好时坏。

遇到这种情况，先别急着调算法参数，先把光源搞定。我的经验是使用低角度环形光或者带匀光板的漫射光源，从两侧斜照，可以减少镜面反射。安装位置一般在相机两侧45度方向，距离稍远一点。

如果光源实在调不好，有个取巧的办法：把棋盘格稍微旋转一个角度，让反射光方向偏离镜头。这个方法在玻璃表面上特别有效。因为镜面反射有方向性，你避开那个特定角度，反光就消失了。

当然如果你的被测表面是镜面本身，那就只能用偏振片方案。相机镜头前加线偏振片，光源前加偏振片，两个偏振方向正交，可以把镜面反射光滤掉大部分。这个方法需要额外采购偏振片，但对高反光表面效果立竿见影。

4.4 去畸变后边缘坐标跳动：标定数据没有铺满画面

有一段时间，我检测25个角点，中间区域的数据很稳定，但棋盘格四角位置的角点偏差每次都有零点几毫米的跳动。起初以为是被测表面本身不平，后来用高精度陶瓷平板验证，发现是标定数据没铺满画面导致的。

标定的原理决定了，不同位置的畸变需要不同位置的样本去约束。如果标定照片里的棋盘格始终在画面中央区域，畸变参数在画面四角的取值就会被外推，这里没有任何真实数据支撑，结果自然不可信。

解决办法就是重新标定。采集标定图片时，保证棋盘格出现在画面的四个角落和四条边中间，同时要有不同角度、不同距离的样本。建议至少20张，分布在各个区域。

还有一个配套操作：标定完成后用重投影误差做一个自查。如果误差大于0.1像素，说明标定数据里混入了几组质量很差的图片，剔除后重新标定。

4.5 像素当量算错：一张图的尺度不代表全局尺度

这个坑发生在相对测量方案里，也就是不做完整标定，只通过已知尺寸的物体计算每毫米对应的像素数。

问题是，单张图像上的像素当量只有在物体处于同一深度、并且镜头光轴垂直于测量平面的前提条件下才是常数。如果板材倾斜、厚度不一、镜头有俯仰角，图像边缘的物体看上去比中心小，算出来的平整度偏差天然就是假的。

我遇到过的实际情况是：测量结果显示整块板呈现出明显的凸面，但实际用千分表验证是平的。检查下来，相机安装角度有些倾斜，光轴没有正对测量区域中心，导致平面在图像中产生了透视变形。

解决方法是做完整标定，而不是算像素当量。如果实在不想做标定，至少应该保证相机光轴垂直于被测表面，并且把被测表面放在同一个高度。这里有一句我总结了无数次的经验：所有用单张图像做尺寸类测量的项目，都必须把“相机安装位姿的稳定性”当成核心约束来管理。

4.6 数据整体像差但检查没问题：相机光轴倾斜和震动

最后一个坑比前面都隐蔽。数据不算错，角点也都检测到了，但检测结果整体偏向一侧，或者呈现出固定方向的斜坡。

排查下来大概率是相机光轴没有垂直于被测表面。光轴倾斜会导致远方一侧的图像被压缩，拟合平面自然会有坡度，但这个坡度不代表被测表面的真实倾斜。

另一种可能性是相机支架刚性不足。产线设备运行时的震动传给相机，图像在曝光瞬间轻微拖影，角点位置的亚像素精度就崩了。这种情况最误导人，因为单张图像看起来还算清晰，但角点细化后的坐标已经偏移。

我的做法是：每次跑数据之前，先连续采集同一静态场景的两帧图像，比较同一角点的坐标差异。如果两帧图像之间角点坐标跳动超过0.1像素，先处理机械固定或者相机曝光时间，再谈检测算法。相机曝光时间能短就短，配合光源打亮，震动的影响会小很多。

从设备安装角度说，相机必须固定在刚性结构上，不要装在悬臂上。悬臂结构看起来方便调整，但低频震动或者人员触碰都会造成微米级的移动，这种误差在纯图像层面很难察觉。

做完整套检测流程，最后再分享一个我个人的习惯。每次开始测量前，我都会拿一块标准平面样件做一次校验。标准件检测结果如果超出了它自身平面度公差的一倍，那就不是被测产品的问题，而是测量系统本身的状态出了问题。平整度检测说到底是相对测量，测量系统自身的稳定性，和算法精度一样重要。这套方案后续做扩展，还可以把角点网格加密、换成更小格距的棋盘格，或者增加多相机拼接覆盖更大面积，但核心思路不变：先把测量问题翻译成图像问题，再用角点检测把平面“数字化”。