很多人以为机器视觉分选仅依赖图像分辨率，其实不然——工业场景中，0.1mm级缺陷检测的底层逻辑是特征空间降维与异常值聚类算法的协同。以某汽车零部件厂商的案例为例，其曲轴表面划痕检测系统需在2000×1500像素的图像中，从300万级像素点中提取出宽度≤0.05mm、长度≥2mm的线性特征。传统方法通过边缘检测算子（如Canny）直接提取轮廓，但受光照反射干扰，误检率高达12%。
该厂商最终采用多尺度高斯差分（DoG）滤波与方向梯度直方图（HOG）特征融合的方案：DoG滤波器组（σ=1.2,1.6,2.0）在三个尺度上增强线性特征，HOG特征以8×8像素单元计算梯度方向分布，二者通过主成分分析（PCA）降维至16维特征向量，再输入支持向量机（SVM）分类器。实际部署中，该系统在0.2秒内完成单件检测，误检率降至0.3%，漏检率控制在0.1%以内。
听起来可能反直觉，但在高速分选场景中，运动模糊补偿比分辨率提升更关键。以某电子元件生产线的案例为例，其贴片电容分选系统需处理每分钟3000件的输送速度，相机曝光时间仅0.1ms，导致图像存在明显运动模糊。传统方法通过提高快门速度或增加光源亮度改善，但受限于硬件性能，效果有限。
该系统采用频域反卷积算法：通过傅里叶变换将模糊图像转换至频域，与已知的点扩散函数（PSF）进行反卷积运算，恢复原始图像细节。PSF的获取通过标定板实验确定——在相同输送速度下拍摄标准棋盘格图像，分析其频域衰减特性。实际测试中，该算法使模糊图像的调制传递函数（MTF）在50lp/mm处从0.3提升至0.7，缺陷识别准确率从82%提高至97%。
青岛港的铁矿石分选系统需应对两个特殊约束：一是潮汐导致的矿石湿度波动（含水率5%-15%），二是不同矿种的密度差异（赤铁矿4.9-5.3g/cm³，磁铁矿5.1-5.2g/cm³）。很多人以为湿度仅影响图像亮度，其实不然——湿度变化会改变矿石表面反射特性，导致偏振光检测失效；密度差异则影响分选机构的落点轨迹，需动态调整气动阀门开度。
该系统采用多模态传感器融合方案：近红外光谱仪测量含水率，激光雷达扫描矿石三维轮廓，工业相机采集表面图像。数据通过卡尔曼滤波器融合，生成矿石的“湿度-密度-形状”联合特征向量。分选决策模块基于强化学习算法训练——以历史分选数据为训练集，定义奖励函数为“分选纯度×处理效率”，通过Q-learning迭代优化阀门开度控制策略。实际运行中，该系统在潮汐周期内保持分选纯度≥98.5%，处理效率达1200吨/小时，较传统方法提升40%。
