企业官网建设流程全解析

1. 从"卡尺"到"亚像素"：矩形边缘距离测量的本质是什么

很多人第一次接触Halcon做尺寸测量，脑子里蹦出来的第一个算子就是edges_sub_pix或者measure_pos，然后发现结果忽大忽小，重复精度差得离谱，就开始怀疑是不是相机不行、镜头畸变太大、或者Halcon的算法有坑。实际上，矩形边缘距离测量这件事，核心矛盾从来不在算法本身，而在于你有没有搞清楚"边缘"到底是什么、它在图像里以什么形式存在、以及你用什么模型去拟合它。

矩形边缘距离测量，说白了就是在一张图像里找到两个矩形特征（可能是两个独立的矩形物体，也可能是同一个矩形工件的两条对边）的边缘位置，然后计算它们之间的像素距离，再通过标定系数转换成物理尺寸。听起来简单，但"边缘位置"这四个字里藏着大量工程细节。图像里的边缘不是一个理想的阶跃信号，它是一条有宽度、有灰度渐变、受光照和噪声影响的过渡带。你要从这个过渡带里提取出一个"位置"，就必须先定义什么叫"位置"——是灰度梯度最大的点？是灰度值达到某个阈值的点？还是通过拟合得到的亚像素级交点？

Halcon提供了一整套从粗到精的工具链。最粗的是threshold加connection，拿到区域后用smallest_rectangle2拟合，精度大概在几个像素级别，适合快速定位。再往上一层是measure_pos和measure_pairs，基于一维灰度投影的亚像素边缘提取，精度可以做到0.1像素左右。最精细的是edges_sub_pix配合fit_rectangle2_contour_xld，用XLD轮廓做亚像素级拟合，理论上可以做到0.02像素甚至更高。但精度越高，对图像质量、光照稳定性、标定精度的要求也越苛刻。

我见过太多项目，一开始用measure_pos跑得挺好，后来换了批次材料，表面反光特性变了，边缘过渡带宽度从3个像素变成8个像素，测量结果直接漂了0.05mm。这不是Halcon的问题，是测量模型和实际成像条件不匹配的问题。所以做矩形边缘距离测量，第一步不是写代码，而是先搞清楚你的成像系统能提供什么样的边缘质量，然后选择匹配的测量策略。

还有一个容易被忽略的点：矩形边缘距离测量和一般的直线距离测量有本质区别。矩形的边缘是有限长度的线段，而且四条边之间有明确的几何约束——对边平行、邻边垂直、四个角点构成封闭轮廓。如果你只测两条边的距离，完全可以用measure_pos沿垂直于边缘的方向拉一条测量线，简单直接。但如果你想同时获得矩形的宽度、高度、对角线、中心位置等多个尺寸，那就需要用到矩形拟合，把所有边缘点放在一起做全局优化。这两种思路的代码结构、精度特性、鲁棒性都不一样，后面会详细展开。

2. 测量方案选型：一维卡尺、二维轮廓还是全局拟合

2.1 一维卡尺法：快、稳、但信息量有限

一维卡尺法的典型代表就是measure_pos算子。它的工作原理是：你定义一个矩形测量区域（ROI），Halcon会沿着这个区域的长轴方向，把每一列（或每一行）的灰度值做投影平均，得到一条一维灰度剖面曲线，然后在这条曲线上找边缘点。找边缘的方式通常是求一阶导数，导数绝对值最大的位置就是边缘位置，再通过抛物线拟合或者高斯拟合得到亚像素精度。

这种方法的优势非常明显：计算量小、速度快、对局部噪声不敏感（因为做了投影平均）、参数直观。你只需要设置Sigma（平滑系数）、Threshold（边缘幅度阈值）、Transition（边缘极性）这几个关键参数，就能跑起来。对于大多数工业现场的矩形工件尺寸测量，一维卡尺法已经足够。

但它的问题也很突出。首先，它假设边缘是直线且垂直于测量方向。如果矩形有轻微旋转，测量线不垂直于边缘，测出来的距离会偏大。偏差量大约是1/cos(θ)，θ是偏转角。偏转1度，误差约0.015%；偏转5度，误差约0.38%。对于高精度测量，这个误差不能忽略。其次，一维投影平均会抹平边缘的局部变化。如果矩形边缘有毛刺、缺口、或者局部反光异常，投影平均会把这些细节平均掉，导致测量结果不能反映真实边缘位置。最后，一维卡尺法只能测距离，不能同时给出矩形的角度、中心、角点等信息，功能比较单一。

2.2 二维轮廓法：信息全、精度高、但调参复杂

二维轮廓法的核心是edges_sub_pix算子。它直接在二维图像上提取亚像素边缘轮廓，输出的是XLD轮廓对象。常用的边缘提取算子有canny、sobel、lanser等，其中canny最常用，因为它对边缘定位精度高、单像素响应好。提取出轮廓后，你可以用fit_rectangle2_contour_xld把轮廓拟合成矩形，或者用segment_contours_xld把轮廓分段，再对每段做直线拟合。

这种方法的优势在于信息完整。你拿到的是整个矩形的轮廓点集，可以同时计算宽度、高度、角度、中心坐标、角点位置、甚至轮廓的直线度和垂直度。而且因为是在二维空间做拟合，不存在一维投影平均带来的信息损失，对局部缺陷的鲁棒性也更好——你可以通过剔除离群点来避免毛刺对拟合结果的影响。

但二维轮廓法的调参难度明显更高。edges_sub_pix的关键参数包括Alpha（平滑系数）、Low和High（滞后阈值）。Alpha越大，边缘越平滑，但定位精度会下降；Alpha越小，边缘越锐利，但噪声响应也越强。Low和High的选取直接影响边缘的连续性和完整性，选不好会出现边缘断裂或者伪边缘。我个人的经验是，先用默认参数跑一遍，观察轮廓的连续性和位置，然后微调Alpha，最后根据边缘幅度直方图来定Low和High。

2.3 全局拟合：精度天花板，但依赖初始定位

全局拟合的思路是：先用粗略方法定位矩形的大致位置和姿态，然后在这个初始估计的基础上，用fit_rectangle2_contour_xld做全局优化。这个算子会同时优化矩形的中心、角度、半宽、半高五个参数，使得所有轮廓点到矩形边界的距离平方和最小。因为它是全局优化，不受局部噪声影响，理论上可以达到最高的拟合精度。

但全局拟合有一个致命弱点：它对初始定位非常敏感。如果初始矩形和真实矩形偏差太大，优化过程可能收敛到局部最优，甚至完全不收敛。所以实际项目中，我通常会用一维卡尺法或者threshold加smallest_rectangle2先做一个粗定位，把粗定位结果作为fit_rectangle2_contour_xld的初始值，然后再做精细拟合。这样既保证了鲁棒性，又拿到了高精度。

下面这张表总结了三类方法的核心差异，方便你根据项目需求快速选型：

3. 手把手搭建：从图像采集到距离输出的完整链路

3.1 图像预处理：别急着上算子，先把图看清楚

拿到一张待测量的图像，第一件事不是写代码，而是用Halcon的图像窗口仔细看。看什么？看边缘的灰度过渡带宽度、看背景和前景的对比度、看有没有反光或者阴影干扰、看矩形边缘是否完整。我习惯用inspect_bbox或者直接手动拖几个ROI，用gray_profile工具画一条垂直于边缘的灰度剖面线，观察剖面的形状。

如果灰度剖面是理想的阶跃状，过渡带只有2~3个像素，那恭喜你，成像质量很好，直接用measure_pos就能拿到不错的结果。如果过渡带很宽，超过5个像素，说明镜头景深不够或者光源角度不对，边缘被模糊了。这时候要么调整光源，要么在算法里加大Sigma做平滑，但平滑会牺牲定位精度，属于下策。

预处理阶段常用的操作包括：rgb1_to_gray转灰度、emphasize增强边缘、mean_image或gauss_filter降噪。但要注意，降噪和边缘增强是一对矛盾——降噪会模糊边缘，增强会放大噪声。我的经验是，如果原始图像信噪比还可以，尽量不做预处理，把平滑交给measure_pos的Sigma参数或者edges_sub_pix的Alpha参数去控制。如果噪声确实很大，用gauss_filter做轻度平滑，Sigma控制在1.0以内。

还有一个容易被忽略的点：ROI的选取。测量区域不要贴着图像边缘，因为镜头边缘的畸变和暗角会影响测量精度。ROI也不要太小，要给边缘提取留足够的搜索范围。一般来说，测量区域的宽度至少是边缘过渡带宽度的5倍以上，高度方向要覆盖矩形边缘的完整长度。

3.2 一维卡尺法实操：参数怎么设，结果怎么读

假设我们已经确定用一维卡尺法测量一个矩形工件的宽度。首先用gen_rectangle1或者gen_rectangle2生成一个测量ROI，这个ROI的长轴方向要垂直于待测边缘。然后用gen_measure_rectangle2创建测量对象，接着调用measure_pos提取边缘点。

关键参数有三个：Sigma、Threshold、Transition。Sigma控制高斯平滑的强度，值越大，边缘越平滑，抗噪能力越强，但定位精度越低。对于过渡带宽度约3~4像素的边缘，Sigma取1.0~1.5比较合适。Threshold是边缘幅度阈值，只有梯度幅度超过这个值的点才会被认定为边缘。设得太低会引入伪边缘，设得太高会漏掉弱边缘。我通常先用measure_pos的measure_thresh参数配合measure_pos的返回值来观察边缘幅度分布，然后取幅度中位数的30%~50%作为阈值。Transition指定边缘极性，'positive'表示从暗到亮，'negative'表示从亮到暗，'all'表示两者都检测。

调用measure_pos后，返回的是边缘点的行坐标、列坐标、幅度、以及相邻边缘点之间的距离。对于矩形宽度测量，你通常会得到两个边缘点（左边缘和右边缘），它们的列坐标之差乘以标定系数就是物理宽度。但要注意，measure_pos返回的距离是沿测量方向的像素距离，如果测量方向不垂直于边缘，需要做角度校正。

* 生成测量ROI gen_rectangle2 (MeasureROI, RowCenter, ColCenter, Angle, Width/2, Height/2) * 创建测量对象 gen_measure_rectangle2 (RowCenter, ColCenter, Angle, Width/2, Height/2, \ ImageWidth, ImageHeight, 'nearest_neighbor', MeasureHandle) * 执行测量 measure_pos (Image, MeasureHandle, 1.0, 30, 'all', 'all', \ RowEdge, ColEdge, Amplitude, Distance) * 计算物理距离 PhysicalDistance := Distance * CalibrationFactor

这段代码看起来简单，但实际跑的时候有几个坑。第一个坑是gen_measure_rectangle2的Width和Height参数。Width是测量方向的长度，Height是垂直于测量方向的长度。很多人会把这两个搞反，导致测量方向不对。第二个坑是Interpolation参数，'nearest_neighbor'速度快但精度低，'bilinear'精度高但速度慢。对于亚像素测量，建议用'bilinear'。第三个坑是measure_pos的Threshold参数，它和Sigma是耦合的——Sigma越大，边缘幅度越低，Threshold也要相应降低。

3.3 二维轮廓法实操：从边缘提取到矩形拟合

二维轮廓法的流程稍微复杂一些，但灵活性更高。第一步是用edges_sub_pix提取亚像素边缘轮廓。关键参数是Alpha、Low、High。Alpha控制平滑程度，典型值0.5~2.0。Low和High是滞后阈值，High用于检测强边缘，Low用于延伸弱边缘。我通常先用edges_sub_pix的默认参数跑一遍，然后用histogram统计边缘幅度分布，根据分布来调整阈值。

提取出轮廓后，用select_shape_xld或者select_contours_xld筛选出属于矩形的轮廓。筛选条件可以基于轮廓长度、闭合性、圆度等。如果图像里只有一个矩形，筛选很简单；如果有多个矩形或者干扰轮廓，就需要用union_adjacent_contours_xld合并相邻轮廓，或者用segment_contours_xld把轮廓分段。

接下来是拟合。如果只需要测量两条对边的距离，可以用fit_line_contour_xld分别拟合两条边，然后计算两条直线之间的距离。fit_line_contour_xld支持多种拟合算法，'regression'是最小二乘拟合，'huber'和'tukey'是鲁棒拟合，可以自动降低离群点的影响。对于有毛刺的边缘，建议用'tukey'。

如果需要同时获得矩形的多个参数，用fit_rectangle2_contour_xld更合适。这个算子会输出矩形的中心坐标、角度、半宽、半高。半宽乘以2就是宽度，半高乘以2就是高度。但要注意，fit_rectangle2_contour_xld拟合的是矩形的最小外接矩形还是最佳拟合矩形，取决于Algorithm参数。'regression'是最佳拟合，'boundary'是最小外接，前者精度更高，后者更鲁棒。

* 提取亚像素边缘 edges_sub_pix (Image, Edges, 'canny', 1.0, 20, 40) * 筛选轮廓 select_contours_xld (Edges, SelectedContours, 'contour_length', 100, 10000, -0.5, 0.5) * 拟合矩形 fit_rectangle2_contour_xld (SelectedContours, 'regression', -1, 0, 0, \ Row, Column, Phi, Length1, Length2) * 计算宽度和高度 Width := Length1 * 2 * CalibrationFactor Height := Length2 * 2 * CalibrationFactor

3.4 标定系数：像素到物理尺寸的桥梁

不管用哪种方法，最终都要把像素距离转换成物理尺寸。标定系数就是这座桥梁。最简单的标定方式是拍一张已知尺寸的标准件，测量其像素距离，然后计算比例。比如标准件宽度是10.000mm，图像里测出来是500.5像素，那标定系数就是10.000/500.5=0.01998mm/像素。

但这种方式只在一个方向上有效，而且假设镜头没有畸变、相机传感器像素是正方形、光轴垂直于测量平面。实际项目中，这些假设往往不成立。更严谨的做法是用标定板做完整的相机标定，得到相机的内参和畸变系数，然后用image_points_to_world_plane把像素坐标映射到世界坐标。Halcon提供了完整的标定工具链，包括find_calib_object、calibrate_cameras、get_calib_data等。

如果项目精度要求不高（比如±0.05mm），而且测量范围不大，用单点标定也够用。但要注意，标定系数会随着工作距离变化。如果工件高度不一致，或者相机有轻微移动，标定系数就会漂。我见过一个项目，相机固定在支架上，但支架有微小振动，导致标定系数每天漂0.1%，测量结果自然不稳定。后来加了防振措施，问题才解决。

4. 精度上不去？先排查这五个最常见的坑

4.1 边缘过渡带太宽：光源和镜头的锅

边缘过渡带宽度直接决定测量精度。过渡带越窄，边缘定位越准。理想情况下，过渡带应该只有1~2个像素。如果超过5个像素，测量精度很难做到0.02mm以内。

过渡带变宽的原因通常有三个：镜头景深不够、光源角度不对、工件表面反光。镜头景深不够会导致边缘模糊，解决办法是缩小光圈或者换用远心镜头。远心镜头虽然贵，但在精密测量场景下几乎是标配，因为它能消除透视畸变，而且景深大。光源角度不对会导致边缘对比度低，解决办法是调整光源角度，让边缘两侧的灰度差异最大化。对于金属工件，通常用低角度环形光或者同轴光。工件表面反光会导致边缘局部过曝或者欠曝，解决办法是换用漫射光源或者调整偏振片。

我个人的经验是，如果过渡带宽度超过4个像素，先别急着调算法参数，先花时间调光源和镜头。算法只能锦上添花，不能雪中送炭。

4.2 测量方向不垂直：角度偏差的累积效应

前面提到过，一维卡尺法假设测量方向垂直于边缘。如果矩形有旋转，测量方向不垂直，测出来的距离会偏大。偏差量是1/cos(θ)，θ是偏转角。偏转1度，误差0.015%；偏转3度，误差0.14%；偏转5度，误差0.38%。对于要求±0.05mm的测量，如果工件宽度是50mm，偏转3度就会带来0.07mm的误差，直接超差。

解决办法有两个：一是用measure_pos之前先测量矩形的角度，然后调整测量ROI的角度，使其垂直于边缘。二是直接用二维轮廓法，因为二维拟合不受测量方向影响。我通常推荐第二种，因为一维卡尺法调整角度需要额外的计算步骤，而且角度测量本身也有误差，会引入新的不确定性。

4.3 标定系数漂移：温度、振动、工作距离

标定系数不是一成不变的。温度变化会导致镜头和相机支架热胀冷缩，改变工作距离；振动会导致相机位置偏移；工件高度变化会改变物距。这些因素都会让标定系数漂移。

我做过一个实验：在恒温实验室里标定好系数，然后把设备搬到车间，温度从22度升到28度，标定系数漂了0.08%。对于50mm的工件，这就是0.04mm的误差。所以如果项目精度要求高，要么在恒温环境下测量，要么定期重新标定，要么用远心镜头加固定工作距离的机械结构来减少漂移。

还有一个容易被忽略的点：标定板的精度。标定板本身的制造精度如果只有±0.01mm，那标定系数的不确定度至少是0.01mm。所以标定板的精度要比测量精度高一个数量级。我通常用陶瓷标定板，精度可以做到±0.001mm。

4.4 边缘极性搞反：亮到暗还是暗到亮

measure_pos的Transition参数指定边缘极性。'positive'表示从暗到亮，'negative'表示从亮到暗。如果搞反了，要么检测不到边缘，要么检测到错误的边缘。比如测量一个黑色矩形在白色背景上的宽度，左边缘是从白到黑（'negative'），右边缘是从黑到白（'positive'）。如果你把Transition设成'positive'，左边缘就检测不到。

更隐蔽的问题是，如果图像里有多个边缘，Transition设成'all'会检测到所有边缘，包括你不想要的。比如矩形内部有纹理或者划痕，'all'会把它们也当成边缘。所以实际项目中，我通常先用'all'跑一遍，观察边缘点的分布，然后根据分布把Transition设成具体的极性，把不需要的边缘过滤掉。

4.5 轮廓断裂和离群点：拟合前的数据清洗

二维轮廓法的一个常见问题是轮廓断裂。edges_sub_pix提取的轮廓可能因为边缘弱或者噪声而断开，导致拟合时只用了部分轮廓点，拟合结果偏差很大。解决办法是用union_adjacent_contours_xld把相邻的轮廓合并，或者用close_contours_xld闭合轮廓。如果断裂太严重，就需要调整edges_sub_pix的Low和High参数，降低阈值让弱边缘也能被检测到。

离群点是另一个问题。轮廓上可能有少数点偏离真实边缘，这些点会拉偏拟合结果。解决办法是用鲁棒拟合算法，比如fit_line_contour_xld的'tukey'算法，或者手动用select_points_object_model_3d剔除离群点。我通常的做法是先用'regression'拟合一遍，计算每个点到拟合直线的距离，把距离超过3倍标准差的点剔除，然后再用'regression'拟合一遍。这样迭代两三次，拟合结果就很稳了。

5. 从能跑到好用：工程化落地的几个关键决策

5.1 测量节拍和精度的平衡

工业现场对测量节拍有硬性要求。一维卡尺法单次测量通常在1ms以内，二维轮廓法在5~20ms，全局拟合在20~50ms。如果节拍要求是100ms以内，三种方法都够用。但如果节拍要求是10ms以内，就只能用一维卡尺法。

精度和节拍是一对矛盾。提高精度通常意味着增加计算量，降低节拍。我的经验是，先确定节拍上限，然后在节拍允许的范围内选择精度最高的方法。如果一维卡尺法能满足精度要求，就不要用二维轮廓法，因为后者调参更复杂，维护成本更高。

还有一个技巧：如果测量区域很大，但只需要测量局部尺寸，可以用reduce_domain把图像裁剪到感兴趣区域，减少计算量。Halcon的reduce_domain不会复制图像数据，只是创建一个引用，所以速度很快。

5.2 多工件批量测量的ROI管理

实际项目中，一张图像里可能有多个矩形工件需要测量。这时候ROI的管理就很重要。我通常的做法是先用threshold加connection找到所有工件区域，然后用smallest_rectangle2得到每个工件的粗略位置和角度，再根据这些信息为每个工件生成独立的测量ROI。

这样做的好处是，每个工件的测量ROI都是自适应的，不受工件位置和角度变化的影响。但要注意，smallest_rectangle2的精度有限，如果工件角度变化很大，粗定位的角度误差可能导致测量ROI不垂直于边缘。解决办法是用粗定位结果作为初始值，再用fit_rectangle2_contour_xld做精细拟合，迭代一次就能收敛。

5.3 结果判定和异常处理

测量出距离之后，通常还要做合格判定。判定逻辑很简单：如果测量值在公差范围内，就判合格；否则判不合格。但实际项目中，异常处理才是重点。比如测量值突然跳变、边缘检测失败、轮廓断裂等，这些异常如果不处理，会导致误判。

我的做法是加三层保护。第一层是边缘检测的置信度检查：如果measure_pos返回的边缘幅度低于阈值，或者边缘点数量少于预期，就标记为检测失败。第二层是测量值的合理性检查：如果测量值和历史均值偏差超过3倍标准差，就标记为异常。第三层是趋势监控：如果连续多个工件的测量值都偏向公差上限或下限，说明系统在漂移，需要重新标定或者检查设备。

5.4 代码封装和参数管理

Halcon的算子调用比较繁琐，参数很多。如果每个测量任务都从头写一遍，代码会很难维护。我通常会把测量逻辑封装成函数或者过程，把关键参数（Sigma、Threshold、Alpha、Low、High等）作为输入参数，把测量结果和状态码作为输出。

参数管理也很重要。不同批次、不同材料的工件，最佳参数可能不一样。我通常会把参数存在配置文件或者数据库中，根据工件型号自动加载。这样换型的时候只需要切换参数集，不需要改代码。

* 封装后的测量函数示例 measure_rectangle_distance (Image, RowCenter, ColCenter, Angle, \ MeasureWidth, MeasureHeight, Sigma, Threshold, \ CalibrationFactor, Distance, Status) * 内部实现 gen_measure_rectangle2 (RowCenter, ColCenter, Angle, MeasureWidth/2, \ MeasureHeight/2, ImageWidth, ImageHeight, \ 'bilinear', MeasureHandle) measure_pos (Image, MeasureHandle, Sigma, Threshold, 'all', 'all', \ RowEdge, ColEdge, Amplitude, DistancePixel) if (|DistancePixel| == 1) Distance := DistancePixel[0] * CalibrationFactor Status := 'OK' else Distance := 0 Status := 'FAILED' endif close_measure (MeasureHandle)

这段代码里，Status用来标识测量是否成功。如果measure_pos返回的距离数组长度不是1，说明检测到了多个边缘或者没有检测到边缘，测量失败。实际项目中，还可以根据Amplitude的值来判断边缘质量，如果幅度太低，即使检测到了边缘，结果也不可靠。

6. 几个容易被忽略但很致命的细节

6.1 图像采集的触发时机

测量精度不仅取决于算法，还取决于图像采集的时机。如果工件在运动过程中采集，运动模糊会直接毁掉边缘质量。我见过一个项目，传送带速度是0.5m/s，曝光时间设了10ms，运动模糊量是5个像素，边缘过渡带宽度直接翻倍，测量精度从0.02mm降到0.1mm。后来把曝光时间降到1ms，配合频闪光源，问题才解决。

所以如果工件是运动的，要么用频闪光源配合短曝光，要么用全局快门相机，要么在工件静止时采集。运动模糊是测量精度的大敌，再好的算法也救不回来。

6.2 镜头畸变的校正

广角镜头或者短焦镜头的畸变比较明显，尤其是图像边缘区域。如果测量区域靠近图像边缘，畸变会导致测量误差。Halcon提供了change_radial_distortion_cam_par和change_radial_distortion_image算子来校正畸变。校正后的图像边缘更直，测量精度更高。

但畸变校正会引入插值误差，而且校正后的图像尺寸会变化，标定系数也需要重新计算。所以如果测量区域在图像中心附近，畸变影响不大，可以不做校正。如果测量区域靠近边缘，或者精度要求很高，建议做校正。

6.3 亚像素精度的真实含义

Halcon宣传的亚像素精度是0.02像素，但这个精度是在理想条件下测出来的。实际项目中，受噪声、光照、边缘质量的影响，真实精度可能只有0.1~0.2像素。所以不要迷信标称精度，要用实际工件做重复性测试。我通常的做法是：同一个工件连续测量30次，计算标准差。如果标准差小于0.05像素，说明系统很稳；如果大于0.2像素，说明系统有问题，需要排查。

重复性测试还有一个好处：可以发现系统性误差。如果30次测量的均值和你用更高精度仪器测出来的值有固定偏差，说明标定系数有问题，需要重新标定。

6.4 温度对测量结果的影响

温度变化会导致工件热胀冷缩，也会导致相机和镜头热胀冷缩。对于金属工件，温度每变化1度，尺寸变化约0.01~0.02mm（取决于材料的热膨胀系数）。如果车间温度波动5度，测量误差可能达到0.1mm。所以高精度测量场景下，要么在恒温环境下测量，要么对测量结果做温度补偿。

温度补偿的做法是：测量工件温度，根据材料的热膨胀系数计算尺寸修正量。比如钢的热膨胀系数是11.5×10^-6/度，50mm的工件温度升高5度，尺寸增加约0.003mm。这个修正量虽然小，但对于要求±0.01mm的测量，不能忽略。

6.5 测量结果的滤波和趋势分析

单次测量结果可能有噪声，直接用于判定可能会误判。我通常会对连续多次测量结果做滑动平均或者中值滤波，用滤波后的值做判定。这样既能保留真实的变化趋势，又能抑制随机噪声。

趋势分析也很重要。如果测量值随时间单调变化，说明系统在漂移，可能是温度变化、光源老化、或者机械松动。这时候需要及时排查，而不是继续用漂移后的结果做判定。

7. 写在最后：一些个人体会

做Halcon矩形边缘距离测量这些年，我最大的体会是：算法只是工具，真正决定测量精度的是成像系统和机械结构。一个设计良好的成像系统，用最简单的measure_pos就能拿到稳定的结果；一个设计糟糕的成像系统，用再复杂的算法也救不回来。

所以每次接到新项目，我第一件事不是写代码，而是看图像。看边缘质量、看光照均匀性、看背景干扰、看工件姿态。图像质量过关了，算法选择就是水到渠成的事。图像质量不过关，先调光源、调镜头、调机械结构，把图像质量提上去，再考虑算法。

还有一个体会是：不要追求极致的精度，要追求极致的稳定性。0.01mm的精度如果只能保持5分钟，不如0.05mm的精度保持8小时。工业现场要的是稳定可靠，不是实验室里的极限指标。所以我在选型和调参时，总是留足够的余量，宁可精度低一点，也要保证长时间稳定运行。

最后，Halcon的文档和例程非常丰富，遇到问题先查文档，再查例程，最后再上网搜。很多问题其实文档里都有答案，只是你没找到。我见过太多人一遇到问题就上网搜，搜到的答案往往不完整或者不适用，反而浪费更多时间。养成查文档的习惯，长期来看效率更高。