机器人从固定治具上拿零件时，视觉系统并不一定复杂。工件每次出现在相近高度，朝向也比较稳定，普通二维相机配合合适光源就能够完成不少定位任务。真正让设备调试变得困难的，是零件离开固定位置以后。料箱里的工件高低不同，有的压在下面，有的斜靠在侧面；输送线上产品规格变化，顶部高度并不一致；码垛后的包装箱已经不是简单判断“中心在哪里”，还要知道最上层到底处在什么高度。3D相机正是进入这些工位以后，把视觉系统能够看到的信息从平面图像扩展到深度和空间轮廓，让控制系统不仅知道目标在画面里的横向和纵向位置，还能够进一步获得与高度、表面形状和姿态有关的信息。

机器人无序抓取是比较典型的应用。金属零件或者塑料件散放在料箱中，人工能够很快看出哪只零件在最上面、哪只已经被其他工件挡住，机器人却需要把这些空间关系转成可计算的数据。二维图像中，两个外形相似的零件可能发生重叠，仅从亮暗和边缘很难准确判断谁在上面。3D相机获取深度信息后，视觉软件可以结合实际项目识别可抓取目标，再把目标位置和姿态提供给机器人系统。机器人最终怎样接近、夹爪从哪个方向进入、抓取以后怎样避开料箱边缘，仍然需要机器人程序和路径规划完成，相机负责的是给系统提供更完整的空间信息，并不是拍到3D图像以后机械臂就会自动完成所有动作。

装配设备中也会遇到类似问题。工件虽然不是散乱堆放，但来料高度存在差异，治具又需要判断零件有没有完全落到底部。如果只看平面轮廓，零件放在孔位上方和真正压入到位时，俯视图可能非常接近；加入高度信息以后，检测系统才有机会判断装配状态是否符合设定条件。对于带台阶、凹槽、凸起或其他立体特征的产品，3D轮廓数据还能帮助设备检查表面结构，而不是只判断颜色和二维边缘。

真正需要解决的不是“有没有3D”，而是哪一部分空间信息对设备有用

工业现场采用3D视觉，很容易一开始就把注意力放到点云数量、分辨率和测量范围上。设备真正能不能用好，往往先取决于检测任务是否定义清楚。机器人需要的是工件抓取姿态，尺寸设备需要的是某个高度差，装配检测可能只关心零件有没有高出基准面。如果这些需求没有先明确，再丰富的三维数据也只是大量需要后续处理的信息。

料箱抓取尤其不能只看相机。工件材质、表面反射、形状重复、遮挡程度以及夹具结构都会影响最终方案。视觉系统找到目标以后，机器人末端执行器是否能够真正伸进去，旁边零件会不会挡住夹爪，抓起一只以后其他工件是否发生移动，都需要在整机调试中验证。某些零件适合平行夹爪，有些更适合真空方式，3D相机提供坐标并不替代这些机械设计。

现场工程人员因此通常更关心完整节拍。获取三维数据需要时间，识别需要时间，机器人规划和抓取同样占用节拍。检测结果非常精细，如果处理时间明显超过生产要求，方案仍然需要重新权衡。视觉参数必须服务机器生产，而不是单独追求一张数据最丰富的三维图。

安装位置改变几毫米，机器人坐标关系都可能重新确认

普通检测相机安装完成以后，支架只要足够稳定，后期很少有人去碰。3D相机与机器人配合使用时，相机和机器人之间往往存在明确的空间坐标关系，安装位置变化会直接影响后续转换结果。设备运输、相机支架受到碰撞或者维修人员拆下相机清洁后重新安装，都可能让原来的标定关系发生变化。

因此相机支架本身不能只考虑“能够固定”。刚性、安装基准和后期能否重复恢复位置都很重要。设备厂如果需要经常拆装相机，最好在机械设计阶段考虑重复定位方式，而不是每次安装后依靠肉眼找回原角度。视觉系统长期稳定，很多时候并不是软件算法没有变化，而是机械位置一直没有被破坏。

标定资料也属于设备维护内容。机器人、相机或末端工具发生调整以后，是否需要重新执行相应标定，应根据具体系统设计判断。现场最忌讳的是机器人抓取位置逐渐出现偏差，只在程序里不断增加补偿量，最后没人知道偏差来自视觉、机器人、夹具还是相机机械位置。先确认机械基准，再检查标定和算法，排查思路会清楚很多。

反光、黑色和复杂表面，仍然会考验现场成像条件

3D相机能够获得深度，不代表任何材料都能够在任何条件下稳定测量。金属亮面、深色材料、透明或半透明物体以及复杂曲面，都可能给具体三维成像方式带来不同难度。实际产品采用的3D测量原理也并不完全相同，项目选型需要结合目标物、距离、视野和精度要求确认。

机加工零件尤其容易遇到表面反光。设备厂在实验室拿一只干净零件测试效果很好，真正生产以后工件表面带油，状态发生变化，成像条件也可能改变。因此视觉测试最好使用接近真实生产状态的样品，而不是只用最容易识别的一件样品。不同批次、不同表面状态以及允许出现的极端姿态都应加入验证范围。

环境光也不能完全忽略。生产现场灯光、阳光和设备自身照明可能发生变化，具体3D相机对环境条件的适应能力需要根据产品资料和现场测试判断。机器视觉系统稳定的关键从来不是“相机参数够高”，而是现场最差条件出现时仍然能够获得足够可靠的数据。

3D检测开始进入尺寸与外形判断，接触式测量并不会因此消失

高度差、平面度趋势、体积、轮廓和装配状态等项目都可能利用3D视觉进行非接触检测。它的优势之一，是工件不必每次与测头发生机械接触，适合在线检测和多点轮廓获取。一件产品经过工位，视觉系统能够一次得到较大范围的表面信息，再根据软件规则判断不同区域。

但3D相机并不是所有精密尺寸检测的直接替代品。设备要求的测量精度、重复性、基准和质量判定方式不同，传统量具、位移传感器以及专业测量设备仍有各自用途。产品是否适合采用视觉测量，需要看具体公差和工艺要求，不能因为能够生成三维模型就自动等同于高精度计量系统。

更现实的使用方式，是把3D视觉放到它擅长的位置。产品明显缺件、高度异常、轮廓不对或者装配姿态错误，可以在线快速发现；需要非常严格尺寸确认的项目，再采用相应测量方式。视觉系统与其他检测手段合理分工，比让一套相机承担所有质量判断更加可靠。

设备换产品以后，3D视觉的优势才更容易被终端工厂感受到

固定专机只生产一种零件，而且治具定位已经非常稳定，很多任务用简单传感器或二维视觉就能够完成。生产线开始频繁换型以后，产品宽度、高度、摆放姿态都可能变化，机械定位结构如果每个型号都做一套，换线工作会越来越重。

3D相机能够给设备提供更多空间数据，使部分工位在产品变化后通过程序和参数调整适应新对象，减少完全依赖固定机械位置的程度。但这种柔性也有边界，新产品的尺寸超出原相机视野、机器人抓取范围或者夹具能力以后，仍然需要机械修改。视觉增加的是适应空间，不是让设备失去所有物理限制。

终端工厂真正看重的是换型以后设备还能不能稳定生产，而不是屏幕上能不能显示漂亮的三维点云。新产品导入时，如果工程人员只需要更新对应视觉参数、抓取规则和少量程序，就能比重新制作复杂定位机构节省不少调试工作。对于多品种自动化设备，这也是3D视觉比单纯“看得更立体”更实际的价值。

3D相机进入工业设备以后，并没有改变机器视觉最基本的逻辑：先把真实工件转换成可靠数据，再让控制系统根据这些数据决定后续动作。区别在于过去主要处理长度和宽度方向，现在高度、表面和空间姿态也进入了同一套自动判断过程。

机器人面对的工件不再永远整齐摆放，生产设备也不再只检测平面标签和简单轮廓。料箱抓取、柔性装配和立体外形检测这些工位出现以后，设备需要知道的不只是“东西在哪里”，还需要知道“它现在以什么姿态放在那里”。3D相机正是围绕这一类空间信息需求进入自动化工作站。