机器视觉中的曝光时间与增益如何控制？-

在机器视觉系统中，曝光时间（Exposure Time）和增益（Gain）是影响图像质量的核心参数，二者共同决定了图像的亮度、

噪声和动态范围。以下从原理到实践，逐步解析其控制逻辑与优化策略。

一、曝光时间（Exposure Time）

1. 基本原理

曝光时间的定义：传感器感光元件（如CMOS/CCD）接收光信号的时间长度，单位为微秒（μs）或毫秒（ms）。

1）逐行曝光（Rolling Shutter）：

常见于CMOS传感器，逐行按顺序曝光，不同行的曝光时间存在微小延迟。

优势：功耗低，适合动态场景（如运动物体）。

缺点：高速运动物体可能产生“果冻效应”（Jello Effect）。

2）全局曝光（Global Shutter）：

所有像素同时曝光，适合高精度静态场景（如工业检测）。

缺点：成本高，功耗大。

2. 曝光时间的控制逻辑

1)手动控制：

通过软件（如Halcon、OpenCV）或硬件接口直接设定固定曝光时间。

示例：在光照稳定的工业环境中，设定曝光时间为8ms以匹配流水线速度。

2)自动曝光（AE, Auto Exposure)：

系统根据图像亮度动态调整曝光时间。

算法逻辑：

a)计算图像平均灰度值（或ROI区域亮度）。

b) 若亮度低于阈值（如100/250），则增加曝光时间；若过曝则减少。

c) 结合反馈循环（如PID控制）平滑调整。

3. 曝光时间对图像的影响

亮度：曝光时间越长，图像越亮，但过曝会丢失高光细节。

动态模糊：曝光时间过长时，运动物体模糊（需根据物体速度调整）。

噪声：曝光时间本身不直接引入噪声，但低光下需配合增益调整。

二、增益（Gain）

1. 增益的定义与类型

1)模拟增益：在传感器内部放大模拟信号（电压），提升信号强度。

优点：放大信号的同时放大噪声，但信噪比（SNR）相对稳定。

缺点：动态范围降低（高增益下饱和更快）。

2)数字增益：对数字化后的图像数据进行乘法放大（如将像素值×1.5）。

缺点：放大噪声，导致图像颗粒感增强。

2. 增益的控制逻辑

1)手动控制：直接设置增益值（如0dB~24dB）。

示例：低光环境中设定增益为12dB以提升亮度。

2)自动增益控制（AGC, Auto Gain Control）：

与自动曝光协同工作，优先通过调整曝光时间满足亮度需求，不足时再增加增益。

典型策略：

a) 曝光时间拉满仍欠曝 → 提升模拟增益。

b) 避免数字增益（优先保留原始信号质量）。

3. 增益对图像的影响

亮度：增益越高，图像越亮。

噪声：增益放大信号的同时放大噪声（尤其是暗部），导致SNR下降。

动态范围：高增益下传感器的饱和阈值降低，高光区域细节丢失更快。

三、曝光时间与增益的协同优化

1. 核心原则

优先调整曝光时间：在允许的范围内尽可能延长曝光时间，减少增益依赖。

增益作为补充：当曝光时间受限于运动模糊或帧率时，再逐步提升增益。

2. 场景化调整策略

高速运动场景（如传送带检测）：

缩短曝光时间（如1ms）以冻结运动 → 需提高增益补偿亮度。

噪声问题可通过后续算法（如降噪滤波器）缓解。

低光静态场景（如显微镜成像）：

延长曝光时间（如100ms）→ 关闭增益以保留细节。

若需实时性，可适当增加模拟增益（如6dB）。

高动态范围场景（如强光与阴影共存）：

多帧曝光（HDR技术）：短曝光捕获高光细节，长曝光保留暗部。

单帧下需权衡曝光与增益，避免局部过曝或欠曝。

3. 硬件与算法的协同

1)硬件支持：

某些传感器支持双增益模式（Dual Gain）：同时输出低增益和高增益图像，后期融合以扩展动态范围。

抗溢出门（Anti-Blooming Gate）：防止过曝像素电荷溢出到相邻像素。

2)算法补偿：

非均匀性校正（NUC）：消除增益引入的固定模式噪声。

暗电流补偿：长曝光时扣除传感器热噪声。

四、实践案例

案例1：食品分拣流水线

- **需求**：检测高速移动的包装缺陷，避免模糊。

- **参数设置**：

- 曝光时间：2ms（冻结运动）。

- 增益：18dB（补偿低曝光亮度）。

- 结果：图像轻微噪声，但通过形态学算法仍可准确识别缺陷。

案例2：半导体晶圆检测

- **需求**：高精度识别微米级划痕，要求低噪声。

- **参数设置**：

- 曝光时间：50ms（静态场景）。

- 增益：0dB（禁用增益）。

- 结果：图像信噪比高，缺陷对比度清晰。

五、总结

曝光时间决定“光量积累”，影响动态模糊与亮度；

增益决定“信号放大强度”，影响噪声与动态范围；

协同优化需平衡场景需求（速度、噪声、动态范围），结合硬件特性与算法补偿。

在实际应用中，通过实验标定不同光照条件下的最佳参数组合，并利用自动曝光/增益算法实现动态适应，是提升机器视觉系统鲁棒性的关键。