摘要：工业相机分辨率选型不靠经验预判，而是基于「视野尺寸、检测精度、冗余系数」三项参数科学反推所需像素数。本文以 16 mm × 12 mm 视野、0.02 mm 检测精度为例，演示横向 2400、纵向 1800 的分辨率计算过程，并验证 2448 × 2048（约 500 万像素）相机可满足需求。同时指出分辨率并非越高越好——高像素会带来带宽、存储与算法速度的代价，选型应精准匹配、按需平衡。
做机器视觉检测的工程师，大概率都踩过这样的坑：为了保证检测精度，盲目选配高像素工业相机，结果设备帧率暴跌、系统卡顿、存储带宽过载；或是贪图低成本选了低分辨率相机，最终缺陷漏检、精度不达标，设备无法投产。那么，工业相机的分辨率到底该怎么算？
其实工业相机选型从不靠经验预判，掌握核心原理和计算公式，就能轻松选出适配产线的最优方案。
我们知道，图像是由一个个**像素（Pixel）**组成的。
如果把一张图像比作一张地图，那么像素就是地图上的网格。
网格越细，你能看到的细节就越多。
那像素是怎么形成的？
像素是芯片上对应的每一个像元（Photodiode）产生的灰度信息。光线打在像元上，转化成电信号，再变成我们看到的那个小方块。每一个像元记录一个点的明暗，成千上万个像元拼在一起，就形成了我们看到的图像。
说清了像素，分辨率就好理解了。**分辨率，就是指相机芯片靶面上所有像元的总数量。**它通常用「横向像元数 × 纵向像元数」来表示。例如：
1600 × 1200 ≈ 192 万 ≈ 200 万像素
也就是说，这块芯片的靶面上，横着排了 1600 个像元，竖着排了 1200 个像元，加起来约 200 万个。我们平时说的「200 万相机」「500 万相机」，指的就是这个总数。
分辨率的物理意义很直接：靶面上的网格越密，单位面积里能分辨的细节就越多。
光懂概念不够，落到选型上，我们要反着算：需要多大的分辨率，才能看清我要看的缺陷？
核心思路是——先确定「视野」和「精度」，再反推所需像素数。
已知条件
·视野大小：16 mm × 12 mm（相机一次能拍到的范围）
·检测精度：0.02 mm（要求能识别的最小特征尺寸）
为了让边缘提取更稳定，工程上不会用「1 个像素对应 1 个缺陷」，而是留出冗余系数。通常取3～5 个像素对应一个最小缺陷特征，以抵消边缘提取时的像素偏移误差。
所需横向分辨率 = 视野横向 ÷ 精度 × 冗余系数
所需纵向分辨率 = 视野纵向 ÷ 精度 × 冗余系数
代入数值（冗余系数取 3）：
· 横向分辨率 = 16 ÷ 0.02 × 3 = 2400
· 纵向分辨率 = 12 ÷ 0.02 × 3 = 1800
对照相机参数表，选择2448 × 2048（约 500 万像素）的相机即可满足。
选型完成后，我们也可以反过来验证每个像素代表多大尺寸：
横向精度 = 视野横向 ÷ 相机横向像素 = 16 ÷ 2448 ≈ 0.0065 mm/像素
也就是说，这台 500 万相机里，每一个像素约代表 0.0065 mm——远优于 0.02 mm 的检测要求，余量充足。
结论先说在前面：分辨率并非越高越好。
视野越大，在同等分辨率下，单像素代表的实际尺寸就越大，精度就越低；反过来，精度要求越高，需要的像素就越多。这是一个此消彼长的关系。
但高分辨率是有代价的：
· 海量数据 → 占用大量带宽；
· 大文件 → 消耗更多存储；
· 处理变慢 → 拖慢图像算法速度，导致系统卡顿、节拍跟不上。
所以，盲目堆分辨率，往往换来的是产线效率下降和成本虚高。
工业相机分辨率选型的核心，从来不是参数越高越好，而是精准匹配、按需选型。结合视野尺寸、检测精度、冗余系数科学计算，平衡检测精度、运行速度与设备成本，才能选出最适配产线的工业相机，让机器视觉检测更精准、更高效、更稳定。
本文为机器视觉选型科普内容。如需工业相机与视觉方案选型支持，欢迎了解致瑞图像提供技术服务。
