基于工业视觉的PCB板卡一致性检测：从方案到Matlab实现

在电子制造行业摸爬滚手的这些年，我经手过的视觉检测项目少说也有几十个，但PCB电子板卡的一致性检测始终是个让人既头疼又上瘾的领域。头疼在于它牵扯的变量太多——光照、位姿、元件批次、焊点反光，稍微一个条件波动，检测结果就能给你上演一出“变脸”；上瘾则在于，一旦你把这条链路跑通了，从图像采集到算法判定再到产线联动，那种把不可控变成可控的成就感，是其他项目很难替代的。这篇内容就是围绕“基于工业视觉的电子板卡一致性检测”这个话题，结合我在Matlab环境下的实际开发经验，把从方案设计到代码落地的完整思路、关键参数计算和排坑记录，一次性讲透。

不管你是刚接触工业视觉的学生，还是已经在产线上折腾过几套检测设备的工程师，这篇文章都适用。我会尽量用“咱们一起调程序”的口吻来写，而不是给你堆一堆看不懂的公式。毕竟视觉检测这东西，理论是骨架，但真正决定项目能不能验收的，往往是那些文档里不会写的细节。

1. 整体方案设计：一致性检测不是简单的“找不同”

1.1 先搞清楚“一致性”到底在测什么

很多人一听“PCB一致性检测”，第一反应就是“拿两张图做差分嘛”。实操过就知道，事情远没那么简单。一致性检测的核心不是“图像不同”，而是“电气性能和生产工艺是否在允许公差范围内保持一致”。一块PCB板卡，哪怕是同一批次、同一台贴片机打出来的，也存在元件本体印刷色差、焊点光泽度差异、丝印轻微偏移等正常波动。真正需要拦截的，是缺件、错件、反件、桥连、虚焊这五类致命缺陷。

所以方案设计的第一步，不是急着写算法，而是和工艺工程师一起定义“一致性”的判定标准。比如某个0402电阻，允许的旋转角度偏移是多少？焊盘上锡面积低于多少百分比算虚焊？丝印字符的OCR置信度阈值设多少？这些参数如果不定清楚，后面所有算法调优都是在沙滩上盖楼。

我在做这类项目时，会先建一个“缺陷分级表”，把每个检测项分成致命缺陷（必须拦截）、严重缺陷（报警待人工复判）和轻微缺陷（记录但放行）。这个表看起来简单，但它是整个视觉系统逻辑的基石，也直接决定了后面代码里ROI区域划分的粒度和分类器的输出设计。

1.2 为什么选Matlab做算法原型而非直接上C++

工业现场最终部署大概率是C++配合Halcon或OpenCV，但我强烈建议在项目启动阶段用Matlab先跑通算法。原因有三点：

第一，Matlab的Image Processing Toolbox和Computer Vision Toolbox里，像imfindcircles、detectSURFFeatures、fitgeotrans这些函数，封装度极高，十几行代码就能验证一个思路的可行性。如果一上来就用C++写底层，光图像校正和特征提取就得耗掉两三周，而用Matlab可能一个下午就能出初步结果。

第二，Matlab的App Designer和Live Script很适合做算法参数的交互式调试。比如焊点检测的灰度阈值，用一个Slider控件拖一拖，立刻能看到二值化效果的变化。这种直观反馈对参数敏感性分析特别有价值，也能帮你在项目评审时快速向非技术背景的同事展示检测逻辑。

第三，Matlab对科研和算法创新的支持更友好。如果你的项目偏研究性质，比如要尝试深度学习做缺陷分类，Matlab的Deep Learning Toolbox里可以直接导入ONNX模型，甚至用Experiment Manager做批量对比实验，这在纯C++环境下折腾成本很高。

当然，Matlab的短板也明显：部署时需要运行时环境，实时性受解释型语言限制。所以我的建议是，Matlab做算法验证和参数标定，确定最优方案后，再翻译成C++或者生成C代码部署到工控机。这个流程我在多个项目里验证过，能省掉大量返工时间。

1.3 系统架构的顶层设计视角

一致性检测系统从物理架构上分四个模块：图像采集模块、光源控制模块、算法处理模块、结果通信模块。很多初学者把精力全放在算法上，但项目实际出问题最多的往往是前两个模块。

图像采集模块的关键是相机、镜头和采集卡的匹配。这里有一个核心计算：视野范围（FOV）与分辨率的关系。假设你要检测一块200mm×150mm的板卡，最小的缺陷是0.3mm的元件引脚桥连，那么按工业经验，至少要让缺陷区域占据3×3像素以上才能被稳定识别。这样算下来，需要的分辨率就是：200mm / (0.3mm/3) ≈ 2000像素，150mm / (0.1mm) ≈ 4500像素，但实际单相机很难达到这个指标，所以常见的做法是分区拍摄，把板卡分成几个FOV区域，每个区域拍一张高清图。

光源控制模块涉及的是照明方案。PCB检测最常用的是环形低角度光源加同轴光组合，低角度光用来突出焊点和元件轮廓，同轴光用来压制元件本体的反光干扰。光源控制器还要通过IO触发和相机硬同步，确保每次拍照时光照条件一致，这是“一致性检测”这个概念的物理基础——如果两次拍照的光照都不同，那算法再准也白搭。

2. 相机、镜头与光源的选型：从参数到现场经验

2.1 分辨率、靶面尺寸与镜头焦距的联动计算

选相机不是像素越高越好，而是要看“单位像素对应的物理尺寸”是否满足检测精度。这里有一个从业者都该刻在脑子里的概念：像素当量（Pixel Size in Object Space），即每个像素代表的实际物理长度。

计算公式是：像素当量 = FOV宽度(mm) / 相机水平分辨率(pixel)。

举个例子，如果FOV是60mm宽，相机是500万像素（2448×2048），那么水平方向的像素当量就是60/2448 ≈ 0.0245mm/pixel，也就是说一个0.3mm的引脚缺陷在图像里约占12像素，完全够检测了。但如果采集卡或传输带宽限制导致只能跑200万像素，像素当量变成0.05mm/pixel，同样的缺陷只占6像素，算法就得靠边缘拟合和亚像素处理来补，难度和误判率都会明显上升。

镜头焦距的选取则根据工作距离来定：焦距 f = 工作距离(D) × 靶面高度(H) / FOV高度(V)。假设靶面高度是3.6mm（1/2.7英寸相机），工作距离定在200mm，FOV高度要做60mm，那么代入公式：f = 200×3.6/60 = 12mm。所以在常见VisionChina等品牌镜头里，选12mm或16mm定焦就能满足需求。定焦比变焦靠谱，因为变焦镜头在多次调节后容易产生微小的光轴偏移，给“一致性”埋雷。

2.2 光源角度和光谱的讲究

PCB上的元件五花八门，有镜面的IC表面、粗糙的电阻端头、球形的电容焊点，它们对光的反射特性完全不同。所以光源设计不能一招鲜。

我常用的光源策略分三层：

• 同轴光负责IC引脚和丝印区域，它发出的光垂直照射、垂直反射，能清晰呈现平面纹理。
• 低角度环光负责BGA焊点和QFP引脚，低角度入射光会让焊点的曲面产生明暗梯度，焊点饱满与否一览无遗。
• 背光源用在板卡外围轮廓检测上，用来提取板卡边缘和定位基准点。

光源的颜色也讲究。绿色光（520nm左右）是PCB检测的黄金波长，因为绿光在绿色阻焊层上的反射对比度最好，而且能有效抑制环境光的干扰。如果在灯光下加装偏振片，还能进一步消除金属表面的镜面眩光。我在实验室对比过同一块板子在白光和绿光下的检测效果，焊点边缘的清晰度能提升20%以上。

2.3 硬件触发的同步与抖动控制

工业视觉检测最怕的一件事是“图像糊了”。很多糊图不是运动速度过快，而是触发时序不对。相机采集和光源闪光必须严格同步：光源控制器要先收到触发信号、稳定输出后再曝光，曝光完成后再传输图像。这个时间差通常在几十微秒级别，但一旦错位，板子移动过程中就会产生拖影。

在Matlab里做硬件同步调试时，我一般通过videoinput的TriggerRepeat属性设置连续触发模式，再配合manual触发源，确保每帧图像都是在光源稳定后采集的。同时要把ROIPosition设置成只采集板卡所在区域，既减小了数据传输负担，也避免了对焦平面外的无效信息干扰。

2.4 校准与标定的工程细节

硬件装好之后，一定要做两项标定：光学畸变标定和像素当量标定。我见过太多团队跳过这一步直接跑检测算法，结果板卡边缘的定位误差大到2~3个像素，稳定性极差。

畸变标定用Matlab自带的cameraCalibrator就能做，打印一张棋盘格标定板，从不同角度拍20张左右，自动算出内参和畸变系数。像素当量标定更简单，拿一把已知精度的游标卡尺放在FOV里拍一张图，算出像素数和实际尺寸的比值就行。但记住，每次重新调整相机高度、焦距或光圈之后，都要重新做一次标定。这个动作应该写进产线的点检表里，不能靠自觉。

3. 图像预处理与配准：一致性检测的“地基工程”

3.1 光照不均的校正策略

即使有光源系统，PCB板面也难免存在中心亮、边缘暗的情况，这就是光照不均。直接拿这种图做差分，边缘区域会产生大量伪差异，严重影响检测准确率。

处理光照不均，我最常用的套路是形态学背景估计。用imopen和imclose配合一个尺寸大于最大特征的结构元素（比如50×50的圆盘），提取出图像的背景亮度分布，然后用原图减去背景图，就能拉平光照。这个方法比高斯拉普拉斯更稳，因为它对随机噪声不敏感。

操作示例：

% 读取图像 img = imread('pcb_sample.bmp'); imgGray = rgb2gray(img); % 背景估计与补偿 se = strel('disk', 50); bg = imopen(imgGray, se); bg = imclose(bg, se); imgFlat = imsubtract(imgGray, bg); imgFlat = imadjust(imgFlat);

用imadjust把灰度范围拉伸到0~255，能够显著提高焊点和引脚的对比度。这一步做完，后面无论是差分还是特征匹配，都会轻松不少。

3.2 图像配准：解决“板子放歪了”的老大难问题

再稳定的夹具也不敢保证每次板卡摆放位置分毫不差，所以一致性检测前必须做图像配准，把当前图像变换到模板图像的位置坐标系下。

配准的流程是：先提取特征点，再估计几何变换模型，最后做图像变换。Matlab里最顺手的是estimateGeometricTransform2D，配合SURF或ORB特征点。对于PCB这种包含大量直线和角点的图像，我倾向于先用detectFASTFeatures找角点，再用extractFeatures算描述子，最后用matchFeatures做特征匹配。相比之下，SURF对于大尺寸图像会稍微慢些，FAST在这个场景下速度与精度更平衡。

变换模型的选择上，如果板卡只是平移和轻微旋转，用affine就够了；如果相机角度有偏差或板卡有透视变形，需要用到projective。注意，变换模型用得过猛（比如projective用在只需affine的场景），会把微小的正常变形放大，产生虚假的检测差异。

配准之后的图像，需要做像素级对齐。有时候imwarp之后的图像会在边缘产生一些插值伪影，所以我会建议在配准后保留一个安全边距，ROI都不要贴着图像边界。

3.3 模板的建立与更新机制

一致性检测绕不开“模板”。模板图的建立不能简单拍一张好板子完事，而是应该从多个合格板卡里综合生成。我通常的做法是采集20~30片确认无缺陷的板卡，做配准后，对每个像素取灰度中值或均值，生成一张标准模板图。如果是深度学习方案，模板还可以作为训练集的基准，配合数据增强生成更多样本。

模板也需要“保养”。当产线换了元件批次，元件颜色和封装可能有细微差异，继续用旧模板会误报率飙升。这时需要重新采集合格样品更新模板，但更新前必须经过工艺和品质部门确认——“新板子确实没问题”才能当模板，否则会把新缺陷学进去。

4. 核心算法实现：从差分检测到深度学习的进阶之路

4.1 灰度差分与阈值分割的界限在哪

模板配准做完之后，最直接的检测手段是灰度差分。把待检图和模板图逐像素相减，得到差分图，再通过阈值二值化提取异常区域。这里的关键是阈值的选取，我习惯用自适应阈值而非固定阈值。

自适应阈值的经典实现是Otsu方法（graythresh），但Otsu对缺陷面积占比很敏感。如果缺陷区域很小（比如只有几百像素），Otsu的阈值会偏向背景，分割不出来。更可靠的方案是基于局部统计的阈值：对差分图做滑窗统计，每个窗口内部计算均值和标准差，如果某点的偏离超过k倍标准差（k取3到5），就认为是异常点。

示例代码：

delta = imabsdiff(imgRegistered, templateImg); % 局部自适应阈值分割 se = strel('disk', 15); localMean = imfilter(delta, fspecial('average', 30), 'replicate'); localStd = stdfilt(delta, ones(15)); mask = (delta - localMean) > 4 * localStd;

用stdfilt算出局部标准差，再结合均值做判定，能极大减少噪声导致的误报。实测下来，这个策略比全局阈值在光照波动场景下的鲁棒性提升了至少30%。

4.2 形态学处理与连通域分析：把“问题区域”拎出来

二值化之后，差分图里往往有大量细碎噪声点，需要用形态学开运算去掉。开运算是先腐蚀后膨胀，作用是把小于结构元素尺寸的孤立点清掉。但结构元素尺寸必须根据最小目标缺陷来定，如果缺陷最小是5×5像素，开运算的结构元素不能大于4×4，否则真实缺陷也会被吞掉。

清理完噪声，用bwlabel或bwconncomp做连通域标记，再通过regionprops提取每个连通域的面积、周长、偏心率、方向角等特征。通过这些特征就能过滤掉一些“看起来像缺陷但不是”的区域，比如一个反光点可能面积很小，一个杂质可能偏心率很大，都能被规则过滤掉。

我做了一个简单的过滤逻辑表：

这一步相当于给算法设定“怀疑门槛”，宁可在后续复判环节多花一点人力，也不要在算法阶段就漏掉真实缺陷。

4.3 特征匹配与分类器：一致性检测的关键进阶

如果板卡上有BGA、QFN这类引脚密集器件，纯灰度差分是不够的，因为焊点的三维形状变化在二维图像里表现得非常微妙。这时候就需要提取局部特征，比如焊点的边缘梯度方向直方图、灰度共生矩阵等。

我在实验里用extractLBPFeatures提取局部二值模式特征，然后训练一个SVM分类器，将每个焊点区域分类为“正常/异常”。在300片板卡、大概3万个焊点的数据集上，SVM的准确率能做到98%左右。如果数据量更大，换成Matlab的fitcecoc多分类器或者直接上深度学习，效果还能更好。

但特征工程有个铁律：特征的选择必须对应物理缺陷模式。比如检测反件，需要重点关注方向性特征；检测虚焊，需要重点关注焊点边缘的阴影梯度；检测错件，需要重点关注丝印区域的字符识别结果。一把抓所有特征，训练出来的模型往往在换产线后迅速失效。

4.4 深度学习辅助：数据增强与迁移学习实战

近几年，基于深度学习的视觉检测已经是主流方向之一。Matlab的Deep Learning Toolbox里，trainNetwork配合imageDatastore就能快速搭建一个分类网络。但对于PCB缺陷检测来说，最大的瓶颈不是网络结构，而是数据量。工业现场真实缺陷样本往往很少，严重的缺陷甚至只有个位数。

应对策略是数据增强和迁移学习的组合。数据增强包括随机旋转、缩放、加噪、弹性形变等，在Matlab里用imageDataAugmenter配置一次，训练时会自动在线增强，把有限的数据“发酵”出更多变体。迁移学习则用googlenet、resnet18这类预训练模型，把最后一层全连接层换成自己的分类层。这样做的好处很明显：即便只有每类100张图，也能训出一个基本可用的分类器，训练时间还能控制在几分钟到十几分钟。

另外一个工程细节是，深度学习的输入图像尺寸，不要盲目统一到224×224，要根据ROI的实际尺寸来定。例如焊点区域原尺寸是32×32，强行压缩放大到224×224反而引入插值噪声，不如把网络第一层输入尺寸调整成64×64或128×128，用'InputSize'参数控制。

5. 实操过程记录：从Matlab代码到可复现的检测Demo

5.1 完整代码流程与参数设置清单

下面是一段我在实际项目中调试过的核心流程，按照“采集→配准→差分→形态学→连通域→判定”的顺序写，附带关键参数说明。

% 1. 采集当前板卡图像 cam = videoinput('winvideo', 1, 'RGB24'); src = getselectedsource(cam); src.ExposureMode = 'manual'; src.Exposure = -6; % 根据现场光照调整，单位与相机驱动相关 triggerconfig(cam, 'manual'); start(cam); trigger(cam); % 硬件触发或手动触发 imgCurrent = getsnapshot(cam); stop(cam); % 2. 图像预处理：直方图均衡化增强局部对比度 imgCurrent = rgb2gray(imgCurrent); imgCurrent = adapthisteq(imgCurrent, 'NumTiles', [8 8], 'ClipLimit', 0.02); % 3. 模板图像加载与配准 % 注意：模板需要预处理流程完全一致，否则配准会失真 load('pcbTemplate.mat', 'templateImg', 'tformRef'); imgRegistered = imwarp(imgCurrent, tformRef, 'OutputView', imref2d(size(templateImg))); % 4. 差分与自适应阈值 diffImg = imabsdiff(imgRegistered, templateImg); se = strel('disk', 3); diffImg = imopen(diffImg, se); % 先开运算去除细碎噪声 localStd = stdfilt(diffImg, ones(11)); threshMask = diffImg > (4 * localStd + 5); % 5为固定偏置，平衡敏感性 % 5. 连通域分析 cc = bwconncomp(threshMask); stats = regionprops(cc, 'Area', 'BoundingBox', 'Centroid'); defectBoxes = []; for k = 1:length(stats) if stats(k).Area > 80 && stats(k).Area < 50000 defectBoxes = [defectBoxes; stats(k).BoundingBox]; end end % 6. 结果可视化与标注 imgMarked = insertShape(imgCurrent, 'Rectangle', defectBoxes, 'LineWidth', 2, 'Color', 'red'); imshow(imgMarked);

这套代码在Matlab R2022a及以上版本跑过很多次，算是很稳定的基线流程。如果你的板卡对比度特别低，可以把adapthisteq的ClipLimit调大一点；如果噪声严重，stdfilt的窗口可以缩到9×9，但窗口太小时对轻微缺陷的响应会变弱，需要在敏感性和稳定性之间做个取舍。

5.2 参数标定的工程化方法

上面的代码里，有两个参数最让人头疼：局部标准差的乘数系数（示例代码中是4）和面积阈值（示例代码中是80）。这里面有讲究，不能拍脑袋定。

我的做法是先用20张正常板卡跑一遍算法，收集这些参数在正常情况下的分布范围。比如乘数系数设定为4时，正常板卡的异常像素数在500~2000之间波动，那么把判定阈值设在3000左右就能保证不误报。再用20张故障板卡（含各类已知缺陷）跑一遍，确认这个阈值能把缺陷都框出来。如果故障板卡有遗漏，就逐步降低乘数系数或增加面积下限，直到达到漏检率0%的临界点，再往回留20%的裕量。

标定完之后，把这些参数固化到一个配置文件中，包括params.pc = 4; params.minArea = 80; params.stdfiltWin = 11;。以后换线体或换产品型号时，直接加载一套新的配方参数，而不是改代码，这才是工业软件该有的姿态。

5.3 部署与通信：把检测结果送到PLC或MES

算法跑通之后，要接上产线的“神经末梢”。现场最常见的需求是，检测完成之后把OK/NG信号发给PLC，让机械手把NG板子剔除，同时把缺陷图片和统计信息上传到MES系统。

Matlab里做TCP/IP通信非常方便。用tcpclient创建客户端，与上位机或者PLC网关建立Socket连接，然后把检测结果打包成JSON或自定义协议发送。下面是一段简化的示例：

% 建立TCP连接，IP和端口按现场网络规划配置 t = tcpclient('192.168.1.100', 5000); % 结果结构体 result = struct('boardId', boardId, 'result', 'NG', 'defectCount', length(defectBoxes)); % 编码为JSON后发送 import matlab.lang.makeValidName s = jsonencode(result); write(t, uint8(s));

这里要注意的是，Socket通信是异步的，现场要求实时性高的话，必须做线程缓冲和重发机制。另外，检测结果的保存路径要按日期和线体分类存放，方便后续质量追溯。我在MES对接上踩过一个大坑：图片命名用了板卡的流水号，但流水号的位数在不同型号板卡间不一致，导致数据表关联时类型不匹配，后来统一改成16位字符串+时间戳的格式才解决。

6. 常见问题与排查技巧实录

6.1 同一缺陷，两次检测结果不一样

这类问题90%出在光照或者触发上。先把相机固定住，用软件连续采集20帧图像，检查每帧图像的灰度均值和方差。如果帧间灰度波动超过2%，优先检查光源控制器是不是有频闪、光源是不是老化、相机是否处于自动增益模式。一定要把相机的自动增益和自动白平衡关掉，全部改为手动设置，并且把曝光时间锁定。工业检测最忌讳“用自动模式测一致性”，那是自欺欺人。

另外一个隐蔽的原因是温度漂移。相机长时间运行后传感器会发热，暗电流增加会导致图像整体变亮。所以现场环境允许的话，最好让相机开机预热15分钟后再开始正式检测，或者在算法里加一个灰度偏移动态校正。

6.2 误报率居高不下，调阈值也没用

如果你的算法把好板子频繁判成NG，先检查图像配准是不是有问题。很多时候板卡稍微歪一点，配准矩阵算得不够精细，焊盘边缘就会出现亚像素级别的错位，在差分图里表现为一条细线，面积也不大不小，特别容易被误判为桥连。解决办法是配准前先做角点检测的亚像素精确定位，使用cornerPoints的subPixelLocation，把特征点定位精度从1像素提升到0.1像素级别。

还有一种情况是板卡表面有助焊剂残留或轻微手印，灰度差异真实存在，但不是致命缺陷。这时候需要把ROI收紧，只检测焊盘和引脚区域，避开大片铜皮和丝印区，或者在分类阶段加一个“疑似缺陷等级”的判断，让这类轻微异常走人工复判而不是直接NG。

6.3 算法在实验室完美，到了现场就失灵

这是工业项目最常见也最打击人的问题。实验室环境干净、光照恒定、板卡少，现场环境灰尘大、震动大、环境光杂散。所以我在实验室阶段就会“故意制造困难”——把光源角度微调、加入日光灯干扰、模拟板卡微小的位置偏移，提前验证算法的鲁棒性。

如果到了现场才发现算法扛不住，紧急处理方案是把检测ROI缩小，只保留下与关键质量相关的区域，减少干扰输入。但这只是临时手段，根本解法还是在方案设计阶段就引入多光源、遮光罩，并且做充分的工程裕量设计。

6.4 关于处理速度：Matlab太慢怎么办

Matlab在处理高分辨率图像时，确实比C++慢不少。如果一张图的算法耗时超过500ms，产线节拍可能就顶不住了。第一步优化是用mex编译关键函数。Matlab的codegen工具能直接生成C代码，我试过把连通域分析部分单独提出来mex化，整体耗时从800ms降到300ms左右。第二步是降低输入图像分辨率，在一些连续检查项里，用1/2或1/4分辨率做初筛，只有初筛有异常的ROI才做全分辨率精查，这种“由粗到精”的级联策略能节省大量时间。第三步是在软件架构上用一个独立线程做算法处理，同时另一个线程做图像采集，两相重叠能让产线在视觉处理周期内不产生瓶颈。

7. 从研究到落地：一致性检测后续还能怎么扩展

项目做到能稳定跑完500片板卡、误报率控制在0.5%以内，其实已经迈过了工业应用的门槛。但这个方向还可以继续深挖下去，我个人最看好两个扩展方向。

第一个方向是多视角融合检测。单相机只能看板卡的一个面，但很多缺陷（比如通孔内壁的铜脱落、连接器引脚的开焊）其实发生在侧面或内部。通过多个相机从不同角度采集，再在算法层做空间融合定位，能够覆盖更多的检测盲区。Matlab在这个方向上的多视角几何工具很成熟，比如estimateFundamentalMatrix、triangulate这些函数都能直接调用。

第二个方向是数字孪生与虚拟调试。在产线还处于设计阶段时，用Matlab仿真生成“虚拟缺陷样本”，比如给正常板卡图像合成一模一样的焊点偏移、桥连效果，用这些仿真样本来预训练算法，到了真机联调阶段就能显著缩短爬坡时间。这一套思路和无人驾驶领域的仿真测试很像，目前电子制造行业里普及度还不高，先跑通的人会有很大的先发优势。

回到我开始说的那句话，一致性检测这个领域，真正的壁垒不在算法，而在工程细节。从光路设计、标定流程到参数配置管理，每一个环节都有可能让精度断崖式下跌。我踩过的那些坑——自动增益没关、模板用了有瑕疵的板子、畸变标定偷懒没做——说出来都是一个比一个简单的失误，但在项目现场都曾让我加班到怀疑人生。如果你正在做类似的PCB检测项目，希望这篇文章里的数据和流程能帮你少走几段弯路。至少下次遇到“同一块板子两次检测结果不同”的问题时，你已经知道该从哪查起了。