工业相机的分辨率选高了未必是好事，选低了AI检测一定做不好——分辨率是决定AI视觉检测能力上限的第一道硬门槛。

这两年制造业里聊AI质检的越来越多，但不少产线负责人踩过的坑是：算法团队调了几个月模型，准确率死活上不去，回头一查，根子出在相机分辨率上。图像源头的信息量不够，再强的深度学习网络也变不出细节来。

一、分辨率到底指什么

工业相机的分辨率，通俗说就是传感器上感光像元的数量，常见表述是"多少万像素"或"横向×纵向像素数"。比如500万像素通常对应2592×1944，1200万像素对应4024×3036。

但真正决定检测能力的不是像素总数，而是被摄物在图像上占了多少个像素。这就引出两个更实用的概念：检测精度和视野范围。视野是相机一次能拍多大面积，精度是每个像素代表实际多少毫米。三者关系很简单：精度约等于视野除以横向像素数。想看得更细，要么提高像素，要么缩小视野，没有第三条路。

二、分辨率如何影响AI检测

AI检测模型本质是在图像上找特征——划痕的边缘、焊点的灰度突变、字符的笔画结构。分辨率不够时，这些特征在成像阶段就被抹平了，模型看到的是一团模糊，训练损失再降也学不到东西。

具体影响体现在三个层面。

一是缺陷检出率。假设某电子厂检测连接器针脚，缺陷宽度0.05毫米。若系统精度只有0.1毫米每像素，这个缺陷连一个完整像素都占不满，成像后基本消失。分辨率提升到0.02毫米每像素，缺陷占据两三个像素，模型才有稳定的识别依据。

二是误判率。分辨率偏低时，正常纹理的细微波动和真实缺陷在图像上长得差不多，模型只能靠猜，过杀率就上去了。这也是很多产线抱怨"AI太敏感"的常见原因，问题不在算法，在成像。

三是检测节拍。高分辨率意味着更大的数据量，传输、推理都更慢。2000万像素的相机跑30帧，对算力和带宽的要求远高于500万像素。所以分辨率不是越高越好，而是要卡在"刚好够用"的位置。

三、几个行业的实际取舍

某电子厂做FPC柔性电路板外观检测，线路宽度普遍在几十微米。这类场景通常需要千万像素级相机配合远心镜头，把精度压到微米级，否则断线、毛刺根本拍不出来。但视野往往只能覆盖几厘米，得靠多工位或运动扫描拼图。

假设一家汽配企业检测铝合金压铸件表面气孔，气孔直径多在0.3毫米以上。这种场景500万像素相机配普通工业镜头就够用，视野可以放到几十厘米，单工位一次拍全。硬上2000万像素，反而拖慢节拍、增加成本。

再看纺织或薄膜行业，检测的是连续卷材上的瑕疵点。这类产线速度快，常用线阵相机，分辨率按行像素数衡量。行频和分辨率要匹配产线速度，选型逻辑和面阵相机完全不同。

四、选型时的几个实操要点

先算精度，再选相机。把最小缺陷尺寸除以3到5，得到需要的像素精度，再乘以视野，就是大致需要的像素数。留这个余量是因为AI模型通常需要缺陷占据多个像素才能稳定识别。

镜头比相机更容易被忽视。高分辨率相机配低解析力镜头，等于白买。镜头的MTF曲线、畸变、景深都要和相机匹配，远心镜头在精密测量场景几乎是刚需。

光源决定分辨率能不能发挥出来。同一条划痕，打光角度差一点，对比度可能差出好几倍。分辨率再高，缺陷和背景灰度接近，模型照样分不出来。成像方案要相机、镜头、光源一起定。

算力要跟得上。分辨率翻倍，数据量翻倍，推理时间也涨。产线节拍卡得紧的，要么用更高性能的边缘计算设备，要么在算法上做裁剪和量化。

五、趋势与判断

一是"够用就好"会逐渐取代"参数堆料"。随着AI模型对小目标检测能力增强，配合合理的光学设计，中高分辨率相机在多数场景已经够用，盲目上高像素只会推高成本。

二是多相机与3D融合变多。单一分辨率解决不了所有问题，2D看表面、3D看高度，多传感器协同是复杂缺陷检测的方向。

三是分辨率与算法协同设计。越来越多方案在选型阶段就把模型需求纳入进来，反推需要什么样的成像参数，而不是先买相机再想办法。

说到底，工业相机分辨率是AI检测的地基。地基打多深，取决于要盖多高的楼。搞清楚最小缺陷尺寸、视野和节拍这三个数，分辨率的选择就不会跑偏。