简介面向秋招求职者的上海柏楚机器视觉测试工程师岗笔试真题整理涵盖15道在线题目与70分钟限时场景适合准备视觉算法、工业相机与测试理论笔试的候选人使用。文档逐题梳理白盒测试、2D变换、相机参数、形态学运算、大津法、条件概率、CCD/CMOS对比、滤波与边缘检测等高频考点并附有图像旋转编程题可用于自查知识盲区与模拟答题节奏。资源为1个docx文档约13KB内容紧凑可直接阅读已有362人学习下载。除客观题外简答题部分还涉及过拟合/欠拟合解决方案、工业相机关键参数、小孔成像模型等能帮助读者快速回顾机器视觉测试岗位的核心理论与典型题型适合作为笔试前冲刺与查漏补缺的参考资料。1. 机器视觉测试工程师笔试到底在筛什么从柏楚24秋招真题看考察主线如果你准备投递柏楚的机器视觉测试工程师岗看到“笔试真题”几个字时第一反应可能是到处搜题库。但真正把卷子做下来你会发现这套题的核心不是在考你会不会背 API而是在筛你有没有工业视觉系统的“全局观”。柏楚做的是激光切割控制系统和工业自动化软件机器视觉测试工程师要面对的从来不是干净的标准图像而是强光、反光、烟尘、抖动叠加出来的真实现场。笔试里反复出现的是标定参数、坐标系变换、缺陷检测用例设计、图像预处理链路这类偏工程落地的问题。适合谁来考有图像处理基础、对 OpenCV 熟悉、又想往工业检测方向转的测试开发。这篇就按笔试的真实考察主线把算法考点、测试用例设计、编程避坑和场景题答题框架一条条拆开讲。2. 机器视觉核心算法考点标定、坐标系与图像处理基本功2.1 相机标定为什么是必考题从内参外参到畸变校正的参数链路机器视觉测试工程师的笔试里相机标定几乎是绕不开的第一关。柏楚这类做激光切割系统的公司视觉模块的作用是引导切割头找准工件位置、识别轮廓、检测切割质量而这一切的前提是知道像素坐标和物理坐标之间怎么换算。如果标定参数错了后面的检测算法写得再漂亮也白搭——图像上偏差 1 个像素到了实际加工坐标可能就是 0.05mm 的误差这在切割场景里直接导致废料。笔试对相机标定的考察方式通常是三个层次第一层是概念问你内参、外参、畸变系数各自描述什么第二层是流程给你一组棋盘格照片让你写出从拍摄到得到标定结果的完整步骤第三层是分析给你一组标定结果的重投影误差数据问你误差偏大时先查什么。前两层靠记忆第三层靠理解。import cv2 import numpy as np # 准备棋盘格的物理角点坐标这里假设格子尺寸 25mm pattern_size (9, 6) objp np.zeros((pattern_size[0] * pattern_size[1], 3), np.float32) objp[:, :2] np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) objp * 25.0 obj_points [] # 世界坐标系下的角点 img_points [] # 图像坐标系下的角点 for img_path in chessboard_images: img cv2.imread(img_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners cv2.findChessboardCorners(gray, pattern_size, None) if ret: obj_points.append(objp) img_points.append(corners) ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( obj_points, img_points, gray.shape[::-1], None, None)这段代码是标定的标准流程骨架。pattern_size是棋盘格的内角点数不是格子数棋盘是 10x7 的格子内角点就是 9x6笔试里很容易在这里埋坑。objp * 25.0这一步把角点坐标从“格数”换算成“毫米”如果忘记乘格子尺寸标定出来的平移向量 tvecs 会整体错乱。最后返回的mtx是内参矩阵dist是畸变系数rvecs和tvecs是每张图的外参。笔试真正想看的是你拿到这套结果之后怎么判断标定质量。最直接的指标是重投影误差就是把标定得到的内外参代回去把世界坐标点重新投影到图像上算投影点和检测角点之间的距离。经验值上平均重投影误差小于 0.1 像素算优秀小于 0.3 像素可用超过 0.5 像素基本要重新拍图。误差偏大的时候优先检查三件事格子是否贴平、拍摄角度是否过大、图片数量是否够10~15 张是底线。我一般会建议多拍一些不同角度和距离的图而不是同一位置拍十几张——后者对提升标定精度几乎没有帮助。2.2 坐标系变换与手眼标定像素坐标到机构坐标的四步换算柏楚这类工业控制场景里相机看到的和机构要动的位置之间差了四个坐标系像素坐标系、图像物理坐标系、相机坐标系、机器人/机构坐标系。笔试经常给一个场景“相机检测到工件中心在像素坐标 (u, v)如何换算成切割头需要移动的目标坐标”这道题看着像数学题实际考的是你有没有做过手眼标定。完整的换算链路是像素坐标先通过内参矩阵转到归一化平面得到相机坐标系下的坐标再通过外参旋转矩阵 R 和平移向量 t转到机构坐标系。多数笔试不会让你手推公式但会给你一个简化的场景相机固定在 Z 轴上方不动机构在 XY 平面运动让你写出换算公式。这种场景叫“眼在手外”是工业现场最常见的布局。import numpy as np # 内参矩阵(来自标定)和手眼标定得到的外参 K np.array([[fx, 0, cx], [0, fy, cy], [0, 0, 1]]) # 相机到机构坐标系的变换 R np.array([[r11, r12, r13], [r21, r22, r23], [r31, r32, r33]]) t np.array([tx, ty, tz]) def pixel_to_robot(u, v, z_c100.0): # 像素坐标转归一化坐标 p_cam np.linalg.inv(K) np.array([u, v, 1.0]) # 乘以相机坐标系下的深度 Zc p_cam * z_c # 通过外参转到机构坐标系 p_robot R p_cam t.reshape(3, 1) return p_robot.flatten()这里最容易出错的是z_c的取值。如果工件放在一个已知高度的平面上z_c就是这个平面在相机坐标系下的 Z 值不是随便填的。笔试如果没给这个值通常意味着默认工件在一个固定高度的平面上或者你需要用“测量高度”的方式先把它标出来。另一种常见错误是把 R 和 t 的方向搞反手眼标定得到的是“相机坐标系到机构坐标系”的变换如果你拿到的是机构到相机的变换直接代进去就会得到完全错误的结果。变形到机构坐标系之后还有个坑机构坐标系的单位可能是毫米但你算出来的值确实也是毫米看起来一致实际却对不上。原因在于手眼标定时用的棋盘格尺寸有没有写对这个细节我反复在踩坑笔试里面也经常以数值题的形式出现。养成习惯任何坐标换算代码里都先确认棋盘格尺寸、像素当量、机构单位这三者的量纲一致能省掉后面一整个下午的排查时间。2.3 图像预处理高频考点阈值分割、滤波与边缘检测的选型逻辑视觉笔试里图像处理题目占比往往最高但考得最多不是背 API而是“给一个具体场景让你选处理方法”。柏楚的激光切割场景里典型任务有找工件轮廓、检测切割线宽度、判别切割断面是否挂渣。这些任务有一个共同难点图像里有强烈的激光飞溅、烟尘、反光干扰直接用固定阈值分割几乎必翻车。import cv2 import numpy as np img cv2.imread(workpiece.png, cv2.IMREAD_GRAYSCALE) # 高斯滤波去噪核大小和标准差是选型关键 blur cv2.GaussianBlur(img, (5, 5), 0) # 大津法自适应阈值适合前景背景灰度差异明显但不均匀的场景 _, otsu cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 形态学闭运算填补轮廓内部的孔洞 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) closed cv2.morphologyEx(otsu, cv2.MORPH_CLOSE, kernel) # Canny 边缘检测双阈值参数直接影响轮廓连续性 edges cv2.Canny(closed, 50, 150)这段预处理链路是笔试里常见的“标准答案”但真正拉开分数的是每一步选型的理由。为什么先高斯滤波而不是中值滤波因为高斯滤波对高斯噪声传感器热噪声效果最好而激光切割现场的椒盐噪声飞溅颗粒造成的黑白点更多这种情况下中值滤波反而更合适。笔试里给你“图上有很多孤立的白色亮点”这个描述你要能反应过来它说的是椒盐噪声从而选择中值滤波。大津法Otsu的适用条件是前景背景灰度分布呈双峰。切割现场因为强反光灰度直方图经常是单峰或者多峰这时候 Otsu 会失效。笔试如果问你“光照不均匀工件如何分割”正确答案不是调阈值而是先用顶帽变换或者均匀光照校正把背景抹平再做全局阈值。Canny 的双阈值也有讲究高阈值决定了哪些强边缘被保留低阈值决定了弱边缘的延续长度。现场反光导致边缘断裂时优先尝试降低低阈值而不是调高阈值去“过滤噪声”---过滤噪声是滤波阶段的事Canny 阶段再调阈值往往是把真边缘一起削掉了。3. 测试理论考点从笔试场景题反推用例设计方法论3.1 视觉检测场景题怎么把“检测工件表面划痕”拆成可执行的测试用例柏楚机器视觉测试工程师的笔试里一定会有一道“给你一个检测需求请你设计测试用例”的大题。这类题占了卷面的 20~30 分也是区分“会写代码的人”和“会做测试的人”的关键。常见的题目描述是“一个视觉检测系统用于识别工件表面的划痕划痕长度大于 5mm 判为缺陷请设计测试用例覆盖各种情况。”这种题大家都会写“正常工件通过、有划痕工件拦截”这种基础用例但拿高分的差异体现在你有没有覆盖边界条件和干扰因素。我拿到这种题会先画一个输入空间图像来源不同相机、不同分辨率、不同光照、工件状态干净、油污、水渍、反光、划痕深浅不一、环境因素烟尘、振动、焦距偏差。然后按等价类、边界值、场景法三个维度去拆。一个完整的划痕检测测试用例集至少要有以下角度划痕长度恰好 5mm 的边界样本程序判断是大于还是大于等于划痕方向从 0 度到 90 度旋转检测算法是否对方向敏感划痕位置在工件边缘和中心的表现边缘有倒角反光干扰多个短划痕拼接成长划痕的漏检风险表面有油污时光照反射变化导致的误检。这些用例本质上是在验证一个视觉算法在不同成像条件下的稳定性。下面是一个测试用例设计的示例表格笔试答题时按这个结构写阅卷老师最容易给分用例编号前置条件测试步骤预期结果优先级TC-01光照 500lx工件表面清洁放置无缺陷工件触发检测输出 PASS无缺陷标记P0TC-02光照 500lx工件表面清洁放置长度 5mm 划痕工件边界值记录输出结果确认逻辑为 ≥5mmP0TC-03光照变化 200~1000lx同一工件间隔 1 分钟检测 10 次每次结果一致无不稳定输出P0TC-04工件表面涂薄油膜放置有 3mm 划痕工件输出 PASS油膜不干扰判断P1TC-05工件边缘 45 度倒角放置边缘有 6mm 划痕工件输出 FAIL边缘反光不导致漏检P1这种表格结构里最容易忽略的是 TC-03 这类“稳定性测试”。视觉检测系统最怕的不是“测不准”而是“同样输入两次结果不一致”。我见过太多现场问题算法在实验室单张图上表现完美一上线就时好时坏最后定位出来是曝光时间抖动导致图像亮度轻微变化。笔试里只要你在用例里加入“同一工件多次检测结果一致性”这个用例基本就能证明你有真实测试经验。3.2 缺陷定位与回归策略视觉系统失效时先查数据还是先查代码除了设计用例笔试还喜欢给一个“现场故障”让你做根因分析。典型描述“产线反馈某型号工件经常被误判为缺陷检测系统报警率从 1% 升到 10%请问怎么排查。”这种题没有标准答案但有一个靠谱的排查顺序和“先查数据还是先查代码”这个问题密切相关。我一般会先查数据再查代码而且主张用“二分法”缩小范围。第一步确认误判的工件图片到底长什么样——从日志里捞 50 张误判样本人眼扫一遍看是否有共同特征某个方向的光斑、特定位置的纹路、某种表面处理。这一步不写一行代码但能解决 50% 的问题因为很多“算法问题”其实是“数据问题”。第二步把误判图片和正常图片的灰度直方图对比确认是成像差异还是算法阈值失效。第三步才进代码看预处理参数和检测算法里有没有写死的东西。import cv2 import numpy as np # 从误判样本里统计共同特征计算平均灰度与梯度方向直方图 false_positives load_images(fp_samples/) # 误判样本目录 mean_intensity [] grad_hist [] for fp in false_positives: gray cv2.cvtColor(fp, cv2.COLOR_BGR2GRAY) mean_intensity.append(gray.mean()) # Sobel 梯度方向统计边缘方向分布 gx cv2.Sobel(gray, cv2.CV_32F, 1, 0, ksize3) gy cv2.Sobel(gray, cv2.CV_32F, 0, 1, ksize3) mag, angle cv2.cartToPolar(gx, gy, angleInDegreesTrue) hist np.histogram(angle, bins36, range(0, 360))[0] grad_hist.append(hist) # 输出几个统计量判断误判样本是否有方向性偏置 avg_angle np.mean(grad_hist, axis0) print(mean intensity:, np.mean(mean_intensity)) print(dominant edge angle:, np.argmax(avg_angle) * 10)这段代码做的事就是数据层面的快速验证。如果误判样本的梯度方向集中在某个角度比如 90 度附近说明算法对水平方向边缘特别敏感可能是边缘检测的核kernel设置不对称导致的。如果平均灰度和正常样本差异很大则要回头查曝光参数和光源状态。笔试答题时把“先数据后代码”“用统计特征定位共性”这两个观点写出来得分就稳了。4. 笔试编程与脚本题的避坑指南手写视觉算法常见的五个翻车点4.1 手写高斯滤波与卷积边界处理越界的三种处理方式笔试编程题很少让你调现成的 OpenCV 函数更多是让你手写一个简化版的高斯滤波、中值滤波或 Sobel 边缘检测然后处理边界。这种题看着简单翻车率却极高。考生最常见的错误是卷积核遍历到图像边界时不做处理导致数组越界。高斯滤波的核心是生成一个符合二维高斯分布的卷积核然后逐个像素做加权求和。笔试给的标准差 sigma 通常是 1.0核大小是 3x3 或 5x5。你需要自己算出核系数、归一化然后处理边界。边界处理有三种常见方式笔试里你选哪种都可以但必须在代码里体现出你有这个意识。import numpy as np def gaussian_kernel(size3, sigma1.0): 生成归一化的高斯卷积核 ax np.arange(size) - size // 2 xx, yy np.meshgrid(ax, ax) kernel np.exp(-(xx**2 yy**2) / (2 * sigma**2)) return kernel / kernel.sum() def gaussian_blur_manual(img, kernel): h, w img.shape k kernel.shape[0] pad k // 2 # 边界用 reflect 方式填充避免图像边缘出现暗边 padded np.pad(img, pad, modereflect) out np.zeros_like(img, dtypenp.float32) for i in range(h): for j in range(w): region padded[i:ik, j:jk] out[i, j] (region * kernel).sum() return out这段代码里np.pad(img, pad, modereflect)用的是反射填充这是工业视觉里最推荐的边界处理方式。对比另外两种constant补零会让边缘像素的加权平均偏暗产生“黑边”wrap循环填充在图像边缘不连续时会产生伪边缘。反射填充的效果介于两者之间对后续边缘检测的影响最小。笔试里如果你写了边界处理哪怕就一行np.pad阅卷印象分都会高很多。这里面还有一个常见的隐藏问题滤波后的数据类型。out np.zeros_like(img, dtypenp.float32)如果用np.zeros_like(img)默认继承 uint8卷积结果小数部分会被截断连续做几次滤波之后图像会出现肉眼可见的阶梯状色带。工业视觉里这种精度损失在阈值分割时会被放大笔试代码里提前转float32是加分的细节。另外手写卷积的性能也是笔试会问的点。双层 for 循环在百万级像素图像上慢得离谱一个 3x3 核的 1080p 图像要跑几百毫秒。我一般会顺手写一句优化思路把二维卷积拆成水平方向和垂直方向两个一维卷积时间复杂度从 O(n²k²) 降到 O(n²k)。笔试只要写出这个结论说明你有工程化意识比代码本身更值钱。4.2 坐标变换与数据类型陷阱笔试代码跑不通的常见原因编程题里另一类高频翻车点是坐标变换和数据类型。工业视觉里坐标有个特别容易踩的坑图像坐标系的原点在左上角x 轴向右y 轴向下而机构坐标系通常是右手系y 轴向上。笔试让你“把图像坐标转成机构坐标”如果你直接拿像素坐标去乘像素当量得到的 y 轴方向必然是反的。我见过最典型的错误是 OpenCV 里img.shape返回(height, width)而很多人习惯性写成(width, height)。这个错误在标定、ROI 裁剪、坐标映射时都会出现。测试工程师写脚本时尤其要注意因为你写的测试脚本要验证开发写的坐标转换逻辑如果你的脚本本身坐标都搞反了会得出完全相反的测试结论。import cv2 import numpy as np # 正确解析图像尺寸shape (height, width) h, w img.shape[:2] cx, cy w / 2.0, h / 2.0 # 图像中心坐标注意先宽后高 # 像素坐标转物理坐标假设已知像素当量 scale单位 mm/pixel scale 0.05 # 每个像素对应 0.05mm def pixel_to_physical(u, v): # 先把原点移到图像中心再翻转 y 轴 x_mm (u - cx) * scale y_mm -(v - cy) * scale # 图像 y 向下机构 y 向上 return x_mm, y_mm这段代码里的-(v - cy)就是坐标系翻转的关键。很多视觉算法工程师第一次写手眼标定程序时都会在这里卡半天表现是“算出来的坐标 x 对、y 反”然后各种怀疑标定矩阵有问题最后才发现是图像坐标系和机构坐标系天然差了一个 y 轴翻转。笔试里遇到坐标换算题目先停下来想清楚两个坐标系的方向关系再写代码能省掉大量返工。还有一个数据类型陷阱OpenCV 的projectPoints和solvePnP默认接受float64数组如果你把坐标点做成float32部分版本会报类型错误。跨语言调用时Python 的float和 numpy 的float64在内存布局上一致但 C 接口里cv::Mat的类型必须和 API 期望一致否则会静默出错或直接断言失败。笔试里如果让你“查找坐标转换结果异常的原因”数据类型不匹配是一个很容易被忽略的排查点。4.3 自动化测试脚本设计从测试数据生成到断言策略的最小闭环笔试编程题除了算法题还经常有一道测试脚本题。场景一般是“给你一个图像处理函数detect_defect(img_path) - bool请编写测试脚本验证它的正确性。”这类题考的是测试工程师的基本功测试数据怎么来、断言怎么写、结果怎么报告。测试数据生成是第一个坑。很多人只准备两三张正常图片和缺陷图片断言也写得很随意——“结果不是 True 就是 False”这相当于没测。合理的做法是准备一个分级数据集正常样本 10 张、缺陷样本 10 张、边界样本划痕刚好到阈值长度5 张、干扰样本油污、反光、过曝5 张然后对每一类统计检测准确率。import pytest import csv from pathlib import Path from vision import detect_defect # 测试数据目录结构normal/ defect/ boundary/ noise/ CASES [ (normal/001.png, False), (normal/002.png, False), (defect/001.png, True), (boundary/001.png, True), # 划痕刚好 5mm预期判为缺陷 (noise/001.png, False), # 强反光但不含缺陷预期通过 ] pytest.mark.parametrize(img_path,expected, CASES) def test_detect_defect(img_path, expected): result detect_defect(str(Path(data) / img_path)) assert result expected, f{img_path}: expected {expected}, got {result} def test_stability(): # 同一张图跑 5 次结果必须一致防抖动 results [detect_defect(data/defect/001.png) for _ in range(5)] assert all(r results[0] for r in results)parametrize是 pytest 里做数据驱动测试的标准写法每一行 CASES 就是一个独立的测试用例哪个失败一目了然。这个结构里最关键的是test_stability这个用例——很多笔试考生想不到要测稳定性但视觉检测系统最怕的就是“同图不同结果”。工业现场出现偶发误检很多时候不是算法逻辑错而是图像采集本身有抖动曝光时间波动、光源频闪、相机增益跳动稳定性测试能把这类问题暴露出来。断言的粒度也值得注意。assert result expected是最低级的断言只能告诉你“对不对”。如果笔试允许我建议对输出做更细的结构化断言检测函数返回的不只是 True/False还应该有缺陷位置和置信度断言里可以验证“缺陷中心是否落在工件的 ROI 区域内”“置信度是否超过 0.8”。这种断言会强迫你思考“检测结果的可信度”而不是把算法当成一个黑匣子。测试工程师的活儿本质上是给算法建立一道质量控制网。5. 场景设计题通常压轴出现用一套答题框架稳住基本面笔试最后一道题往往是场景设计分值高、开放性强也是最容易拉开差距的题。常见描述是“某工厂需要在传送带上检测金属工件表面缺陷节拍 2 秒一件检测项包括划痕、凹坑、锈斑请设计完整的视觉检测方案。”这种题目没有唯一答案但阅卷时有一套隐形的评分框架需求澄清、成像方案、算法选型、验证方案覆盖得越全分越高。我一般按四步来答。第一步先写需求澄清缺陷最小尺寸是多少、合格率要求多高、现场有没有振动物料是否定位 OK。第二步写成像方案选什么光源同轴光还是环形光、什么相机面阵还是线阵、曝光时间怎么定。第三步写算法流程预处理用什么滤波、分割用什么阈值、特征提取用什么算子。第四步写验证方案拿多少张样本、准确率怎么算、误检率容许多高。这四步的答题逻辑是一次完整的工业方案设计。第一、二步尤其容易被忽略但恰恰是柏楚这类公司的重点考察方向——激光切割场景里成像方案直接决定算法上限。光源角度不合适、曝光时间跟不上节拍算法再强也白搭。我自己的习惯是答题时先写一句“本方案的关键约束是节拍 2 秒和最小缺陷尺寸”把设计目标定死后面所有参数都围绕这个目标展开方案的整体感会强很多。关于这套笔试准备我个人的血泪教训是刷题不如搭环境。把 OpenCV、pytest、一个简易的标定棋盘格打印出来在本地跑通一遍标定-坐标转换-阈值分割-测试用例的完整链路你对笔试里 80% 的考点都会有一种“这题我做过”的底气。祝你在柏楚的笔试里稳住基本面把该拿的分都拿到。希望帮到你。本文还有配套的精品资源点击获取
简介面向秋招求职者的上海柏楚机器视觉测试工程师岗笔试真题整理涵盖15道在线题目与70分钟限时场景适合准备视觉算法、工业相机与测试理论笔试的候选人使用。文档逐题梳理白盒测试、2D变换、相机参数、形态学运算、大津法、条件概率、CCD/CMOS对比、滤波与边缘检测等高频考点并附有图像旋转编程题可用于自查知识盲区与模拟答题节奏。资源为1个docx文档约13KB内容紧凑可直接阅读已有362人学习下载。除客观题外简答题部分还涉及过拟合/欠拟合解决方案、工业相机关键参数、小孔成像模型等能帮助读者快速回顾机器视觉测试岗位的核心理论与典型题型适合作为笔试前冲刺与查漏补缺的参考资料。1. 机器视觉测试工程师笔试到底在筛什么从柏楚24秋招真题看考察主线如果你准备投递柏楚的机器视觉测试工程师岗看到“笔试真题”几个字时第一反应可能是到处搜题库。但真正把卷子做下来你会发现这套题的核心不是在考你会不会背 API而是在筛你有没有工业视觉系统的“全局观”。柏楚做的是激光切割控制系统和工业自动化软件机器视觉测试工程师要面对的从来不是干净的标准图像而是强光、反光、烟尘、抖动叠加出来的真实现场。笔试里反复出现的是标定参数、坐标系变换、缺陷检测用例设计、图像预处理链路这类偏工程落地的问题。适合谁来考有图像处理基础、对 OpenCV 熟悉、又想往工业检测方向转的测试开发。这篇就按笔试的真实考察主线把算法考点、测试用例设计、编程避坑和场景题答题框架一条条拆开讲。2. 机器视觉核心算法考点标定、坐标系与图像处理基本功2.1 相机标定为什么是必考题从内参外参到畸变校正的参数链路机器视觉测试工程师的笔试里相机标定几乎是绕不开的第一关。柏楚这类做激光切割系统的公司视觉模块的作用是引导切割头找准工件位置、识别轮廓、检测切割质量而这一切的前提是知道像素坐标和物理坐标之间怎么换算。如果标定参数错了后面的检测算法写得再漂亮也白搭——图像上偏差 1 个像素到了实际加工坐标可能就是 0.05mm 的误差这在切割场景里直接导致废料。笔试对相机标定的考察方式通常是三个层次第一层是概念问你内参、外参、畸变系数各自描述什么第二层是流程给你一组棋盘格照片让你写出从拍摄到得到标定结果的完整步骤第三层是分析给你一组标定结果的重投影误差数据问你误差偏大时先查什么。前两层靠记忆第三层靠理解。import cv2 import numpy as np # 准备棋盘格的物理角点坐标这里假设格子尺寸 25mm pattern_size (9, 6) objp np.zeros((pattern_size[0] * pattern_size[1], 3), np.float32) objp[:, :2] np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) objp * 25.0 obj_points [] # 世界坐标系下的角点 img_points [] # 图像坐标系下的角点 for img_path in chessboard_images: img cv2.imread(img_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners cv2.findChessboardCorners(gray, pattern_size, None) if ret: obj_points.append(objp) img_points.append(corners) ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( obj_points, img_points, gray.shape[::-1], None, None)这段代码是标定的标准流程骨架。pattern_size是棋盘格的内角点数不是格子数棋盘是 10x7 的格子内角点就是 9x6笔试里很容易在这里埋坑。objp * 25.0这一步把角点坐标从“格数”换算成“毫米”如果忘记乘格子尺寸标定出来的平移向量 tvecs 会整体错乱。最后返回的mtx是内参矩阵dist是畸变系数rvecs和tvecs是每张图的外参。笔试真正想看的是你拿到这套结果之后怎么判断标定质量。最直接的指标是重投影误差就是把标定得到的内外参代回去把世界坐标点重新投影到图像上算投影点和检测角点之间的距离。经验值上平均重投影误差小于 0.1 像素算优秀小于 0.3 像素可用超过 0.5 像素基本要重新拍图。误差偏大的时候优先检查三件事格子是否贴平、拍摄角度是否过大、图片数量是否够10~15 张是底线。我一般会建议多拍一些不同角度和距离的图而不是同一位置拍十几张——后者对提升标定精度几乎没有帮助。2.2 坐标系变换与手眼标定像素坐标到机构坐标的四步换算柏楚这类工业控制场景里相机看到的和机构要动的位置之间差了四个坐标系像素坐标系、图像物理坐标系、相机坐标系、机器人/机构坐标系。笔试经常给一个场景“相机检测到工件中心在像素坐标 (u, v)如何换算成切割头需要移动的目标坐标”这道题看着像数学题实际考的是你有没有做过手眼标定。完整的换算链路是像素坐标先通过内参矩阵转到归一化平面得到相机坐标系下的坐标再通过外参旋转矩阵 R 和平移向量 t转到机构坐标系。多数笔试不会让你手推公式但会给你一个简化的场景相机固定在 Z 轴上方不动机构在 XY 平面运动让你写出换算公式。这种场景叫“眼在手外”是工业现场最常见的布局。import numpy as np # 内参矩阵(来自标定)和手眼标定得到的外参 K np.array([[fx, 0, cx], [0, fy, cy], [0, 0, 1]]) # 相机到机构坐标系的变换 R np.array([[r11, r12, r13], [r21, r22, r23], [r31, r32, r33]]) t np.array([tx, ty, tz]) def pixel_to_robot(u, v, z_c100.0): # 像素坐标转归一化坐标 p_cam np.linalg.inv(K) np.array([u, v, 1.0]) # 乘以相机坐标系下的深度 Zc p_cam * z_c # 通过外参转到机构坐标系 p_robot R p_cam t.reshape(3, 1) return p_robot.flatten()这里最容易出错的是z_c的取值。如果工件放在一个已知高度的平面上z_c就是这个平面在相机坐标系下的 Z 值不是随便填的。笔试如果没给这个值通常意味着默认工件在一个固定高度的平面上或者你需要用“测量高度”的方式先把它标出来。另一种常见错误是把 R 和 t 的方向搞反手眼标定得到的是“相机坐标系到机构坐标系”的变换如果你拿到的是机构到相机的变换直接代进去就会得到完全错误的结果。变形到机构坐标系之后还有个坑机构坐标系的单位可能是毫米但你算出来的值确实也是毫米看起来一致实际却对不上。原因在于手眼标定时用的棋盘格尺寸有没有写对这个细节我反复在踩坑笔试里面也经常以数值题的形式出现。养成习惯任何坐标换算代码里都先确认棋盘格尺寸、像素当量、机构单位这三者的量纲一致能省掉后面一整个下午的排查时间。2.3 图像预处理高频考点阈值分割、滤波与边缘检测的选型逻辑视觉笔试里图像处理题目占比往往最高但考得最多不是背 API而是“给一个具体场景让你选处理方法”。柏楚的激光切割场景里典型任务有找工件轮廓、检测切割线宽度、判别切割断面是否挂渣。这些任务有一个共同难点图像里有强烈的激光飞溅、烟尘、反光干扰直接用固定阈值分割几乎必翻车。import cv2 import numpy as np img cv2.imread(workpiece.png, cv2.IMREAD_GRAYSCALE) # 高斯滤波去噪核大小和标准差是选型关键 blur cv2.GaussianBlur(img, (5, 5), 0) # 大津法自适应阈值适合前景背景灰度差异明显但不均匀的场景 _, otsu cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 形态学闭运算填补轮廓内部的孔洞 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) closed cv2.morphologyEx(otsu, cv2.MORPH_CLOSE, kernel) # Canny 边缘检测双阈值参数直接影响轮廓连续性 edges cv2.Canny(closed, 50, 150)这段预处理链路是笔试里常见的“标准答案”但真正拉开分数的是每一步选型的理由。为什么先高斯滤波而不是中值滤波因为高斯滤波对高斯噪声传感器热噪声效果最好而激光切割现场的椒盐噪声飞溅颗粒造成的黑白点更多这种情况下中值滤波反而更合适。笔试里给你“图上有很多孤立的白色亮点”这个描述你要能反应过来它说的是椒盐噪声从而选择中值滤波。大津法Otsu的适用条件是前景背景灰度分布呈双峰。切割现场因为强反光灰度直方图经常是单峰或者多峰这时候 Otsu 会失效。笔试如果问你“光照不均匀工件如何分割”正确答案不是调阈值而是先用顶帽变换或者均匀光照校正把背景抹平再做全局阈值。Canny 的双阈值也有讲究高阈值决定了哪些强边缘被保留低阈值决定了弱边缘的延续长度。现场反光导致边缘断裂时优先尝试降低低阈值而不是调高阈值去“过滤噪声”---过滤噪声是滤波阶段的事Canny 阶段再调阈值往往是把真边缘一起削掉了。3. 测试理论考点从笔试场景题反推用例设计方法论3.1 视觉检测场景题怎么把“检测工件表面划痕”拆成可执行的测试用例柏楚机器视觉测试工程师的笔试里一定会有一道“给你一个检测需求请你设计测试用例”的大题。这类题占了卷面的 20~30 分也是区分“会写代码的人”和“会做测试的人”的关键。常见的题目描述是“一个视觉检测系统用于识别工件表面的划痕划痕长度大于 5mm 判为缺陷请设计测试用例覆盖各种情况。”这种题大家都会写“正常工件通过、有划痕工件拦截”这种基础用例但拿高分的差异体现在你有没有覆盖边界条件和干扰因素。我拿到这种题会先画一个输入空间图像来源不同相机、不同分辨率、不同光照、工件状态干净、油污、水渍、反光、划痕深浅不一、环境因素烟尘、振动、焦距偏差。然后按等价类、边界值、场景法三个维度去拆。一个完整的划痕检测测试用例集至少要有以下角度划痕长度恰好 5mm 的边界样本程序判断是大于还是大于等于划痕方向从 0 度到 90 度旋转检测算法是否对方向敏感划痕位置在工件边缘和中心的表现边缘有倒角反光干扰多个短划痕拼接成长划痕的漏检风险表面有油污时光照反射变化导致的误检。这些用例本质上是在验证一个视觉算法在不同成像条件下的稳定性。下面是一个测试用例设计的示例表格笔试答题时按这个结构写阅卷老师最容易给分用例编号前置条件测试步骤预期结果优先级TC-01光照 500lx工件表面清洁放置无缺陷工件触发检测输出 PASS无缺陷标记P0TC-02光照 500lx工件表面清洁放置长度 5mm 划痕工件边界值记录输出结果确认逻辑为 ≥5mmP0TC-03光照变化 200~1000lx同一工件间隔 1 分钟检测 10 次每次结果一致无不稳定输出P0TC-04工件表面涂薄油膜放置有 3mm 划痕工件输出 PASS油膜不干扰判断P1TC-05工件边缘 45 度倒角放置边缘有 6mm 划痕工件输出 FAIL边缘反光不导致漏检P1这种表格结构里最容易忽略的是 TC-03 这类“稳定性测试”。视觉检测系统最怕的不是“测不准”而是“同样输入两次结果不一致”。我见过太多现场问题算法在实验室单张图上表现完美一上线就时好时坏最后定位出来是曝光时间抖动导致图像亮度轻微变化。笔试里只要你在用例里加入“同一工件多次检测结果一致性”这个用例基本就能证明你有真实测试经验。3.2 缺陷定位与回归策略视觉系统失效时先查数据还是先查代码除了设计用例笔试还喜欢给一个“现场故障”让你做根因分析。典型描述“产线反馈某型号工件经常被误判为缺陷检测系统报警率从 1% 升到 10%请问怎么排查。”这种题没有标准答案但有一个靠谱的排查顺序和“先查数据还是先查代码”这个问题密切相关。我一般会先查数据再查代码而且主张用“二分法”缩小范围。第一步确认误判的工件图片到底长什么样——从日志里捞 50 张误判样本人眼扫一遍看是否有共同特征某个方向的光斑、特定位置的纹路、某种表面处理。这一步不写一行代码但能解决 50% 的问题因为很多“算法问题”其实是“数据问题”。第二步把误判图片和正常图片的灰度直方图对比确认是成像差异还是算法阈值失效。第三步才进代码看预处理参数和检测算法里有没有写死的东西。import cv2 import numpy as np # 从误判样本里统计共同特征计算平均灰度与梯度方向直方图 false_positives load_images(fp_samples/) # 误判样本目录 mean_intensity [] grad_hist [] for fp in false_positives: gray cv2.cvtColor(fp, cv2.COLOR_BGR2GRAY) mean_intensity.append(gray.mean()) # Sobel 梯度方向统计边缘方向分布 gx cv2.Sobel(gray, cv2.CV_32F, 1, 0, ksize3) gy cv2.Sobel(gray, cv2.CV_32F, 0, 1, ksize3) mag, angle cv2.cartToPolar(gx, gy, angleInDegreesTrue) hist np.histogram(angle, bins36, range(0, 360))[0] grad_hist.append(hist) # 输出几个统计量判断误判样本是否有方向性偏置 avg_angle np.mean(grad_hist, axis0) print(mean intensity:, np.mean(mean_intensity)) print(dominant edge angle:, np.argmax(avg_angle) * 10)这段代码做的事就是数据层面的快速验证。如果误判样本的梯度方向集中在某个角度比如 90 度附近说明算法对水平方向边缘特别敏感可能是边缘检测的核kernel设置不对称导致的。如果平均灰度和正常样本差异很大则要回头查曝光参数和光源状态。笔试答题时把“先数据后代码”“用统计特征定位共性”这两个观点写出来得分就稳了。4. 笔试编程与脚本题的避坑指南手写视觉算法常见的五个翻车点4.1 手写高斯滤波与卷积边界处理越界的三种处理方式笔试编程题很少让你调现成的 OpenCV 函数更多是让你手写一个简化版的高斯滤波、中值滤波或 Sobel 边缘检测然后处理边界。这种题看着简单翻车率却极高。考生最常见的错误是卷积核遍历到图像边界时不做处理导致数组越界。高斯滤波的核心是生成一个符合二维高斯分布的卷积核然后逐个像素做加权求和。笔试给的标准差 sigma 通常是 1.0核大小是 3x3 或 5x5。你需要自己算出核系数、归一化然后处理边界。边界处理有三种常见方式笔试里你选哪种都可以但必须在代码里体现出你有这个意识。import numpy as np def gaussian_kernel(size3, sigma1.0): 生成归一化的高斯卷积核 ax np.arange(size) - size // 2 xx, yy np.meshgrid(ax, ax) kernel np.exp(-(xx**2 yy**2) / (2 * sigma**2)) return kernel / kernel.sum() def gaussian_blur_manual(img, kernel): h, w img.shape k kernel.shape[0] pad k // 2 # 边界用 reflect 方式填充避免图像边缘出现暗边 padded np.pad(img, pad, modereflect) out np.zeros_like(img, dtypenp.float32) for i in range(h): for j in range(w): region padded[i:ik, j:jk] out[i, j] (region * kernel).sum() return out这段代码里np.pad(img, pad, modereflect)用的是反射填充这是工业视觉里最推荐的边界处理方式。对比另外两种constant补零会让边缘像素的加权平均偏暗产生“黑边”wrap循环填充在图像边缘不连续时会产生伪边缘。反射填充的效果介于两者之间对后续边缘检测的影响最小。笔试里如果你写了边界处理哪怕就一行np.pad阅卷印象分都会高很多。这里面还有一个常见的隐藏问题滤波后的数据类型。out np.zeros_like(img, dtypenp.float32)如果用np.zeros_like(img)默认继承 uint8卷积结果小数部分会被截断连续做几次滤波之后图像会出现肉眼可见的阶梯状色带。工业视觉里这种精度损失在阈值分割时会被放大笔试代码里提前转float32是加分的细节。另外手写卷积的性能也是笔试会问的点。双层 for 循环在百万级像素图像上慢得离谱一个 3x3 核的 1080p 图像要跑几百毫秒。我一般会顺手写一句优化思路把二维卷积拆成水平方向和垂直方向两个一维卷积时间复杂度从 O(n²k²) 降到 O(n²k)。笔试只要写出这个结论说明你有工程化意识比代码本身更值钱。4.2 坐标变换与数据类型陷阱笔试代码跑不通的常见原因编程题里另一类高频翻车点是坐标变换和数据类型。工业视觉里坐标有个特别容易踩的坑图像坐标系的原点在左上角x 轴向右y 轴向下而机构坐标系通常是右手系y 轴向上。笔试让你“把图像坐标转成机构坐标”如果你直接拿像素坐标去乘像素当量得到的 y 轴方向必然是反的。我见过最典型的错误是 OpenCV 里img.shape返回(height, width)而很多人习惯性写成(width, height)。这个错误在标定、ROI 裁剪、坐标映射时都会出现。测试工程师写脚本时尤其要注意因为你写的测试脚本要验证开发写的坐标转换逻辑如果你的脚本本身坐标都搞反了会得出完全相反的测试结论。import cv2 import numpy as np # 正确解析图像尺寸shape (height, width) h, w img.shape[:2] cx, cy w / 2.0, h / 2.0 # 图像中心坐标注意先宽后高 # 像素坐标转物理坐标假设已知像素当量 scale单位 mm/pixel scale 0.05 # 每个像素对应 0.05mm def pixel_to_physical(u, v): # 先把原点移到图像中心再翻转 y 轴 x_mm (u - cx) * scale y_mm -(v - cy) * scale # 图像 y 向下机构 y 向上 return x_mm, y_mm这段代码里的-(v - cy)就是坐标系翻转的关键。很多视觉算法工程师第一次写手眼标定程序时都会在这里卡半天表现是“算出来的坐标 x 对、y 反”然后各种怀疑标定矩阵有问题最后才发现是图像坐标系和机构坐标系天然差了一个 y 轴翻转。笔试里遇到坐标换算题目先停下来想清楚两个坐标系的方向关系再写代码能省掉大量返工。还有一个数据类型陷阱OpenCV 的projectPoints和solvePnP默认接受float64数组如果你把坐标点做成float32部分版本会报类型错误。跨语言调用时Python 的float和 numpy 的float64在内存布局上一致但 C 接口里cv::Mat的类型必须和 API 期望一致否则会静默出错或直接断言失败。笔试里如果让你“查找坐标转换结果异常的原因”数据类型不匹配是一个很容易被忽略的排查点。4.3 自动化测试脚本设计从测试数据生成到断言策略的最小闭环笔试编程题除了算法题还经常有一道测试脚本题。场景一般是“给你一个图像处理函数detect_defect(img_path) - bool请编写测试脚本验证它的正确性。”这类题考的是测试工程师的基本功测试数据怎么来、断言怎么写、结果怎么报告。测试数据生成是第一个坑。很多人只准备两三张正常图片和缺陷图片断言也写得很随意——“结果不是 True 就是 False”这相当于没测。合理的做法是准备一个分级数据集正常样本 10 张、缺陷样本 10 张、边界样本划痕刚好到阈值长度5 张、干扰样本油污、反光、过曝5 张然后对每一类统计检测准确率。import pytest import csv from pathlib import Path from vision import detect_defect # 测试数据目录结构normal/ defect/ boundary/ noise/ CASES [ (normal/001.png, False), (normal/002.png, False), (defect/001.png, True), (boundary/001.png, True), # 划痕刚好 5mm预期判为缺陷 (noise/001.png, False), # 强反光但不含缺陷预期通过 ] pytest.mark.parametrize(img_path,expected, CASES) def test_detect_defect(img_path, expected): result detect_defect(str(Path(data) / img_path)) assert result expected, f{img_path}: expected {expected}, got {result} def test_stability(): # 同一张图跑 5 次结果必须一致防抖动 results [detect_defect(data/defect/001.png) for _ in range(5)] assert all(r results[0] for r in results)parametrize是 pytest 里做数据驱动测试的标准写法每一行 CASES 就是一个独立的测试用例哪个失败一目了然。这个结构里最关键的是test_stability这个用例——很多笔试考生想不到要测稳定性但视觉检测系统最怕的就是“同图不同结果”。工业现场出现偶发误检很多时候不是算法逻辑错而是图像采集本身有抖动曝光时间波动、光源频闪、相机增益跳动稳定性测试能把这类问题暴露出来。断言的粒度也值得注意。assert result expected是最低级的断言只能告诉你“对不对”。如果笔试允许我建议对输出做更细的结构化断言检测函数返回的不只是 True/False还应该有缺陷位置和置信度断言里可以验证“缺陷中心是否落在工件的 ROI 区域内”“置信度是否超过 0.8”。这种断言会强迫你思考“检测结果的可信度”而不是把算法当成一个黑匣子。测试工程师的活儿本质上是给算法建立一道质量控制网。5. 场景设计题通常压轴出现用一套答题框架稳住基本面笔试最后一道题往往是场景设计分值高、开放性强也是最容易拉开差距的题。常见描述是“某工厂需要在传送带上检测金属工件表面缺陷节拍 2 秒一件检测项包括划痕、凹坑、锈斑请设计完整的视觉检测方案。”这种题目没有唯一答案但阅卷时有一套隐形的评分框架需求澄清、成像方案、算法选型、验证方案覆盖得越全分越高。我一般按四步来答。第一步先写需求澄清缺陷最小尺寸是多少、合格率要求多高、现场有没有振动物料是否定位 OK。第二步写成像方案选什么光源同轴光还是环形光、什么相机面阵还是线阵、曝光时间怎么定。第三步写算法流程预处理用什么滤波、分割用什么阈值、特征提取用什么算子。第四步写验证方案拿多少张样本、准确率怎么算、误检率容许多高。这四步的答题逻辑是一次完整的工业方案设计。第一、二步尤其容易被忽略但恰恰是柏楚这类公司的重点考察方向——激光切割场景里成像方案直接决定算法上限。光源角度不合适、曝光时间跟不上节拍算法再强也白搭。我自己的习惯是答题时先写一句“本方案的关键约束是节拍 2 秒和最小缺陷尺寸”把设计目标定死后面所有参数都围绕这个目标展开方案的整体感会强很多。关于这套笔试准备我个人的血泪教训是刷题不如搭环境。把 OpenCV、pytest、一个简易的标定棋盘格打印出来在本地跑通一遍标定-坐标转换-阈值分割-测试用例的完整链路你对笔试里 80% 的考点都会有一种“这题我做过”的底气。祝你在柏楚的笔试里稳住基本面把该拿的分都拿到。希望帮到你。本文还有配套的精品资源点击获取
