FAU检测的2D/3D分工：哪些缺陷必须用深度信息，哪些2D就够

1. FAU "深度"检测

光纤阵列单元（FAU，Fiber Array Unit）是光模块、硅光耦合、CPO 封装里的关键无源器件。它的质量直接决定耦合损耗和长期可靠性，所以 FAU 的出厂检测一直是光通信制造环节里最"卷"的工序之一。

但很多产线在检测方案上有一个普遍的认知偏差：把 FAU 的所有外观问题都当成"2D 外观缺陷"来处理。

划痕、崩边、污染，这些确实是 2D 相机能拍到的表面缺陷。可 FAU 真正影响光学性能的，往往不是这些"看得见"的东西，而是看不见的深度量：

• 槽深是否一致
• 光纤凸出高度是否在窗口内
• 相邻光纤之间的高度差有多大
• 点胶的胶量体积是否合适
• 端面是否有凹陷

这些量，2D 相机拍不到。2D 图像只记录反射光的强度分布，深度信息在成像那一刻就已经被"压平"了。于是问题来了：是不是所有 FAU 缺陷都必须上 3D？

答案是否定的。3D 传感器（白光干涉、激光共焦、线激光）能测深度，但速度慢、成本高、对产线节拍不友好。如果全检都用 3D，产线根本跑不起来。

所以真正合理的思路不是"2D 还是 3D"，而是2D 和 3D 怎么分工。这篇文章就围绕三个问题展开：

2. 2D 缺陷和深度量

在讨论分工之前，先把两类检测对象的物理本质分清楚，后面的判断才有依据。

2.1 2D 缺陷：“表面反射率的变化”

2D 相机（面阵 CMOS/CCD）记录的是视场内每个像素接收到的光强。当表面出现划痕、崩边、污染时，这些区域的反射特性会发生变化：

• 划痕：破坏了表面微观结构，散射增强，在图像上表现为亮线或暗线；
• 崩边：边缘几何缺失，形成阴影或高亮反光；
• 污染：异物覆盖，吸收或散射光线，表现为色斑、暗斑。

这些缺陷的共同点是：它们在图像平面上有明确的、可分辨的灰度/色彩对比。只要打光合适（同轴光、环形光、暗场），2D 相机就能稳定检出。

2.2 深度量：“Z 方向的高度/体积信息”

深度量描述的是物体表面在垂直于成像平面方向上的位置。它不体现在灰度对比里，而体现在相位、共焦响应、三角测量等物理量上：

关键点在于：这些量在 2D 图像里可能"看起来正常"。一根光纤凸出高度超差，2D 图像上它和合格品几乎没区别——因为灰度对比没有变化，变的只是高度。

这就是为什么"2D 全检 + 人工抽检"的方案在 FAU 上经常漏检：漏掉的恰恰是最影响光学性能的深度量。

3. 必须用 3D 的缺陷

下面这几类，2D 无论怎么打光都判不了，必须上 3D。

3.1 光纤凸出高度

光纤凸出高度是 FAU 最核心的深度指标之一。它指的是光纤端面相对基板基准面的高度，通常在几十微米量级，公差窗口往往只有 ±1~2 μm。

为什么 2D 判不了？因为 2D 图像里，光纤端面和基板表面的灰度差异取决于材料和镀层，而不是高度。一根凸出 5 μm 的光纤和一根凸出 1 μm 的光纤，在 2D 图像上可能完全一样。

判定方式：用白光干涉或激光共焦扫描端面区域，提取每根光纤端面的高度值，与基准面做差。

3.2 相邻光纤高度差

这是比单根凸出高度更"隐蔽"的指标。单根光纤高度都在窗口内，但相邻两根之间差得太多，同样会导致通道间耦合损耗不一致。

在 8 通道、12 通道甚至更高密度的 FAU 上，这个指标尤其关键。2D 图像完全无法反映通道间的高度一致性——它只能看到"每根光纤都在那里"，看不到"它们是不是一样高"。

判定方式：3D 扫描后提取阵列内所有光纤端面高度，计算相邻差值（或峰谷值 PV），与阈值比较。

3.3 端面凹陷

端面凹陷指的是端面局部区域低于基准面，形成"坑"。它可能来自研磨不均、材料缺陷或清洗损伤。

2D 图像上，凹陷区域可能因为阴影而呈现暗区，但这个暗区无法量化深度——你分不清是 0.5 μm 的浅坑还是 5 μm 的深坑，也分不清是凹陷还是污染。

判定方式：3D 高度图直接给出凹陷深度和面积，可量化判定。

3.4 槽深与胶量体积（延伸项）

严格说，槽深和胶量体积更偏"工艺参数检测"而非"外观缺陷检测"，但它们同样只能靠 3D：

• 槽深：V 槽深度决定光纤落位，需 3D 轮廓测量；
• 胶量体积：点胶区域的体积需要 3D 点云积分计算，2D 只能看到胶的投影面积，看不到厚度。

如果产线把这两项也纳入全检，那 3D 的节拍压力会更大——这也是后面要讲"分区精测"的原因。

4. 2D 缺陷清单

反过来，下面这些缺陷用 2D 完全够用，硬上 3D 是浪费。

4.1 划痕长度与宽度

划痕是典型的 2D 缺陷。它的判定指标是长度、宽度、走向、数量，这些都在图像平面上可直接测量。

用 3D 测划痕不仅没必要，还可能更差：3D 传感器的横向分辨率通常低于 2D 相机，划痕这种细长特征在点云里反而不容易提取。

2D 判定方式：暗场照明 + 亚像素边缘提取，测量划痕长度、宽度，按阈值分级。

4.2 污染面积与分布

污染的核心指标是面积、位置、密度。2D 图像通过颜色/灰度分割就能给出污染区域的面积和分布，配合连通域分析还能区分孤立污染点和成片污染。

3D 对污染几乎无能为力——污染物的高度可能只有亚微米级，3D 传感器未必能分辨，而且点云分割污染区域的成本远高于 2D 图像分割。

2D 判定方式：多光谱或彩色成像 + 阈值分割 + 连通域分析，输出污染面积占比。

4.3 崩边尺寸

崩边是边缘几何缺失，2D 图像上表现为边缘轮廓的缺口。通过边缘检测和轮廓拟合，可以量化崩边的长度和深度（在图像平面内的投影尺寸）。

注意：如果崩边伴随深度方向的材料剥落，那部分需要 3D 补充；但单纯的边缘缺口，2D 足够。

4.4 2D/3D 能力对照表

5. 同工位 2D/3D 融合

明确了分工，接下来的问题是：在同一个检测工位上，2D 和 3D 怎么配合？

最朴素的做法是"2D 拍一遍、3D 扫一遍、两套结果各自判定"。但这样有两个问题：一是 3D 全幅扫描太慢，二是两套结果没有关联，无法互相印证。

更合理的架构是**“2D 快速筛查 + 可疑区域 3D 精测”**。

5.1 整体流程

#mermaid-svg-kqdVouSiHttrsns4{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-kqdVouSiHttrsns4 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-kqdVouSiHttrsns4 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-kqdVouSiHttrsns4 .error-icon{fill:#552222;}#mermaid-svg-kqdVouSiHttrsns4 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-kqdVouSiHttrsns4 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-kqdVouSiHttrsns4 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-kqdVouSiHttrsns4 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-kqdVouSiHttrsns4 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-kqdVouSiHttrsns4 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-kqdVouSiHttrsns4 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-kqdVouSiHttrsns4 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-kqdVouSiHttrsns4 .marker.cross{stroke:#333333;}#mermaid-svg-kqdVouSiHttrsns4 svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-kqdVouSiHttrsns4 p{margin:0;}#mermaid-svg-kqdVouSiHttrsns4 .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-kqdVouSiHttrsns4 .cluster-label text{fill:#333;}#mermaid-svg-kqdVouSiHttrsns4 .cluster-label span{color:#333;}#mermaid-svg-kqdVouSiHttrsns4 .cluster-label span p{background-color:transparent;}#mermaid-svg-kqdVouSiHttrsns4 .label text,#mermaid-svg-kqdVouSiHttrsns4 span{fill:#333;color:#333;}#mermaid-svg-kqdVouSiHttrsns4 .node rect,#mermaid-svg-kqdVouSiHttrsns4 .node circle,#mermaid-svg-kqdVouSiHttrsns4 .node ellipse,#mermaid-svg-kqdVouSiHttrsns4 .node polygon,#mermaid-svg-kqdVouSiHttrsns4 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-kqdVouSiHttrsns4 .rough-node .label text,#mermaid-svg-kqdVouSiHttrsns4 .node .label text,#mermaid-svg-kqdVouSiHttrsns4 .image-shape .label,#mermaid-svg-kqdVouSiHttrsns4 .icon-shape .label{text-anchor:middle;}#mermaid-svg-kqdVouSiHttrsns4 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-kqdVouSiHttrsns4 .rough-node .label,#mermaid-svg-kqdVouSiHttrsns4 .node .label,#mermaid-svg-kqdVouSiHttrsns4 .image-shape .label,#mermaid-svg-kqdVouSiHttrsns4 .icon-shape .label{text-align:center;}#mermaid-svg-kqdVouSiHttrsns4 .node.clickable{cursor:pointer;}#mermaid-svg-kqdVouSiHttrsns4 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-kqdVouSiHttrsns4 .arrowheadPath{fill:#333333;}#mermaid-svg-kqdVouSiHttrsns4 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-kqdVouSiHttrsns4 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-kqdVouSiHttrsns4 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-kqdVouSiHttrsns4 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-kqdVouSiHttrsns4 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-kqdVouSiHttrsns4 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-kqdVouSiHttrsns4 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-kqdVouSiHttrsns4 .cluster text{fill:#333;}#mermaid-svg-kqdVouSiHttrsns4 .cluster span{color:#333;}#mermaid-svg-kqdVouSiHttrsns4 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-kqdVouSiHttrsns4 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-kqdVouSiHttrsns4 rect.text{fill:none;stroke-width:0;}#mermaid-svg-kqdVouSiHttrsns4 .icon-shape,#mermaid-svg-kqdVouSiHttrsns4 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-kqdVouSiHttrsns4 .icon-shape p,#mermaid-svg-kqdVouSiHttrsns4 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-kqdVouSiHttrsns4 .icon-shape .label rect,#mermaid-svg-kqdVouSiHttrsns4 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-kqdVouSiHttrsns4 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-kqdVouSiHttrsns4 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-kqdVouSiHttrsns4 :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

否

是

FAU 上料定位

2D 全幅成像

2D 缺陷检测：划痕/污染/崩边

是否存在可疑区域

2D 判定通过

生成 ROI 列表

3D 对 ROI 精测

深度量判定：高度/凹陷/胶量

2D+3D 结果融合

输出 OK/NG 与缺陷分类

这个流程的关键在于：3D 不是全幅扫描，而是只扫 2D 圈出来的 ROI。这样 3D 的扫描时间从"整片"降到"几个小区域"，节拍压力大幅下降。

5.2 2D 筛查阶段

2D 阶段承担两件事：

第二件事是融合的核心。哪些区域需要送 3D？典型规则包括：

• 光纤端面区域（必测高度）；
• 2D 上出现异常暗区/亮区但无法归类为划痕或污染的区域（可能是凹陷）；
• 点胶区域（测胶量）；
• V 槽区域（测槽深）。

这里有个工程细节：ROI 不能只按缺陷位置圈，还要按"必测区域"圈。因为光纤高度这类指标，即使 2D 上完全正常也必须测——它属于"结构性必测项"，不是"可疑项"。

所以 ROI 列表实际上是两类来源的并集：

• 结构性 ROI：光纤端面、V 槽、点胶区，固定必测；
• 可疑性 ROI：2D 检出异常但无法定性的区域，动态生成。

5.3 3D 精测阶段

3D 阶段对每个 ROI 做高精度扫描。这里要注意传感器选型：

• 白光干涉：垂直分辨率最高（纳米级），适合测光纤高度、端面凹陷，但速度最慢，适合小 ROI；
• 激光共焦：垂直分辨率高，速度中等，适合中等 ROI；
• 线激光：速度快，适合大范围轮廓，但垂直精度略低，适合槽深、胶量这类公差较宽的量。

实际产线往往是混合使用：光纤高度用白光干涉或共焦，槽深/胶量用线激光。

5.4 结果融合

2D 和 3D 的结果最终要合成一个判定。融合逻辑通常是：

• 2D 缺陷按 2D 阈值判定；
• 3D 深度量按 3D 阈值判定；
• 任一超差即 NG，并记录缺陷类型与位置；
• 两者都 OK 才判 OK。

融合的价值不只是"合并结果"，更在于互相印证：2D 上看到的暗区，3D 测出来是凹陷还是污染，可以直接定性，减少误判。

6. 3D 点云与 2D 图像的坐标对齐

融合方案能不能落地，很大程度上取决于一个工程问题：3D 点云和 2D 图像怎么对齐到同一个坐标系？

如果坐标对不上，2D 圈出的 ROI 在 3D 里就找不到对应位置，整个"先筛查再精测"的流程就断了。

6.1 为什么会有对齐问题

2D 相机和 3D 传感器是两套独立的光学系统，它们的差异体现在：

• 视场不同：2D 相机视场通常大于 3D 传感器；
• 光轴不同：两个传感器安装位置不同，存在平移和旋转；
• 畸变不同：2D 镜头有径向/切向畸变，3D 传感器有自己的扫描畸变；
• 分辨率不同：2D 是像素网格，3D 是点云，采样密度不一样。

所以不能简单地把 2D 像素坐标当成 3D 坐标用，必须做标定。

6.2 标定方法

常用的对齐方法是基于标定板的联合标定：

对于固定工位的产线设备，标定一次后可以长期使用，只需定期复检。

6.3 坐标变换的实现

标定完成后，2D 像素坐标 (u, v) 到 3D 坐标 (X, Y, Z) 的映射可以写成：

import numpy as np

# 标定得到的单应矩阵 H（3×3），将 2D 像素坐标映射到 3D 传感器的 XY 平面
H = np.array([
[1.002, 0.003, –12.5],
[–0.002, 0.998, 8.3],
[0.0, 0.0, 1.0]
])

def pixel_to_sensor_xy(u, v):
"""将 2D 像素坐标映射到 3D 传感器的 XY 坐标"""
p = np.array([u, v, 1.0])
q = H @ p
return q[0] / q[2], q[1] / q[2]

# 示例：2D 图像上检出的可疑点 (1024, 768)
x, y = pixel_to_sensor_xy(1024, 768)
print(f"对应 3D 传感器坐标: ({x:.2f}, {y:.2f})")

拿到 XY 后，再到 3D 点云里找该位置附近的高度值，就完成了"2D 定位 → 3D 取高"的闭环。

6.4 对齐精度的要求

对齐精度直接决定 ROI 是否准确。经验上：

• ROI 尺寸通常比缺陷本身大 2~3 倍，留出对齐误差余量；
• 对齐误差应控制在 ROI 尺寸的 1/5 以内；
• 对于光纤高度这类小目标，ROI 要按单根光纤的间距来定，不能太大，否则会把相邻光纤的高度混进来。

如果对齐误差偏大，常见原因是标定板与产品不在同一工作距离，或者 2D 镜头畸变未校正。这两点在实际调试中要重点排查。

7. 工程落地建议

最后给几条落地层面的建议。

7.1 先做缺陷分类，再定传感器

不要一上来就选传感器。先把 FAU 的缺陷清单列全，逐项标注"2D 可判 / 3D 必需 / 需融合"，再根据 3D 必需项的数量和精度要求选传感器。这样能避免"买了高精度 3D 却只用来测划痕"的浪费。

7.2 3D 只测该测的

3D 的节拍是瓶颈，所以 3D 的扫描范围要尽量小。结构性 ROI 固定、可疑性 ROI 动态，两者结合能把 3D 扫描面积压到整片的 10%~20%，节拍基本可控。

7.3 标定要纳入日常维护

2D/3D 对齐不是"标一次管一辈子"。产线震动、温度漂移、镜头污染都会让对齐精度下降。建议把标定复检纳入设备日常点检，比如每班次用标准件验证一次对齐误差。

7.4 数据要能追溯

2D 图像、3D 点云、ROI 列表、判定结果要一起存档。一旦出现客诉或批次异常，能回溯到具体是哪一项超差、当时的 2D/3D 数据长什么样。这对 FAU 这种高价值器件尤其重要。

8. 总结

回到标题的问题：哪些缺陷必须用深度信息，哪些 2D 就够？

• 必须 3D：光纤凸出高度、相邻光纤高度差、端面凹陷、槽深、胶量体积——这些量的共同点是"灰度无差异、高度有差异"，2D 原理上就判不了；
• 2D 足够：划痕长度/宽度、污染面积/分布、崩边尺寸——这些在图像平面上有明确对比，2D 又快又准；
• 融合方式：2D 全幅快速筛查 + 结构性/可疑性 ROI 送 3D 精测，3D 不全幅扫描；
• 对齐是前提：2D 像素到 3D 坐标的联合标定必须做扎实，否则 ROI 对不上，融合就是空谈。

FAU 检测的 2D/3D 分工，本质上不是"哪个传感器更强"的问题，而是把每个缺陷放到它最合适的测量维度上去。2D 负责"看得见"的表面，3D 负责"看不见"的深度，两者在同一个工位上各司其职，才是能跑通产线的方案。