1. 從“為什么照片會變形”說起針孔模型到底解決了什么問題很多人第一次接觸機器視覺是從“相機拍出來的圖怎么和實際尺寸對不上”開始的。明明一個正方形的金屬塊標定前拍出來邊緣是斜的角落還帶點弧度換一個鏡頭同樣的物體在畫面里大小又變了。這些現(xiàn)象背后其實都指向同一個底層問題三維世界到二維圖像的映射關系沒有被正確描述。而針孔模型就是描述這個映射關系最基礎、也最實用的一套數(shù)學工具。我剛開始做視覺項目時總覺得標定就是“跑個程序、拿個矩陣”后來才發(fā)現(xiàn)如果不理解針孔模型里每個參數(shù)代表什么標定結果對不對根本判斷不了。針孔模型的核心思想非常樸素假設光線從物體表面出發(fā)穿過一個理想的小孔投影到成像平面上。這個過程中三維點(X, Y, Z)到圖像點(u, v)的變換可以用一個3×4的投影矩陣來描述。這個矩陣里包含了內參和外參兩部分。內參描述的是相機自身的“性格”焦距決定視野寬窄主點決定光軸打在傳感器上的位置像素尺寸決定物理尺寸和像素坐標的換算關系。外參描述的是相機在世界坐標系里的“站位”旋轉矩陣告訴相機朝哪個方向看平移向量告訴相機在什么位置。很多人標定完只關心重投影誤差卻忽略了內參的物理意義結果換一個工作距離發(fā)現(xiàn)精度完全不對——這就是因為針孔模型假設的是理想透視投影而實際鏡頭存在畸變尤其是短焦鏡頭邊緣畸變能到幾個像素甚至十幾個像素。這里有個容易被忽略的點針孔模型本身不包含畸變項。它描述的是理想情況下的線性投影。所以完整的成像模型應該是“針孔模型 畸變模型”。畸變模型常見的有徑向畸變和切向畸變徑向畸變又分桶形和枕形。工業(yè)相機配遠心鏡頭時畸變往往很小針孔模型加一點點徑向畸變系數(shù)就能擬合得很好但如果是普通FA鏡頭尤其是焦距小于12mm的畸變系數(shù)可能要到k1、k2、k3三項才夠用。理解針孔模型的另一個價值是它能幫你判斷一個視覺任務到底能不能做。比如你要測量一個零件的尺寸精度要求0.02mm工作距離300mm視野100mm。用針孔模型反推如果相機分辨率是500萬像素2448×2048視野100mm對應2448像素單像素物理尺寸約0.04mm。理論上一個像素對應0.04mm要測到0.02mm至少需要亞像素精度。這時候你就知道光靠針孔模型不夠還得考慮鏡頭的MTF、傳感器的信噪比、光源的均勻性。針孔模型給了你一個理論下限實際能不能達到還要看整條成像鏈路。提示針孔模型是理想模型實際標定時一定要把畸變系數(shù)一起優(yōu)化否則邊緣區(qū)域的測量誤差會遠大于中心區(qū)域。2. 工業(yè)相機的成像鏈路從光子到像素值到底經(jīng)歷了什么很多人把工業(yè)相機當成一個“黑盒”覺得只要選好分辨率、幀率、接口插上就能用。但真正做過高精度測量或者復雜光照場景的人都知道成像鏈路里每一個環(huán)節(jié)都會影響最終圖像的質量。從光子打到物體表面到最終輸出一個灰度值中間至少經(jīng)歷了光學系統(tǒng)、傳感器光電轉換、模擬前端處理、數(shù)字量化、接口傳輸這幾個階段。任何一個階段出問題后面算法再強也救不回來。先看光學系統(tǒng)。鏡頭的作用不只是“把光聚到傳感器上”它還要控制景深、分辨率、畸變、透光率。工業(yè)鏡頭和普通攝影鏡頭最大的區(qū)別在于工業(yè)鏡頭更看重一致性。同一批次的兩個鏡頭焦距偏差、畸變曲線、中心到邊緣的分辨率衰減都要控制在很小范圍內。我見過一個項目用普通鏡頭做尺寸測量換鏡頭后系統(tǒng)誤差直接偏了0.1mm就是因為兩個鏡頭的實際焦距不一致。后來換成遠心鏡頭問題才解決。遠心鏡頭的特點是主光線平行于光軸放大倍率不隨工作距離變化特別適合測量有厚度的物體。傳感器環(huán)節(jié)是很多人忽略的重點。CCD和CMOS的差異在工業(yè)領域已經(jīng)沒那么絕對了現(xiàn)在大部分工業(yè)相機都用CMOS因為幀率高、功耗低、成本可控。但CMOS傳感器有個特性卷簾快門。逐行曝光意味著運動物體在曝光期間位置在變拍出來的圖像會傾斜。如果你要拍運動中的零件要么用全局快門傳感器要么用閃光燈把曝光時間壓到極短。我吃過這個虧用卷簾快門相機拍傳送帶上的零件靜止時標定得好好的一動起來測量值就偏后來換成全局快門才穩(wěn)定。模擬前端和數(shù)字量化決定了灰度值的線性度和噪聲水平。工業(yè)相機通常輸出8bit、10bit或12bit圖像。8bit就是256級灰度對于高動態(tài)范圍場景比如同時有反光金屬和暗色橡膠8bit很容易過曝或欠曝。12bit有4096級后期做HDR合成或者局部對比度增強時余地大很多。但要注意很多相機標稱12bit實際有效位數(shù)可能只有10bit左右低位是噪聲。選型時最好看廠家的信噪比和動態(tài)范圍指標而不是只看ADC位數(shù)。接口傳輸環(huán)節(jié)GigE、USB3.0、Camera Link、CoaXPress各有適用場景。GigE傳輸距離長、成本低但帶寬有限高分辨率高幀率時容易丟包USB3.0帶寬高、供電方便但線纜長度受限工業(yè)現(xiàn)場電磁干擾大的話容易斷連Camera Link和CoaXPress更穩(wěn)定但需要采集卡成本高。我一般建議如果分辨率在500萬以下、幀率30fps以內GigE夠用如果2000萬像素還要跑60fps直接上CoaXPress或者萬兆網(wǎng)口別在接口上省錢。鏈路環(huán)節(jié)關鍵參數(shù)常見問題選型建議鏡頭焦距、光圈、畸變、遠心度邊緣模糊、放大倍率不一致測量優(yōu)先遠心普通檢測用FA傳感器快門類型、量子效率、讀出噪聲運動模糊、暗部噪聲大運動物體用全局快門量化ADC位數(shù)、有效位數(shù)過曝、暗部細節(jié)丟失高動態(tài)場景選10bit以上接口帶寬、線纜長度、抗干擾丟包、斷連、延遲高帶寬用CoaXPress/萬兆網(wǎng)注意成像鏈路是串聯(lián)系統(tǒng)最終圖像質量取決于最弱的那一環(huán)。別只盯著相機分辨率鏡頭和光源往往才是瓶頸。3. 標定實操從棋盤格到重投影誤差每一步都在驗證什么標定這件事說簡單也簡單OpenCV幾行代碼就能跑出內參和畸變系數(shù)說復雜也復雜因為標定結果的好壞直接決定了后續(xù)測量的精度。我見過太多人標定完只看重投影誤差誤差小于0.1像素就覺得萬事大吉結果實際測量時發(fā)現(xiàn)不同位置的誤差分布完全不一樣。問題出在重投影誤差是平均指標它掩蓋了局部誤差。標定的本質是求解一個優(yōu)化問題找到一組內參、外參、畸變系數(shù)使得三維標定板上的角點投影到圖像上的位置和實際檢測到的角點位置之間的差異最小。這個差異就是重投影誤差。但優(yōu)化算法容易陷入局部最優(yōu)尤其是標定板姿態(tài)不夠豐富的時候。如果所有標定板圖像都是正對著相機拍的那外參的旋轉分量估計會很不準畸變系數(shù)也會和焦距耦合在一起導致標定結果看起來誤差小實際用起來偏得離譜。我的經(jīng)驗是標定板姿態(tài)要覆蓋整個視野并且要有足夠的傾斜角度。一般建議至少15到20張圖其中要有幾張是明顯傾斜的讓標定板平面和成像平面夾角在30度以上。這樣做的目的是讓優(yōu)化算法能區(qū)分焦距和畸變——如果標定板總是正對相機徑向畸變和焦距變化在圖像上的表現(xiàn)很相似算法分不清。傾斜之后畸變的非線性特征就明顯了解算更穩(wěn)定。標定板本身也有講究。棋盤格是最常用的因為角點檢測精度高、算法成熟。但棋盤格的角點檢測依賴黑白邊界如果鏡頭畸變很大邊緣的棋盤格會變形角點檢測可能失敗。這時候可以用圓點標定板圓心的檢測對畸變沒那么敏感。另外標定板的平整度很關鍵。我買過一塊便宜的陶瓷標定板看著挺平實際用激光干涉儀一測中間凸了0.05mm標定出來的畸變系數(shù)怎么都不對。后來換成玻璃基底的問題才解決。標定流程大致是這樣的先采集不同姿態(tài)的標定板圖像然后檢測角點接著初始化內參再用非線性優(yōu)化求解所有參數(shù)最后評估重投影誤差。OpenCV的calibrateCamera函數(shù)把這些步驟都封裝好了但有幾個參數(shù)需要特別注意。flags參數(shù)控制哪些參數(shù)參與優(yōu)化如果一開始就讓所有參數(shù)自由優(yōu)化容易過擬合。我一般先用CALIB_FIX_ASPECT_RATIO固定縱橫比跑一遍得到初值再放開所有參數(shù)精調。criteria參數(shù)控制迭代終止條件默認是30次迭代或者誤差變化小于1e-6對于高精度標定可以適當放寬迭代次數(shù)。標定完之后一定要做驗證。驗證的方法不是看重投影誤差而是用標定結果去測量一個已知尺寸的物體看測量值和真實值的偏差。我通常會用標準量塊或者高精度棋盤格在視野的四個角和中心分別測量看誤差分布。如果中心誤差小、邊緣誤差大說明畸變模型不夠如果整體都有固定偏差說明外參或者像素尺寸有問題。這個驗證步驟比標定本身更重要因為它直接告訴你標定結果能不能用。import cv2 import numpy as np # 棋盤格內角點數(shù)量比如9x6 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) objpoints [] # 三維點 imgpoints [] # 二維點 # 讀取標定圖像 images [calib_01.jpg, calib_02.jpg, calib_03.jpg] for fname in images: img cv2.imread(fname) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners cv2.findChessboardCorners(gray, pattern_size, None) if ret: objpoints.append(objp) # 亞像素優(yōu)化 corners2 cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria(cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)) imgpoints.append(corners2) # 標定 ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None) print(內參矩陣:\n, mtx) print(畸變系數(shù):, dist.ravel())提示標定圖像不要只拍十幾張就完事建議拍30張以上覆蓋不同距離、不同角度、不同位置最后用重投影誤差和實際測量雙重驗證。4. 光源與成像質量為什么同樣的相機換光源就像換了一臺設備在機器視覺里光源的重要性經(jīng)常被低估。很多人愿意花幾萬塊買相機和鏡頭卻在光源上隨便找個環(huán)形燈湊合。結果就是圖像對比度低、邊緣模糊、反光嚴重算法調來調去都不穩(wěn)定。我個人的經(jīng)驗是光源對成像質量的影響不亞于相機和鏡頭。同樣的相機和鏡頭換一個合適的光源圖像質量能有質的飛躍。光源的核心作用不是“照亮物體”而是“制造對比度”。機器視覺算法依賴的是圖像中的灰度差異如果目標和背景的灰度值差不多邊緣檢測、閾值分割、模板匹配都會失效。好的光源設計能讓目標特征和背景形成明顯的灰度差同時抑制不需要的特征。比如檢測金屬表面的劃痕用低角度暗場照明劃痕會散射光線在暗背景上形成亮線如果用同軸光劃痕和表面的反射率差不多根本看不出來。常見的光源類型有環(huán)形光、條形光、背光、同軸光、穹頂光、點光源。環(huán)形光最常用安裝方便適合一般表面檢測條形光靈活可以組合成各種角度背光用于測量輪廓和透明物體同軸光適合反光表面的均勻照明穹頂光提供無影照明適合曲面和復雜形狀點光源配合光纖適合狹小空間。選光源的時候先問自己我要突出什么特征這個特征和背景在光學特性上有什么差異然后根據(jù)差異選照明方式。光源的顏色也很有講究。單色光可以增強特定顏色的對比度。比如檢測紅色物體上的黑色標記用紅色光源紅色物體反射紅光變成亮背景黑色標記吸收光變成暗目標對比度就出來了。如果用白光紅色物體和黑色標記的灰度差可能不夠。另外紅外光可以穿透某些材料用于檢測內部缺陷紫外光可以激發(fā)熒光用于特殊標記檢測。我做過一個項目檢測透明薄膜上的微小缺陷用普通白光怎么都拍不清楚后來換成紫外光配合熒光標記缺陷一目了然。光源的穩(wěn)定性同樣關鍵。LED光源用久了會光衰溫度變化也會影響亮度。如果視覺系統(tǒng)依賴固定的灰度閾值光源亮度漂移會導致誤判。解決辦法有兩個一是用恒流驅動保持電流穩(wěn)定二是定期用標準白板校準動態(tài)調整曝光或閾值。我一般會在系統(tǒng)里加一個亮度監(jiān)測模塊每次開機先拍一張標準白板自動調整曝光時間保證灰度值一致。光源類型適用場景優(yōu)點缺點環(huán)形光一般表面檢測安裝方便、均勻反光表面易產(chǎn)生光暈條形光邊緣檢測、劃痕角度靈活、對比度高需要多角度組合背光輪廓測量、透明物體邊緣銳利、對比度極高占用空間、不適用表面檢測同軸光反光表面均勻無陰影成本高、工作距離短穹頂光曲面、復雜形狀無影、均勻體積大、亮度較低注意光源不是越亮越好。過亮會導致傳感器飽和過暗會信噪比不足。調光源的時候先固定相機曝光再調光源亮度讓目標區(qū)域的灰度值落在傳感器線性區(qū)間的中間偏上位置。5. 從圖像到測量針孔模型在實際項目中的誤差來源與補償理解了針孔模型和成像鏈路最終還是要落到實際測量上。很多人標定完、搭好光源以為就能直接測了結果發(fā)現(xiàn)測量值和真實值總有偏差而且偏差還不穩(wěn)定。這時候就需要系統(tǒng)地分析誤差來源。機器視覺測量的誤差從來不是單一因素造成的而是多個環(huán)節(jié)誤差的累積和耦合。第一個誤差來源是鏡頭畸變。雖然標定時已經(jīng)補償了徑向和切向畸變但畸變模型是近似不可能完全擬合。尤其是視野邊緣殘余畸變可能還有0.1到0.5個像素。如果測量精度要求亞像素這個殘余畸變就不能忽略。解決辦法是盡量讓被測特征落在視野中心區(qū)域或者用更高階的畸變模型再或者用遠心鏡頭從根本上減小畸變。第二個誤差來源是透視誤差。針孔模型是透視投影物體離相機越遠成像越小。如果被測物體有厚度上下表面的放大倍率不一樣測量邊緣時就會引入誤差。比如測量一個圓柱的直徑如果從側面拍圓柱的輪廓邊緣對應的是切點不是直徑端點測量值會偏小。這時候要么用遠心鏡頭消除透視要么用背光只測輪廓要么通過多視角重建來補償。第三個誤差來源是像素當量標定誤差。像素當量就是每個像素對應多少物理尺寸通常用標準量塊或者標定板來標定。但標定板的制造精度、放置角度、溫度變化都會影響像素當量。我一般會用多個標準件在不同位置測量取平均值作為像素當量并且定期復檢。如果工作距離變了像素當量必須重新標定因為放大倍率變了。第四個誤差來源是圖像處理算法的偏差。邊緣檢測算法有很多種基于梯度的、基于矩的、基于擬合的不同算法對同一個邊緣的定位結果可能差0.1到0.3個像素。選擇算法時要考慮邊緣的對比度、噪聲水平、曲率。比如直線邊緣用Canny加亞像素擬合圓弧邊緣用圓擬合或者卡尺工具。另外閾值的選擇也會影響邊緣位置閾值偏高邊緣往亮區(qū)偏閾值偏低邊緣往暗區(qū)偏。我通常會用多個閾值跑一遍看邊緣位置的穩(wěn)定性選最穩(wěn)定的那個。第五個誤差來源是環(huán)境因素。溫度變化會導致相機傳感器熱脹冷縮機械結構變形鏡頭焦距漂移。振動會導致圖像模糊等效于降低分辨率。環(huán)境光變化會影響光源的穩(wěn)定性。這些因素在實驗室里不明顯到了產(chǎn)線上就暴露了。我做過一個項目白天和晚上測量結果差0.05mm后來發(fā)現(xiàn)是空調出風口對著相機吹溫度變化導致鏡頭輕微變形。加了隔熱罩和恒溫措施后問題才解決。補償這些誤差沒有一勞永逸的辦法只能逐項分析、逐項控制。我的做法是先做誤差預算列出所有可能的誤差源估算每個誤差源的大小然后看總誤差是否滿足要求。如果不夠就針對最大的誤差源采取措施。比如畸變殘余是主要誤差就換遠心鏡頭透視誤差是主要誤差就改背光或者多視角環(huán)境振動是主要誤差就加防振臺。誤差預算這個習慣能讓你在項目初期就判斷方案可不可行而不是做到一半才發(fā)現(xiàn)精度達不到。# 亞像素邊緣定位示例一維灰度矩方法 import numpy as np def subpixel_edge(gray_line): 輸入一維灰度剖面輸出亞像素邊緣位置 # 計算梯度 grad np.abs(np.diff(gray_line)) # 找到梯度最大位置 peak np.argmax(grad) # 用前后三點做拋物線擬合 if peak 0 or peak len(grad)-1: return peak y0, y1, y2 grad[peak-1], grad[peak], grad[peak1] denom 2 * (y0 - 2*y1 y2) if denom 0: return peak offset (y0 - y2) / denom return peak offset提示誤差預算是視覺項目立項階段最重要的文檔之一。把每個誤差源的量級寫清楚比事后反復調參高效得多。6. 選型與調試中的幾個反直覺經(jīng)驗做了這么多年視覺項目踩過的坑不少有些經(jīng)驗跟教科書上寫的不太一樣但確實管用。這里挑幾個反直覺的分享一下希望能幫你少走彎路。第一個反直覺經(jīng)驗高分辨率相機不一定帶來高精度。很多人覺得像素越多測量越準。但實際上像素多了單像素的進光量減少信噪比下降邊緣定位的噪聲反而可能變大。而且高分辨率對鏡頭的解析力要求更高如果鏡頭喂不飽傳感器多出來的像素全是模糊的。我對比過500萬和2000萬像素相機測同一個零件在同樣視野下2000萬像素的重復性并沒有明顯提升反而因為噪聲大了邊緣波動更明顯。后來換了高信噪比的傳感器才把精度提上去。所以選相機時先看信噪比和量子效率再看分辨率。第二個反直覺經(jīng)驗幀率不是越高越好。高幀率意味著曝光時間短進光量少圖像暗、噪聲大。如果產(chǎn)線速度不快用低幀率長曝光圖像質量會好很多。我見過一個項目為了追求速度用了200fps的相機結果曝光時間只有幾十微秒光源得開到極亮LED發(fā)熱嚴重光衰很快。后來降到50fps曝光時間長了光源亮度降下來系統(tǒng)反而更穩(wěn)定。幀率夠用就行別為了參數(shù)好看犧牲圖像質量。第三個反直覺經(jīng)驗標定板不是越貴越好但太便宜的肯定不行。標定板的精度直接影響標定結果但也不是說非要買干涉儀級別的。對于一般工業(yè)測量標定板平整度在5微米以內就夠用了。關鍵是標定板的圖案要清晰、對比度高、角點銳利。我買過一塊便宜的打印標定板角點模糊檢測出來的角點位置波動好幾個像素標定結果完全不能用。后來換成陶瓷基底的雖然貴一點但一次標定就能穩(wěn)定用半年。第四個反直覺經(jīng)驗光源角度比光源亮度更重要。很多人調光源就是調亮度調來調去效果都不好。其實改變光源角度往往能帶來質的改變。比如檢測玻璃表面的劃痕正面打光什么都看不到把光源移到側面用暗場照明劃痕立刻顯現(xiàn)。再比如檢測金屬表面的字符同軸光下字符和背景對比度很低換成低角度環(huán)形光字符的凹凸產(chǎn)生陰影對比度就出來了。調光源的時候先別動亮度先試角度角度對了再調亮度。第五個反直覺經(jīng)驗算法不是越復雜越好。有些項目一上來就用深度學習結果數(shù)據(jù)不夠、標注成本高、推理速度慢最后效果還不如傳統(tǒng)算法。傳統(tǒng)算法在特征明確、光照可控的場景下穩(wěn)定性和速度都有優(yōu)勢。我一般建議先用傳統(tǒng)算法跑一遍如果精度和穩(wěn)定性滿足要求就別上深度學習如果傳統(tǒng)算法確實搞不定再考慮深度學習并且要做好數(shù)據(jù)采集和標注的準備。算法選型要看場景不是看熱度。反直覺經(jīng)驗常見做法更優(yōu)做法原因分辨率越高越好看信噪比和鏡頭解析力高像素可能噪聲大、鏡頭喂不飽幀率越高越好夠用即可優(yōu)先圖像質量高幀率導致曝光短、噪聲大標定板越貴越好平整度5微米以內即可關鍵是圖案清晰、角點銳利光源調亮度先調角度再調亮度角度決定對比度亮度只是輔助算法越復雜越好傳統(tǒng)算法優(yōu)先簡單場景傳統(tǒng)算法更穩(wěn)更快提示視覺系統(tǒng)調試時先固定所有變量只調一個參數(shù)觀察效果變化。同時調多個參數(shù)出了問題根本不知道是哪個引起的。7. 寫在最后幾個能幫你省時間的實操習慣做機器視覺項目技術是一方面習慣是另一方面。好的習慣能讓你少加班、少背鍋。我分享幾個自己一直在用的實操習慣都是踩坑之后總結出來的。第一個習慣每次實驗都記錄參數(shù)和結果。相機型號、鏡頭焦距、光圈值、工作距離、光源類型和角度、曝光時間、增益、標定結果、測量數(shù)據(jù)全部記下來。視覺項目參數(shù)多過兩天就忘了當時怎么調的。有記錄的話復現(xiàn)和對比都方便。我一般用表格記錄每次實驗一行時間、參數(shù)、結果、備注。這個習慣看起來麻煩但關鍵時刻能救命。第二個習慣標定之后立刻做驗證不要等。標定完馬上用標準件測一遍看誤差分布。如果誤差大立刻找原因別等到項目后期才發(fā)現(xiàn)。標定和驗證之間的時間越短越容易定位問題。我見過有人標定完就扔一邊過了兩周才用結果發(fā)現(xiàn)標定板已經(jīng)動過了只能重來。第三個習慣光源和相機分開調試。先調光源把圖像對比度調到最好再調相機曝光和增益讓灰度值落在合適區(qū)間。如果同時調很容易互相干擾。調光源的時候相機參數(shù)固定調相機的時候光源固定。這樣每一步的效果都清晰。第四個習慣保留原始圖像。不管算法怎么處理原始圖像一定要存。后期如果發(fā)現(xiàn)算法有問題還能用原始圖像重新跑。我一般會存一批典型圖像包括合格品、不合格品、邊界情況作為回歸測試集。每次改算法先跑一遍測試集看有沒有把原來對的搞錯了。第五個習慣定期復檢系統(tǒng)精度。視覺系統(tǒng)不是裝好就一勞永逸的鏡頭會松動、光源會光衰、相機傳感器會老化。我一般每周用標準件復檢一次記錄測量值的變化趨勢。如果發(fā)現(xiàn)漂移及時校準。這個習慣能避免批量誤判減少產(chǎn)線損失。這些習慣都不復雜但堅持下來項目成功率會高很多。機器視覺入門不難難的是把每個細節(jié)都做到位。針孔模型、成像鏈路、標定、光源、誤差分析每一塊都有坑但每一塊也都有方法。希望這篇內容能幫你建立完整的知識框架在實際項目中少踩幾個坑。