机器视觉选型三件套：镜头计算器+离线知识库+本地方案

在机器视觉项目里，最容易被低估的不是算法，而是选型。很多团队辛苦做完了算法验证，一到搭建硬件方案时才发现相机靶面、镜头焦距、工作距离根本没有匹配上，最后只能推翻重来。镜头焦距差几毫米、视野差几个厘米，都会直接影响检测精度和项目交付。本文围绕启视QVis V0.2 的定位展开，重点拆解它提出的“镜头计算器 + 离线知识库 + 本地方案”三件套组合，适合正在做视觉选型、方案评估、以及想搭建本地工具链的工程师阅读。通过文章，你会理解每一件套背后解决什么问题，并拿到一套可以落地的最小实现示例。

1. 背景与核心概念

1.1 为什么视觉选型让人头疼

视觉选型通常发生在项目方案阶段。需求方只给一个检测精度要求，比如“检测 0.5mm 的缺陷”“视野 200mm 内识别字符”，剩下的所有硬件参数都需要视觉工程师自己推导。推导过程涉及相机分辨率、芯片靶面尺寸、镜头焦距、工作距离、景深、光源波长等一系列参数，任何一个参数算错，都会导致最终方案不可用。

更麻烦的是，这些参数之间是耦合的。焦距变了，视野就变；工作距离变了，景深和放大倍率又跟着变。再加上不同品牌的相机、镜头型号非常多，手册参数各不相同，工程师通常需要在多个文档、多个在线工具之间来回切换，效率很低。很多小型自动化公司甚至没有专职视觉工程师，往往是电气工程师兼顾，选型只能靠供应商推荐，项目风险自然就上来了。

1.2 启视QVis V0.2 是什么

启视QVis V0.2 可以理解为一套面向视觉选型场景的本地工具集。它从实际选型流程出发，把选型过程中最高频的三个需求打包在一起：

• 镜头计算器：把焦距、视野、工作距离、分辨率之间的换算关系固化下来，输入参数即可得到推荐结果。
• 离线知识库：把镜头型号、相机参数、光源类型、案例经验等内容沉淀到本地数据库，支持快速检索，不需要联网。
• 本地方案：数据、服务、页面都在本地运行，不依赖外部服务器，适合研发内网甚至完全离线的生产环境。

相比在线选型工具，QVis 这类本地化方案最大的特点是可控。选型数据不会离开内网，知识库可以按项目组自由维护，工具本身也可以离线使用，不受网络波动影响。

1.3 “三件套”分别解决什么问题

第一，镜头计算器解决的是“算得准”的问题。有了标准算法，不同工程师算出来的结果是一致的，不会因为经验差异导致方案差异。

第二，离线知识库解决的是“找得到”的问题。视觉选型非常依赖历史经验和供应商资料。一个项目用过的镜头型号、一个验证过的参数组合，如果散落在聊天记录和本地文件里，下次很难找回来。知识库把这些问题集中管理。

第三，本地方案解决的是“用得上”的问题。很多工厂环境不允许访问外部网络，在线工具完全不可用。本地部署让工具真正跑到用户手里，不依赖外网权限。

1.4 适用读者

本文适合以下几类读者：

• 刚接触机器视觉，想系统理解选型参数关系的初学者。
• 需要频繁给项目做硬件方案、做技术验证的视觉工程师。
• 团队内部想搭建选型工具链，但没有现成方案可以参考的技术负责人。
• 对本地部署、离线工具感兴趣的开发者。

读完本文，你将掌握镜头选型的核心公式，了解离线知识库的常见实现方式，并且可以跟着章节动手搭一个最小可运行的视觉选型辅助工具。

2. 环境准备与项目结构

2.1 运行环境

本文的示例代码以 Python 为基础，主要依赖 Flask 和 SQLite。Python 版本建议使用 3.9 及以上版本，因为新版类型注解和内置语法更友好。操作系统方面，Windows、Linux、macOS 都可以运行，本文示例在 Windows 10/11 下验证过思路，但命令本身是跨平台的。

需要说明的是，QVis V0.2 是不断迭代的版本项目，本文不虚构其内部源码，而是从其功能定位出发，用通用技术栈实现一个功能等价的最小示例。读者可以借此理解工具背后的设计逻辑，再迁移到自己的工程里。

2.2 依赖安装

示例项目只需要安装 Flask 一个第三方库，SQLite 由 Python 标准库直接支持。

pip install flask

如果希望顺带做图像的简单验证，可以再安装：

pip install opencv-python-headless numpy

opencv-python-headless 是 OpenCV 的无界面版本，适合在没有显示器的服务器或本地脚本里使用，避免安装桌面依赖。

2.3 推荐目录结构

一个功能清晰的小工具，建议按职责拆分目录，避免把所有逻辑塞进一个文件。本文示例的目录结构如下：

qvis-mini/ ├── app.py # Flask 主入口，负责路由 ├── lens_calc.py # 镜头计算核心逻辑 ├── kb.py # 离线知识库的初始化和查询 ├── requirements.txt # 依赖清单 ├── data/ │ └── lens.db # SQLite 数据库文件，首次运行自动生成 └── templates/ └── index.html # 浏览器页面模板

创建目录和文件可以手动完成，也可以用命令快速生成。Windows 下创建多级目录：

mkdir qvis-mini cd qvis-mini mkdir data templates

3. 镜头计算器：把选型公式变成可复用工具

3.1 镜头计算的基本原理

镜头选型中最常用的一组公式，核心是把工作距离（WD）、传感器靶面宽度（SW）、视野宽度（FOV）、焦距（f）联系起来。

最基础的计算公式是：

f = WD × SW / FOV

其中：

• f 为焦距，单位 mm。
• WD 为镜头前端到被测物体的工作距离，单位 mm。
• SW 为相机传感器靶面的物理宽度，单位 mm。
• FOV 为对应视野宽度，单位 mm。

举一个例子。假设某相机传感器靶面宽度为 4.8mm，工作距离需要 200mm，视野宽度要求 100mm，那么：

f = 200 × 4.8 / 100 = 9.6mm

所以选择 10mm 附近的定焦镜头比较合理。

这个公式的逻辑很多人知道，但实际选型时换算单位、反推视野、判断分辨率是否满足要求，每一步都容易出错。尤其是不同品牌传感器型号的靶面尺寸不一样，查表时稍不注意就会把 1/2.5 英寸的靶面当成 1/2 英寸来算。

3.2 核心函数实现

下面用 Python 实现一个最小可用的镜头计算模块。文件路径为lens_calc.py。

# 文件路径：qvis-mini/lens_calc.py def calc_focal_length(working_distance, sensor_width, fov_width): """ 根据工作距离、传感器靶面宽度、视野宽度计算推荐焦距。 :param working_distance: 工作距离，单位 mm :param sensor_width: 传感器靶面宽度，单位 mm :param fov_width: 视野宽度，单位 mm :return: 推荐焦距，单位 mm """ if fov_width <= 0: raise ValueError("视野宽度必须大于 0") if sensor_width <= 0: raise ValueError("传感器靶面宽度必须大于 0") if working_distance <= 0: raise ValueError("工作距离必须大于 0") focal_length = working_distance * sensor_width / fov_width return focal_length def calc_fov(working_distance, sensor_width, focal_length): """ 根据工作距离、传感器靶面宽度、焦距计算视野宽度。 """ if focal_length <= 0: raise ValueError("焦距必须大于 0") fov_width = working_distance * sensor_width / focal_length return fov_width def calc_min_resolution(fov_width, sensor_width, pixel_size_um): """ 计算在当前视野下，单个像素对应的物方尺寸。 :param fov_width: 视野宽度，单位 mm :param sensor_width: 传感器靶面宽度，单位 mm :param pixel_size_um: 像元尺寸，单位 um :return: 物方单像素精度，单位 mm """ if sensor_width <= 0 or fov_width <= 0 or pixel_size_um <= 0: raise ValueError("传感器宽度、视野宽度、像元尺寸都必须大于 0") pixel_size_mm = pixel_size_um / 1000.0 resolution = fov_width * pixel_size_mm / sensor_width return resolution if __name__ == "__main__": # 简单自测 f = calc_focal_length(200, 4.8, 100) print("推荐焦距: {:.2f}mm".format(f)) resolution = calc_min_resolution(100, 4.8, 2.4) print("物方单像素精度: {:.4f}mm".format(resolution))

这段代码里做了三个事情：

• 用calc_focal_length算出推荐焦距；
• 用calc_fov反推视野，适合已有镜头验证方案；
• 用calc_min_resolution判断所选组合的极限分辨率。

跑一下自测代码，输出效果如下：

推荐焦距: 9.60mm 物方单像素精度: 0.0500mm

3.3 参数边界说明

实际工程中，镜头选型不能只看一个焦距值。还要关注接口类型（C 口、CS 口）、靶面尺寸覆盖（镜头像面必须大于等于传感器靶面）、畸变率、工作距离范围、景深等参数。

尤其需要注意的是，厂家标称的焦距往往是整档值，比如 8mm、12mm、16mm。计算结果是 9.6mm 时，工业上通常就近选择 8mm 或 12mm，再通过调整工作距离来适配视野要求。调整工作距离后需要重新验算视野和景深，不能只看焦距。

3.4 从计算到选型

计算只是第一步。真正选型时，建议按下面的顺序确认：

1. 先确认检测精度要求，计算所需最小分辨率。
2. 再确认视野和工作距离的物理限制。
3. 计算焦距，选最接近的镜头档位。
4. 查镜头支持的靶面尺寸和接口。
5. 验算景深是否满足要求。
6. 最后做实际打光测试。

QVis V0.2 的镜头计算器本质上就是把前四步标准化，减少人工查表和换算的时间。

4. 离线知识库：让选型经验沉淀在本地

4.1 离线知识库的功能定位

视觉选型过程中，工程师需要查询大量型号参数。常见的场景包括：

• 某个物距下，常用的 500 万像素相机配什么镜头？
• 之前项目里用过哪款光源，色温是多少？
• 某个供应商的镜头型号，具体靶面覆盖范围是多少？

这些信息如果靠记忆，容易遗忘；如果靠翻聊天记录，效率太低。离线知识库就是为了解决这类问题。

离线有两个关键含义：

• 数据存储在本地，不依赖外部 API；
• 检索能力在本机完成，不会把数据发送到第三方服务器。

对很多做设备研发的团队来说，离线知识库还承担着团队经验沉淀的职能。新人入职后，不需要反复问老员工“这个项目怎么选的”，直接搜知识库就能拿到历史方案上下文。

4.2 技术选型

离线知识库的技术方案比较灵活，常见选择有三类。

第一类是传统关系型数据库加模糊查询，比如 SQLite、MySQL。优点是结构清晰，适合参数化的数据，比如镜头焦距、靶面尺寸、接口类型。缺点是全文检索能力偏弱，like 查询在数据量大时性能一般。

第二类是全文检索引擎，比如 SQLite FTS5、Apache Lucene。它可以对文本内容建立倒排索引，搜索响应快，适合搜索产品描述、案例记录等长文本。

第三类是嵌入式向量数据库，比如 Chroma、SQLite-Vec。适合做语义检索，比如输入“大视野低畸变”能找到相关镜头型号。但向量库的维护成本更高，需要做向量化，对纯离线工具来说，初期不必上这一套。

QVis V0.2 的离线知识库，从“离线、轻量、易维护”的角度出发，选用 SQLite 加 FTS5 是性价比比较高的方案。

4.3 基于 SQLite FTS5 的实现

下面代码实现知识库初始化、写入示例数据和查询。文件路径为kb.py。

# 文件路径：qvis-mini/kb.py import sqlite3 import os DB_PATH = "data/lens.db" def get_connection(): # 确保 data 目录存在 os.makedirs(os.path.dirname(DB_PATH), exist_ok=True) return sqlite3.connect(DB_PATH) def init_db(): """ 初始化数据库，创建 FTS5 虚拟表。 如果表已经存在，则不重复创建。 """ conn = get_connection() conn.execute( """ CREATE VIRTUAL TABLE IF NOT EXISTS lens_kb USING fts5( name, spec, category, content ) """ ) conn.commit() conn.close() def insert_sample_data(): """ 写入演示数据，方便直接运行测试。 实际使用中可以替换为自己的型号库和案例库。 """ init_db() conn = get_connection() sample_data = [ ("FA2514", "25mm 2/3\"", "定焦镜头", "常用 2/3 英寸靶面工业镜头，适合中小视野检测，工作距离可调范围较大。"), ("LM50HC", "50mm 1\"", "定焦镜头", "适用于大靶面相机，低畸变设计，适合高精度测量场景。"), ("MV-CA050-10GM", "500万像素 2/3\"", "工业相机", "500 万像素千兆网相机，像元尺寸 3.45um，适合通用视觉检测。"), ("RL-120-100W", "100W 红色环形光源", "光源", "红色光源适合透射或表面纹理检测，环形结构适合打光均匀的场景。"), ] conn.executemany( """ INSERT INTO lens_kb(name, spec, category, content) VALUES (?, ?, ?, ?) """, sample_data, ) conn.commit() conn.close() def search_kb(keyword): """ 在知识库中检索关键词。 返回结果列表，每个元素是 (name, spec, category, content)。 """ init_db() conn = get_connection() cursor = conn.execute( """ SELECT name, spec, category, content FROM lens_kb WHERE lens_kb MATCH ? """, (keyword,), ) rows = cursor.fetchall() conn.close() return rows if __name__ == "__main__": init_db() insert_sample_data() results = search_kb("镜头") for row in results: print(row)

运行这段脚本前，如果之前已经生成过数据库文件，建议先删掉旧的data/lens.db再跑，避免数据重复插入。

python kb.py

预期输出类似：

('FA2514', '25mm 2/3"', '定焦镜头', '常用 2/3 英寸靶面工业镜头...') ('LM50HC', '50mm 1"', '定焦镜头', '适用于大靶面相机...')

4.4 中文检索的注意事项

SQLite FTS5 默认的 unicode61 分词器对中文支持不理想，它会把连续的中文字符当作一个整词。直接搜“镜头”可能匹配不到包含“工业镜头”的结果，体验会比较差。

实际工程中有几个改进方向：

• 把关键词拆成短词再匹配，比如对中文内容做简单的人工空格分词。
• 增加一列“别名”，提前写入常见检索词。
• 使用支持中文分词的扩展库，如 simple 分词器配合空格预处理。
• 先做宽泛匹配，再做二次过滤。

在最小示例中，可以先通过在插入数据时给content字段加空格分词的方式优化。

def tokenize_chinese(text): return " ".join(text)

当然这种方式比较粗糙，生产环境建议做真正的分词处理，至少要把连续中文按字或按词切分。

5. 本地方案：内网可用、数据可控

5.1 本地方案的价值

很多团队会优先选择在线选型工具，但一进入工厂现场就发现网络策略非常严格。研发网和生产网隔离，外部网站根本访问不了。这种情况下，本地化方案的优势就体现出来了。

本地方案的价值主要体现在三点：

• 离线可用：没有外网也能正常计算和检索。
• 数据可控：所有历史方案和选型数据都在内网，不担心数据外泄。
• 可持续沉淀：团队成员可以把项目经验不断补充到本地知识库中。

业界其实已经有这种趋势，很多基础组件都在从纯在线服务走向本地部署方案，比如一些定时调度平台也在完善离线部署能力。QVis V0.2 强调本地方案，本质上和这一趋势是一致的。

5.2 本地服务架构

一个轻量级本地工具，通常由 Web 页面、本地 API 服务和本地数据库三部分组成。

浏览器页面 --> Flask API --> SQLite 数据库

浏览器承担交互界面，Flask 承担计算和检索逻辑，SQLite 承担数据存储。三部分完全跑在本地，不需要外部中间件，部署和维护成本都很低。

如果需要在局域网内多人使用，只需把 Flask 服务的 host 设置为0.0.0.0，同事通过 IP 加端口访问即可。如果需要更强的稳定性和并发能力，可以在前面加一层 Nginx。

5.3 一个最小 Flask 服务示例

下面用一个极简 Flask 服务演示本地 API 的编写方式。文件路径为app.py。

# 文件路径：qvis-mini/app.py from flask import Flask, render_template, request, jsonify from lens_calc import calc_focal_length, calc_fov, calc_min_resolution from kb import init_db, insert_sample_data, search_kb app = Flask(__name__) @app.route("/", methods=["GET"]) def index(): return render_template("index.html") @app.route("/calc_focal", methods=["POST"]) def calc_focal(): """ 计算焦距。 请求参数: working_distance, sensor_width, fov_width """ try: working_distance = float(request.form.get("working_distance")) sensor_width = float(request.form.get("sensor_width")) fov_width = float(request.form.get("fov_width")) focal = calc_focal_length(working_distance, sensor_width, fov_width) return jsonify({"focal_length": round(focal, 2)}) except ValueError as e: return jsonify({"error": str(e)}), 400 except Exception: return jsonify({"error": "请求参数格式不正确"}), 400 @app.route("/search", methods=["POST"]) def search(): """ 知识库检索。 请求参数: keyword """ keyword = request.form.get("keyword", "").strip() if not keyword: return jsonify({"error": "关键词不能为空"}), 400 rows = search_kb(keyword) results = [ { "name": row[0], "spec": row[1], "category": row[2], "content": row[3], } for row in rows ] return jsonify({"results": results}) if __name__ == "__main__": init_db() insert_sample_data() app.run(host="0.0.0.0", port=5000, debug=True)

这里用request.form接收 POST 表单参数，逻辑简单直接。debug=True只适合开发调试，生产环境要关闭。

5.4 浏览器访问与内网分发

运行程序：

python app.py

浏览器访问：

http://localhost:5000

如果局域网内需要多人使用，查看本机 IP：

ipconfig

然后其他人访问：

http://192.168.x.x:5000

注意 Windows 防火墙可能拦截访问，需要在防火墙入站规则中放行 5000 端口，或者在部署文档里明确写上网关和端口变更方式。

6. 完整实战：搭建 QVis 风格的最小视觉选型工具

6.1 需求与功能拆分

现在我们综合前面几个模块，搭一个最小版本的工具，取名为 qvis-mini。它的功能很简单：

• 页面提供表单输入，可以计算焦距。
• 页面提供搜索框，可以检索本地知识库。
• 计算结果和检索结果都在当前页面展示。

这个工具虽然在规模上远小于完整的 QVis V0.2，但已经把“镜头计算器 + 离线知识库 + 本地方案”三条核心链路打通了。

6.2 项目文件规划

继续沿用前面的目录结构：

qvis-mini/ ├── app.py ├── lens_calc.py ├── kb.py ├── requirements.txt ├── data/ │ └── lens.db └── templates/ └── index.html

6.3 镜头计算模块代码

该模块已经在 3.2 节给出，文件路径为lens_calc.py。直接复用即可。

6.4 知识库模块代码

该模块已经在 4.3 节给出，文件路径为kb.py。注意首次运行时调用insert_sample_data()是演示行为，真实项目中应改为管理端导入数据。

6.5 主应用代码

主应用代码已经在 5.3 节给出，文件路径为app.py。可以额外扩展一个/calc_fov接口，方便测试不同镜头组合下的视野变化。

@app.route("/calc_fov", methods=["POST"]) def calc_fov_api(): try: working_distance = float(request.form.get("working_distance")) sensor_width = float(request.form.get("sensor_width")) focal_length = float(request.form.get("focal_length")) fov = calc_fov(working_distance, sensor_width, focal_length) return jsonify({"fov_width": round(fov, 2)}) except ValueError as e: return jsonify({"error": str(e)}), 400 except Exception: return jsonify({"error": "请求参数格式不正确"}), 400

6.6 前端页面

文件路径为templates/index.html。页面保持简洁，包含输入端、焦距结果区和知识库检索区。

<!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8"> <title>qvis-mini 视觉选型辅助工具</title> <style> body { max-width: 800px; margin: 40px auto; font-family: Arial, sans-serif; } .card { border: 1px solid #ddd; border-radius: 8px; padding: 20px; margin-bottom: 20px; } label { display: inline-block; width: 140px; } input { padding: 6px; width: 200px; margin: 4px 0; } button { padding: 8px 20px; margin-top: 10px; } .result { margin-top: 10px; color: #1a73e8; } ul { list-style: none; padding: 0; } li { border-bottom: 1px solid #eee; padding: 8px 0; } </style> </head> <body> <h1>视觉选型辅助工具</h1> <div class="card"> <h3>镜头计算器</h3> <form id="calcForm"> <label>工作距离 WD(mm)</label> <input type="number" id="working_distance" value="200" step="0.01"><br> <label>传感器靶面宽度 SW(mm)</label> <input type="number" id="sensor_width" value="4.8" step="0.01"><br> <label>视野宽度 FOV(mm)</label> <input type="number" id="fov_width" value="100" step="0.01"><br> <button type="button" onclick="calcFocal()">计算焦距</button> <div class="result" id="focalResult"></div> </form> </div> <div class="card"> <h3>离线知识库检索</h3> <form id="searchForm"> <label>关键词</label> <input type="text" id="keyword" value="镜头"> <button type="button" onclick="searchKb()">搜索</button> </form> <ul id="searchResult"></ul> </div> <script> async function calcFocal() { const formData = new FormData(); formData.append("working_distance", document.getElementById("working_distance").value); formData.append("sensor_width", document.getElementById("sensor_width").value); formData.append("fov_width", document.getElementById("fov_width").value); const resp = await fetch("/calc_focal", { method: "POST", body: formData }); const data = await resp.json(); if (data.error) { document.getElementById("focalResult").innerText = "错误：" + data.error; } else { document.getElementById("focalResult").innerText = "推荐焦距：" + data.focal_length + " mm"; } } async function searchKb() { const formData = new FormData(); formData.append("keyword", document.getElementById("keyword").value); const resp = await fetch("/search", { method: "POST", body: formData }); const data = await resp.json(); const list = document.getElementById("searchResult"); list.innerHTML = ""; if (data.error) { list.innerHTML = "<li>错误：" + data.error + "</li>"; return; } if (data.results.length === 0) { list.innerHTML = "<li>没有匹配结果</li>"; return; } data.results.forEach(item => { const li = document.createElement("li"); li.innerHTML = "<b>" + item.name + "</b> | " + item.spec + " | " + item.category + "<br>" + item.content; list.appendChild(li); }); } </script> </body> </html>

6.7 运行与验证

在项目根目录执行：

python app.py

浏览器访问http://localhost:5000，输入工作距离 200mm、传感器宽度 4.8mm、视野宽度 100mm，点击计算，页面会显示“推荐焦距：9.6 mm”。

在知识库搜索框输入“镜头”，点击搜索，页面会返回示例数据中所有包含“镜头”的记录。前端展示、后端计算、本地数据库三条链路都完成了验证。

7. 常见问题与排查思路

7.1 常见问题速查表

7.2 深入排查：焦距计算结果偏差很大

这种情况最常见的原因是传感器靶面宽度取错。相机的规格书里经常标注“1/2.5 英寸”，但它不等于实际靶面尺寸。不同品牌、不同型号的 1/2.5 英寸传感器，实际靶面宽度可能略有不同，必须查到具体型号的 datasheet。推荐做法是写一个传感器型号表，把常用靶面尺寸提前维护到知识库里。

7.3 深入排查：中文搜索无效

如果使用 FTS5 默认分词器，搜索词必须和表内分词结果匹配。解决方案是在写入数据时做简单分词，例如把“常用 2/3 英寸靶面工业镜头”拆成“常用 2/3 英寸靶面工业镜头”，让每个词独立建索引。更彻底的方式是引入中文分词扩展，或更换为支持中文分词的存储方案。

7.4 深入排查：服务启动后端口占用

Windows 下可以通过命令查看端口占用进程：

netstat -ano | findstr :5000

拿到 PID 后，通过任务管理器结束进程，或者换一个端口启动应用。Flask 支持动态指定端口：

python app.py --port 5001

8. 最佳实践与工程建议

8.1 数据规范要前置

离线知识库的价值取决于数据质量。建议在初始化表结构时，就定义统一的字段规范，比如型号、规格、分类、来源、更新时间、实验环境备注。如果一开始只存一个描述字段，后期检索和统计都会非常困难。

8.2 计算模块要保留边界校验

镜头计算虽然公式简单，但不代表可以随便输入。视野为 0、传感器宽度为负数、焦距为 0，都会导致结果无意义。生产环境不能只靠前端校验，后端接口也必须做校验，防止其他程序调用时产生脏数据。

8.3 知识库需要版本和来源字段

选型数据有一个容易被忽视的问题：型号更新快，老型号可能停产，新型号参数可能变化。知识库中的数据最好标注来源和更新时间，比如“供应商 2024 年规格书”。这样即使数据失效，也有追溯条件。

8.4 本地化交付要考虑部署细节

本地方案看似简单，但部署细节很多。建议提前做好以下几点：

• 把所有依赖生成requirements.txt，锁定版本。
• 数据库文件路径不要写死绝对路径，要兼容相对路径。
• 页面静态资源尽量内嵌或随包分发，避免离线环境加载失败。
• 如果需要打包成可执行程序，可使用 PyInstaller 等工具，同时注意数据和模板文件的打包路径。

8.5 权限和数据安全要提前规划

虽然工具部署在内网，但并不意味着不需要权限控制。多人使用时至少考虑以下几个问题：

• 知识库的写入操作是否允许所有人执行？
• 能否在管理端导入新数据，在普通端只读查询？
• 如果工具部署在服务器上，是否需要配置登录页面？
• 数据库备份策略是什么，多久做一次备份？

视觉选型工具承载的数据，本质上是团队的项目经验积累。经验数据丢失比个人记忆丢失更难恢复，定期备份是必须的。

9. 总结

视觉选型的本质，是在一个多变量约束下找到可行解。QVis V0.2 提出的“镜头计算器 + 离线知识库 + 本地方案”三件套，恰好覆盖了计算、查资料、场景落地三个环节。镜头计算器让参数换算不再依赖个人经验；离线知识库让历史选型方案可以沉淀和复用；本地方案则保证了工具在隔离网络中依然可用。

本文用 Python、Flask、SQLite 实现了一个最小示例，虽然代码量不大，但完整走通了从镜头计算到知识检索、再到本地服务启动的整条链路。建议你动手跑一遍，然后把示例中的演示数据替换成自己项目里的真实型号和案例。这样再遇到新的视觉项目时，你的选型过程会顺畅很多。