拓冰网站定制 
简介本资源面向计算机、人工智能、自动化、电子信息等专业的在校学生与嵌入式视觉初学者提供一套基于Python与OpenCV的漆包线点焊焊盘状态识别完整项目源码。项目围绕工业视觉检测场景通过图像采集与ROI区域分析对焊盘正常、倾斜、偏位等状态进行判别可作为毕业设计、课程设计或项目立项演示的参考方案。压缩包共13个文件包含5个Python脚本、7张jpg测试图像和1份md说明文档整体约868KB脚本覆盖主流程、图像估计、ROI提取与功能函数等模块图片则用于验证不同焊盘状态下的识别效果。目前已有106人学习关注。代码经过实际运行测试配套README说明便于快速理解项目结构与运行方式读者可据此掌握OpenCV图像处理、视觉传感器应用与状态分类的基本思路并在此基础上修改扩展完成自己的检测任务或答辩展示。1. 漆包线点焊焊盘状态识别为什么值得用 PythonOpenCV 重做一遍漆包线点焊的焊盘状态长期靠人眼在放大镜或显微镜下判定焊点是否发黑、焊盘是否露铜、有没有虚焊、有没有拉尖。一条产线一天几千个焊点质检员盯到下午眼睛就花了漏检率随疲劳度上升。更麻烦的是判定标准停留在老师傅的脑子里换个人、换个班次结论就可能不一致。用 Python OpenCV 做视觉传感器识别本质是把这套「看颜色、看形状、看面积」的经验固化成可复现的图像处理流程让相机替人做初筛人只处理被判为可疑的那一小部分。这套方案适合三类人一是手上已经有工业相机或 USB 摄像头、想先跑通算法再谈集成的自动化工程师二是做设备改造、需要低成本视觉质检方案的技术负责人三是学 OpenCV 图像处理、想找一个真实工业场景练手的开发者。它不追求深度学习那种端到端黑盒而是用颜色空间、形态学、轮廓分析这些可解释的手段把焊盘状态分成合格、发黑氧化、露铜、缺焊几类。下面从环境搭建讲到参数调优再到实际产线上会翻车的地方一步步拆开。2. 从相机到判定结果漆包线点焊焊盘识别的处理链路2.1 为什么选 OpenCV 而不是直接上深度学习漆包线点焊焊盘的缺陷特征其实很「几何」氧化发黑的区域在 HSV 空间里饱和度和明度都偏低露铜区域在 Lab 空间里 a 通道偏红缺焊则是焊盘区域根本没出现预期的金属反光。这些特征用阈值分割加形态学就能拿到相当稳定的结果样本量需求小调参过程可解释出了问题能定位到具体是哪一步阈值不对。深度学习方案当然也能做但需要几百上千张标注图训练完还是个黑匣子产线换一批漆包线规格就得重新标注重训。对于焊盘状态这种类别少、特征明确的场景OpenCV 的性价比高得多。常见做法是先用 OpenCV 跑通基线把误检率压到可接受范围再考虑要不要用深度学习补足那些 OpenCV 搞不定的边界样本。选型上还要注意相机。工业场景优先选带硬件触发的面阵相机曝光时间手动锁定避免自动曝光导致同一焊盘在不同帧里亮度不一致。USB 摄像头也能用但要把自动曝光、自动白平衡全部关掉否则阈值天天要重调。光源比相机更重要环形光或同轴光能让焊盘反光稳定减少环境光干扰。2.2 环境搭建Python、OpenCV 与相机取流的安装步骤先装 Python建议 3.9 到 3.11 之间的版本太新的版本某些 OpenCV 预编译包还没跟上。Windows 下直接去 python.org 下载安装包勾选 Add Python to PATH。Linux 下用系统包管理器或 pyenv 都行。装完验证python --version pip --version接着装 OpenCV 和数值计算库。如果只是做图像处理装 opencv-python 就够要用到 SIFT、拼接等专利算法或需要 CUDA 加速装 opencv-contrib-python。Linux 上如果要 CUDA 版本得自己用 CMake 编译步骤多先用 CPU 版跑通再说。pip install opencv-python opencv-contrib-python numpy验证安装顺便确认 cv2 能正常导入import cv2 import numpy as np print(cv2.__version__) print(OpenCV OK)如果报ModuleNotFoundError: No module named opencv多半是装到了另一个 Python 环境里。用pip -V看 pip 对应的解释器路径和python -V是否一致。Anaconda 用户注意conda 环境里没有 OpenCV 是常事用conda install -c conda-forge opencv或在激活环境后用 pip 装。相机取流部分USB 相机用 VideoCapture 就能读import cv2 cap cv2.VideoCapture(0) # 0 是相机索引多相机时依次递增 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720) cap.set(cv2.CAP_PROP_AUTO_EXPOSURE, 0) # 关闭自动曝光 cap.set(cv2.CAP_PROP_EXPOSURE, -6) # 曝光值按实际亮度调 while True: ret, frame cap.read() if not ret: break cv2.imshow(weld, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()逻辑说明VideoCapture 的参数 0 表示第一个相机设备工业相机若用 GigE 或 USB3 Vision通常需要厂商 SDK 取流后再转成 numpy 数组喂给 OpenCV。参数说明CAP_PROP_AUTO_EXPOSURE 设为 0 是关闭自动曝光不同平台取值可能不同Windows 下 0.25 有时表示手动需要实测确认CAP_PROP_EXPOSURE 是曝光值负值表示更短的曝光时间具体数值要对着实际光源调目标是让焊盘高光不溢出、暗部不糊死。2.3 焊盘区域定位ROI 提取与坐标标定整幅图里焊盘只占一小块直接对全图做处理既慢又容易被背景干扰。第一步是把焊盘区域抠出来。如果相机位置固定最简单的是手动标定一个 ROI 矩形把坐标写进配置import cv2 import numpy as np img cv2.imread(weld_sample.jpg) # ROI 坐标 (x, y, w, h)按实际画面标定 roi img[200:400, 350:550] cv2.imwrite(roi.png, roi)如果焊盘位置会随工件轻微偏移就得用模板匹配或找圆算法自动定位。模板匹配适合焊盘外观稳定的场景import cv2 img cv2.imread(weld_sample.jpg, 0) template cv2.imread(template.png, 0) res cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED) min_val, max_val, min_loc, max_loc cv2.minMaxLoc(res) if max_val 0.8: # 匹配度阈值 x, y max_loc h, w template.shape roi img[y:yh, x:xw]逻辑说明matchTemplate 在整图上滑动模板TM_CCOEFF_NORMED 返回归一化相关系数越接近 1 越匹配。参数说明max_val 阈值 0.8 是经验值光照变化大时降到 0.7误匹配多时升到 0.9模板图要从实际产线图里裁不要用 CAD 渲染图否则纹理对不上。定位到 ROI 后建议把 ROI 的坐标和尺寸记录到配置文件里换产品时只改配置不改代码。这一步做扎实后面所有处理都只在这个小区域里跑速度能快一个数量级。3. 焊盘状态判定的核心算法颜色空间、形态学与轮廓分析3.1 HSV 与 Lab 颜色空间把「发黑」和「露铜」变成数值RGB 三个通道高度相关直接对 RGB 做阈值很容易被整体亮度变化带偏。HSV 把色相、饱和度、明度分开发黑氧化的区域明度 V 低、饱和度 S 也低露铜区域色相 H 落在橙红区间。Lab 空间里 L 是亮度a 是红绿轴b 是黄蓝轴露铜在 a 通道上表现为明显高值。转换和阈值分割的代码import cv2 import numpy as np roi cv2.imread(roi.png) hsv cv2.cvtColor(roi, cv2.COLOR_BGR2HSV) lab cv2.cvtColor(roi, cv2.COLOR_BGR2Lab) # 发黑氧化低明度、低饱和度 dark_mask cv2.inRange(hsv, (0, 0, 0), (180, 80, 80)) # 露铜Lab a 通道偏红 a_channel lab[:, :, 1] _, copper_mask cv2.threshold(a_channel, 150, 255, cv2.THRESH_BINARY) cv2.imwrite(dark_mask.png, dark_mask) cv2.imwrite(copper_mask.png, copper_mask)逻辑说明inRange 对 HSV 三通道同时设上下限落在区间内的像素置 255。参数说明HSV 的 H 范围是 0 到 180OpenCV 特有不是 360S 和 V 是 0 到 255发黑阈值 (180, 80, 80) 表示色相不限、饱和度低于 80、明度低于 80这个上限要根据实际光源调光源偏黄时 V 的上限可以放到 100。Lab 的 a 通道在 OpenCV 里是 0 到 255128 为中性露铜阈值 150 是起点实际要在样本上试。阈值不是拍脑袋定的。拿一批已知合格和已知发黑的样本分别统计它们的 HSV 和 Lab 分布取能分开两类的值。这一步花半小时后面能省几天反复调参的时间。3.2 形态学去噪开运算、闭运算与连通域过滤阈值分割出来的掩膜往往有噪点反光颗粒被误判成发黑焊盘边缘的过渡带被切成碎块。形态学操作就是收拾这些碎片的。开运算是先腐蚀后膨胀去掉小噪点闭运算是先膨胀后腐蚀填补内部空洞。import cv2 import numpy as np kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) # 开运算去噪点 dark_clean cv2.morphologyEx(dark_mask, cv2.MORPH_OPEN, kernel) # 闭运算填空洞 dark_clean cv2.morphologyEx(dark_clean, cv2.MORPH_CLOSE, kernel) # 连通域过滤只保留面积大于阈值的区域 num_labels, labels, stats, centroids cv2.connectedComponentsWithStats(dark_clean) min_area 50 result np.zeros_like(dark_clean) for i in range(1, num_labels): # 0 是背景 if stats[i, cv2.CC_STAT_AREA] min_area: result[labels i] 255逻辑说明getStructuringElement 生成椭圆核比矩形核更贴合焊盘的圆形轮廓。connectedComponentsWithStats 返回每个连通域的统计信息stats 里第 4 列是面积。参数说明核大小 5x5 适合 1280x720 下的焊盘尺度焊盘更大就加大到 7x7 或 9x9min_area 50 是像素面积按实际焊盘在画面里的像素数定一般取焊盘总面积的 1% 到 5%。这一步的坑在于核大小和 min_area 是耦合的。核太大细小的真实缺陷被抹掉核太小噪点去不干净。稳妥做法是固定核大小只调 min_area因为面积阈值更直观、更容易和缺陷尺寸对应。3.3 轮廓特征提取面积、圆度、凸度怎么算合格线掩膜清理干净后用 findContours 提取轮廓再算几何特征。焊盘合格时轮廓接近圆形面积在标称值附近缺焊时轮廓面积明显偏小拉尖时凸度下降。import cv2 import numpy as np contours, _ cv2.findContours(result, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: area cv2.contourArea(cnt) perimeter cv2.arcLength(cnt, True) if perimeter 0: continue circularity 4 * np.pi * area / (perimeter * perimeter) # 圆度1 为正圆 hull cv2.convexHull(cnt) hull_area cv2.contourArea(hull) solidity area / hull_area if hull_area 0 else 0 # 凸度 print(farea{area:.1f} circularity{circularity:.3f} solidity{solidity:.3f})逻辑说明contourArea 算轮廓面积arcLength 算周长圆度公式 4πA/P² 在正圆时为 1越不规则越小。凸度是轮廓面积与凸包面积之比拉尖、凹陷会让凸度下降。参数说明合格焊盘的圆度一般在 0.7 以上凸度 0.9 以上面积上下限按标称值 ±20% 设。这些阈值要在产线样本上统计后确定不同漆包线线径、不同焊盘设计差异很大。把面积、圆度、凸度、发黑面积占比、露铜面积占比这几个特征拼成一个特征向量再定一套判定规则就能输出状态标签。规则可以是简单的 if-else也可以训一个决策树或 SVM样本几十个就能跑。规则的好处是可解释出问题时能直接说「因为发黑面积占比超过 30% 所以判为氧化」。4. 避坑与排查漆包线焊盘识别在产线上翻车的五个真实场景4.1 现象同一批工件上午判合格下午判发黑原因环境光随时间变化上午阳光斜射进车间下午开灯后色温变了HSV 的 V 通道整体漂移固定阈值失效。解决第一加遮光罩或固定光源把环境光的影响降到最低第二改用自适应阈值或对 V 通道做归一化比如按 ROI 内亮度中位数做相对阈值第三如果条件允许每次开机用标准色卡做一次白平衡标定把标定系数存下来。4.2 现象露铜区域时有时无同一焊盘连续两帧结果不一致原因焊盘表面反光角度随工件微小倾斜变化Lab a 通道在反光边缘波动大阈值卡在波动区间上。解决不要只看单像素改用区域统计。对候选露铜区域做连通域分析面积超过阈值才判定单像素波动被过滤掉。另外把相机和光源固定成同轴或环形减少反光角度敏感性。阈值本身也要留滞回区间比如 a150 判露铜、a140 才判不露铜中间区间沿用上一帧结果。4.3 现象findContours 报错或返回空列表原因输入掩膜不是单通道 8 位图或者掩膜全黑。常见于把三通道图直接喂进去或者阈值分割后忘了转灰度。解决确认 findContours 的输入是单通道二值图用cv2.cvtColor(mask, cv2.COLOR_BGR2GRAY)或直接检查 mask.shape。如果掩膜全黑回头查阈值是不是设反了或者 ROI 坐标是不是取到了画面外。调试时把中间掩膜都 imwrite 出来看比盯着代码猜快得多。4.4 现象处理一帧要几百毫秒产线节拍跟不上原因全图处理、反复创建大核、在 Python 循环里逐像素操作。解决第一ROI 尽量小只处理焊盘区域第二形态学核只创建一次循环外定义第三能用 OpenCV 内置函数就别用 Python 循环比如面积过滤用 connectedComponentsWithStats 而不是遍历像素第四如果还慢把关键步骤用 C 重写或用 cv2.cuda 模块但先确认瓶颈在哪用 time.time() 给每步打点。4.5 现象换一批漆包线后误检率飙升原因线径变了焊盘尺寸和反光特性跟着变原来的面积阈值和颜色阈值全部失配。解决把阈值参数全部外置到配置文件换产品时只改配置不改代码。配置文件里按产品型号分组每组存 ROI 坐标、HSV 上下限、Lab 阈值、面积上下限、圆度凸度下限。换线时先采 20 个样本跑一遍看特征分布落在哪再微调阈值。这一步做成流程比每次现场救火靠谱。5. 让识别结果可追溯特征日志、阈值自检与产线部署习惯算法跑通只是第一步产线上真正难的是让结果可追溯、可复现。我一般会在每次判定后把特征向量和判定结果写进 CSV字段包括时间戳、工件编号、面积、圆度、凸度、发黑占比、露铜占比、判定标签。这样出了批量误判能直接翻日志看是哪个特征漂了而不是靠回忆。import csv import time def log_result(csv_path, part_id, feats, label): with open(csv_path, a, newline) as f: writer csv.writer(f) writer.writerow([ time.strftime(%Y-%m-%d %H:%M:%S), part_id, f{feats[area]:.1f}, f{feats[circularity]:.3f}, f{feats[solidity]:.3f}, f{feats[dark_ratio]:.3f}, f{feats[copper_ratio]:.3f}, label ])逻辑说明每次判定追加一行不覆盖历史。参数说明part_id 来自产线 PLC 或手动输入没有就填序号特征值保留三位小数够用又不占空间。日志按天切分避免单文件过大。阈值自检是另一个习惯。每天开机先用一组标准样本跑一遍看判定结果和预期是否一致。不一致就说明光源或相机状态变了先调硬件再调阈值。这一步花两分钟能避免一整天的误判。部署上如果产线用 PLCOpenCV 程序通过串口或 TCP 把判定结果发给 PLCPLC 控制分拣机构。通信协议要定死比如固定长度字符串「OK\n」「NG_DARK\n」「NG_COPPER\n」PLC 侧做超时重试。程序本身用守护进程或 Windows 服务跑崩溃了自动重启重启后先做一次自检再进主循环。最后说个我自己的教训早期图省事把阈值硬编码在代码里结果换一次产品改一次代码、重新部署一次折腾到半夜。后来把所有参数抽到 YAML 配置文件换产品只改配置五分钟搞定。这个习惯看起来小但在多品种小批量的产线上省下来的时间非常可观。希望帮到你。本文还有配套的精品资源点击获取 Python+OpenCV 漆包线点焊焊盘状态识别实战：从颜色空间到产线部署
简介本资源面向计算机、人工智能、自动化、电子信息等专业的在校学生与嵌入式视觉初学者提供一套基于Python与OpenCV的漆包线点焊焊盘状态识别完整项目源码。项目围绕工业视觉检测场景通过图像采集与ROI区域分析对焊盘正常、倾斜、偏位等状态进行判别可作为毕业设计、课程设计或项目立项演示的参考方案。压缩包共13个文件包含5个Python脚本、7张jpg测试图像和1份md说明文档整体约868KB脚本覆盖主流程、图像估计、ROI提取与功能函数等模块图片则用于验证不同焊盘状态下的识别效果。目前已有106人学习关注。代码经过实际运行测试配套README说明便于快速理解项目结构与运行方式读者可据此掌握OpenCV图像处理、视觉传感器应用与状态分类的基本思路并在此基础上修改扩展完成自己的检测任务或答辩展示。1. 漆包线点焊焊盘状态识别为什么值得用 PythonOpenCV 重做一遍漆包线点焊的焊盘状态长期靠人眼在放大镜或显微镜下判定焊点是否发黑、焊盘是否露铜、有没有虚焊、有没有拉尖。一条产线一天几千个焊点质检员盯到下午眼睛就花了漏检率随疲劳度上升。更麻烦的是判定标准停留在老师傅的脑子里换个人、换个班次结论就可能不一致。用 Python OpenCV 做视觉传感器识别本质是把这套「看颜色、看形状、看面积」的经验固化成可复现的图像处理流程让相机替人做初筛人只处理被判为可疑的那一小部分。这套方案适合三类人一是手上已经有工业相机或 USB 摄像头、想先跑通算法再谈集成的自动化工程师二是做设备改造、需要低成本视觉质检方案的技术负责人三是学 OpenCV 图像处理、想找一个真实工业场景练手的开发者。它不追求深度学习那种端到端黑盒而是用颜色空间、形态学、轮廓分析这些可解释的手段把焊盘状态分成合格、发黑氧化、露铜、缺焊几类。下面从环境搭建讲到参数调优再到实际产线上会翻车的地方一步步拆开。2. 从相机到判定结果漆包线点焊焊盘识别的处理链路2.1 为什么选 OpenCV 而不是直接上深度学习漆包线点焊焊盘的缺陷特征其实很「几何」氧化发黑的区域在 HSV 空间里饱和度和明度都偏低露铜区域在 Lab 空间里 a 通道偏红缺焊则是焊盘区域根本没出现预期的金属反光。这些特征用阈值分割加形态学就能拿到相当稳定的结果样本量需求小调参过程可解释出了问题能定位到具体是哪一步阈值不对。深度学习方案当然也能做但需要几百上千张标注图训练完还是个黑匣子产线换一批漆包线规格就得重新标注重训。对于焊盘状态这种类别少、特征明确的场景OpenCV 的性价比高得多。常见做法是先用 OpenCV 跑通基线把误检率压到可接受范围再考虑要不要用深度学习补足那些 OpenCV 搞不定的边界样本。选型上还要注意相机。工业场景优先选带硬件触发的面阵相机曝光时间手动锁定避免自动曝光导致同一焊盘在不同帧里亮度不一致。USB 摄像头也能用但要把自动曝光、自动白平衡全部关掉否则阈值天天要重调。光源比相机更重要环形光或同轴光能让焊盘反光稳定减少环境光干扰。2.2 环境搭建Python、OpenCV 与相机取流的安装步骤先装 Python建议 3.9 到 3.11 之间的版本太新的版本某些 OpenCV 预编译包还没跟上。Windows 下直接去 python.org 下载安装包勾选 Add Python to PATH。Linux 下用系统包管理器或 pyenv 都行。装完验证python --version pip --version接着装 OpenCV 和数值计算库。如果只是做图像处理装 opencv-python 就够要用到 SIFT、拼接等专利算法或需要 CUDA 加速装 opencv-contrib-python。Linux 上如果要 CUDA 版本得自己用 CMake 编译步骤多先用 CPU 版跑通再说。pip install opencv-python opencv-contrib-python numpy验证安装顺便确认 cv2 能正常导入import cv2 import numpy as np print(cv2.__version__) print(OpenCV OK)如果报ModuleNotFoundError: No module named opencv多半是装到了另一个 Python 环境里。用pip -V看 pip 对应的解释器路径和python -V是否一致。Anaconda 用户注意conda 环境里没有 OpenCV 是常事用conda install -c conda-forge opencv或在激活环境后用 pip 装。相机取流部分USB 相机用 VideoCapture 就能读import cv2 cap cv2.VideoCapture(0) # 0 是相机索引多相机时依次递增 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720) cap.set(cv2.CAP_PROP_AUTO_EXPOSURE, 0) # 关闭自动曝光 cap.set(cv2.CAP_PROP_EXPOSURE, -6) # 曝光值按实际亮度调 while True: ret, frame cap.read() if not ret: break cv2.imshow(weld, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()逻辑说明VideoCapture 的参数 0 表示第一个相机设备工业相机若用 GigE 或 USB3 Vision通常需要厂商 SDK 取流后再转成 numpy 数组喂给 OpenCV。参数说明CAP_PROP_AUTO_EXPOSURE 设为 0 是关闭自动曝光不同平台取值可能不同Windows 下 0.25 有时表示手动需要实测确认CAP_PROP_EXPOSURE 是曝光值负值表示更短的曝光时间具体数值要对着实际光源调目标是让焊盘高光不溢出、暗部不糊死。2.3 焊盘区域定位ROI 提取与坐标标定整幅图里焊盘只占一小块直接对全图做处理既慢又容易被背景干扰。第一步是把焊盘区域抠出来。如果相机位置固定最简单的是手动标定一个 ROI 矩形把坐标写进配置import cv2 import numpy as np img cv2.imread(weld_sample.jpg) # ROI 坐标 (x, y, w, h)按实际画面标定 roi img[200:400, 350:550] cv2.imwrite(roi.png, roi)如果焊盘位置会随工件轻微偏移就得用模板匹配或找圆算法自动定位。模板匹配适合焊盘外观稳定的场景import cv2 img cv2.imread(weld_sample.jpg, 0) template cv2.imread(template.png, 0) res cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED) min_val, max_val, min_loc, max_loc cv2.minMaxLoc(res) if max_val 0.8: # 匹配度阈值 x, y max_loc h, w template.shape roi img[y:yh, x:xw]逻辑说明matchTemplate 在整图上滑动模板TM_CCOEFF_NORMED 返回归一化相关系数越接近 1 越匹配。参数说明max_val 阈值 0.8 是经验值光照变化大时降到 0.7误匹配多时升到 0.9模板图要从实际产线图里裁不要用 CAD 渲染图否则纹理对不上。定位到 ROI 后建议把 ROI 的坐标和尺寸记录到配置文件里换产品时只改配置不改代码。这一步做扎实后面所有处理都只在这个小区域里跑速度能快一个数量级。3. 焊盘状态判定的核心算法颜色空间、形态学与轮廓分析3.1 HSV 与 Lab 颜色空间把「发黑」和「露铜」变成数值RGB 三个通道高度相关直接对 RGB 做阈值很容易被整体亮度变化带偏。HSV 把色相、饱和度、明度分开发黑氧化的区域明度 V 低、饱和度 S 也低露铜区域色相 H 落在橙红区间。Lab 空间里 L 是亮度a 是红绿轴b 是黄蓝轴露铜在 a 通道上表现为明显高值。转换和阈值分割的代码import cv2 import numpy as np roi cv2.imread(roi.png) hsv cv2.cvtColor(roi, cv2.COLOR_BGR2HSV) lab cv2.cvtColor(roi, cv2.COLOR_BGR2Lab) # 发黑氧化低明度、低饱和度 dark_mask cv2.inRange(hsv, (0, 0, 0), (180, 80, 80)) # 露铜Lab a 通道偏红 a_channel lab[:, :, 1] _, copper_mask cv2.threshold(a_channel, 150, 255, cv2.THRESH_BINARY) cv2.imwrite(dark_mask.png, dark_mask) cv2.imwrite(copper_mask.png, copper_mask)逻辑说明inRange 对 HSV 三通道同时设上下限落在区间内的像素置 255。参数说明HSV 的 H 范围是 0 到 180OpenCV 特有不是 360S 和 V 是 0 到 255发黑阈值 (180, 80, 80) 表示色相不限、饱和度低于 80、明度低于 80这个上限要根据实际光源调光源偏黄时 V 的上限可以放到 100。Lab 的 a 通道在 OpenCV 里是 0 到 255128 为中性露铜阈值 150 是起点实际要在样本上试。阈值不是拍脑袋定的。拿一批已知合格和已知发黑的样本分别统计它们的 HSV 和 Lab 分布取能分开两类的值。这一步花半小时后面能省几天反复调参的时间。3.2 形态学去噪开运算、闭运算与连通域过滤阈值分割出来的掩膜往往有噪点反光颗粒被误判成发黑焊盘边缘的过渡带被切成碎块。形态学操作就是收拾这些碎片的。开运算是先腐蚀后膨胀去掉小噪点闭运算是先膨胀后腐蚀填补内部空洞。import cv2 import numpy as np kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) # 开运算去噪点 dark_clean cv2.morphologyEx(dark_mask, cv2.MORPH_OPEN, kernel) # 闭运算填空洞 dark_clean cv2.morphologyEx(dark_clean, cv2.MORPH_CLOSE, kernel) # 连通域过滤只保留面积大于阈值的区域 num_labels, labels, stats, centroids cv2.connectedComponentsWithStats(dark_clean) min_area 50 result np.zeros_like(dark_clean) for i in range(1, num_labels): # 0 是背景 if stats[i, cv2.CC_STAT_AREA] min_area: result[labels i] 255逻辑说明getStructuringElement 生成椭圆核比矩形核更贴合焊盘的圆形轮廓。connectedComponentsWithStats 返回每个连通域的统计信息stats 里第 4 列是面积。参数说明核大小 5x5 适合 1280x720 下的焊盘尺度焊盘更大就加大到 7x7 或 9x9min_area 50 是像素面积按实际焊盘在画面里的像素数定一般取焊盘总面积的 1% 到 5%。这一步的坑在于核大小和 min_area 是耦合的。核太大细小的真实缺陷被抹掉核太小噪点去不干净。稳妥做法是固定核大小只调 min_area因为面积阈值更直观、更容易和缺陷尺寸对应。3.3 轮廓特征提取面积、圆度、凸度怎么算合格线掩膜清理干净后用 findContours 提取轮廓再算几何特征。焊盘合格时轮廓接近圆形面积在标称值附近缺焊时轮廓面积明显偏小拉尖时凸度下降。import cv2 import numpy as np contours, _ cv2.findContours(result, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: area cv2.contourArea(cnt) perimeter cv2.arcLength(cnt, True) if perimeter 0: continue circularity 4 * np.pi * area / (perimeter * perimeter) # 圆度1 为正圆 hull cv2.convexHull(cnt) hull_area cv2.contourArea(hull) solidity area / hull_area if hull_area 0 else 0 # 凸度 print(farea{area:.1f} circularity{circularity:.3f} solidity{solidity:.3f})逻辑说明contourArea 算轮廓面积arcLength 算周长圆度公式 4πA/P² 在正圆时为 1越不规则越小。凸度是轮廓面积与凸包面积之比拉尖、凹陷会让凸度下降。参数说明合格焊盘的圆度一般在 0.7 以上凸度 0.9 以上面积上下限按标称值 ±20% 设。这些阈值要在产线样本上统计后确定不同漆包线线径、不同焊盘设计差异很大。把面积、圆度、凸度、发黑面积占比、露铜面积占比这几个特征拼成一个特征向量再定一套判定规则就能输出状态标签。规则可以是简单的 if-else也可以训一个决策树或 SVM样本几十个就能跑。规则的好处是可解释出问题时能直接说「因为发黑面积占比超过 30% 所以判为氧化」。4. 避坑与排查漆包线焊盘识别在产线上翻车的五个真实场景4.1 现象同一批工件上午判合格下午判发黑原因环境光随时间变化上午阳光斜射进车间下午开灯后色温变了HSV 的 V 通道整体漂移固定阈值失效。解决第一加遮光罩或固定光源把环境光的影响降到最低第二改用自适应阈值或对 V 通道做归一化比如按 ROI 内亮度中位数做相对阈值第三如果条件允许每次开机用标准色卡做一次白平衡标定把标定系数存下来。4.2 现象露铜区域时有时无同一焊盘连续两帧结果不一致原因焊盘表面反光角度随工件微小倾斜变化Lab a 通道在反光边缘波动大阈值卡在波动区间上。解决不要只看单像素改用区域统计。对候选露铜区域做连通域分析面积超过阈值才判定单像素波动被过滤掉。另外把相机和光源固定成同轴或环形减少反光角度敏感性。阈值本身也要留滞回区间比如 a150 判露铜、a140 才判不露铜中间区间沿用上一帧结果。4.3 现象findContours 报错或返回空列表原因输入掩膜不是单通道 8 位图或者掩膜全黑。常见于把三通道图直接喂进去或者阈值分割后忘了转灰度。解决确认 findContours 的输入是单通道二值图用cv2.cvtColor(mask, cv2.COLOR_BGR2GRAY)或直接检查 mask.shape。如果掩膜全黑回头查阈值是不是设反了或者 ROI 坐标是不是取到了画面外。调试时把中间掩膜都 imwrite 出来看比盯着代码猜快得多。4.4 现象处理一帧要几百毫秒产线节拍跟不上原因全图处理、反复创建大核、在 Python 循环里逐像素操作。解决第一ROI 尽量小只处理焊盘区域第二形态学核只创建一次循环外定义第三能用 OpenCV 内置函数就别用 Python 循环比如面积过滤用 connectedComponentsWithStats 而不是遍历像素第四如果还慢把关键步骤用 C 重写或用 cv2.cuda 模块但先确认瓶颈在哪用 time.time() 给每步打点。4.5 现象换一批漆包线后误检率飙升原因线径变了焊盘尺寸和反光特性跟着变原来的面积阈值和颜色阈值全部失配。解决把阈值参数全部外置到配置文件换产品时只改配置不改代码。配置文件里按产品型号分组每组存 ROI 坐标、HSV 上下限、Lab 阈值、面积上下限、圆度凸度下限。换线时先采 20 个样本跑一遍看特征分布落在哪再微调阈值。这一步做成流程比每次现场救火靠谱。5. 让识别结果可追溯特征日志、阈值自检与产线部署习惯算法跑通只是第一步产线上真正难的是让结果可追溯、可复现。我一般会在每次判定后把特征向量和判定结果写进 CSV字段包括时间戳、工件编号、面积、圆度、凸度、发黑占比、露铜占比、判定标签。这样出了批量误判能直接翻日志看是哪个特征漂了而不是靠回忆。import csv import time def log_result(csv_path, part_id, feats, label): with open(csv_path, a, newline) as f: writer csv.writer(f) writer.writerow([ time.strftime(%Y-%m-%d %H:%M:%S), part_id, f{feats[area]:.1f}, f{feats[circularity]:.3f}, f{feats[solidity]:.3f}, f{feats[dark_ratio]:.3f}, f{feats[copper_ratio]:.3f}, label ])逻辑说明每次判定追加一行不覆盖历史。参数说明part_id 来自产线 PLC 或手动输入没有就填序号特征值保留三位小数够用又不占空间。日志按天切分避免单文件过大。阈值自检是另一个习惯。每天开机先用一组标准样本跑一遍看判定结果和预期是否一致。不一致就说明光源或相机状态变了先调硬件再调阈值。这一步花两分钟能避免一整天的误判。部署上如果产线用 PLCOpenCV 程序通过串口或 TCP 把判定结果发给 PLCPLC 控制分拣机构。通信协议要定死比如固定长度字符串「OK\n」「NG_DARK\n」「NG_COPPER\n」PLC 侧做超时重试。程序本身用守护进程或 Windows 服务跑崩溃了自动重启重启后先做一次自检再进主循环。最后说个我自己的教训早期图省事把阈值硬编码在代码里结果换一次产品改一次代码、重新部署一次折腾到半夜。后来把所有参数抽到 YAML 配置文件换产品只改配置五分钟搞定。这个习惯看起来小但在多品种小批量的产线上省下来的时间非常可观。希望帮到你。本文还有配套的精品资源点击获取