企业官网建设流程全解析

做工业视觉这一行，最烦的不是算法有多难，而是同一张图上同时出现好几种形态完全不同的缺陷：一条细长的划痕、一个孤立的小黑点、边角处少了一块的崩缺。三种问题，灰度特征不一样，形状特征不一样，连最合适的处理思路都不一样。我前阵子用 OpenCV 把这些缺陷一次性抓出来，最后把流程精简成了一个大概两百行的脚本，效果出奇地稳。这篇就把完整思路和可运行代码记录下来，适合正在折腾 OpenCV 图像处理项目、打算搭一套轻量质检逻辑的朋友参考。

1. 三类缺陷一起抓，为什么要分开设计检测逻辑

先把我当时的需求说清楚。检测对象是一块表面相对均匀的深灰色面板，背景是浅色载具。需要抓的缺陷有三种：面板内部的划痕，面板内部的孤立黑点，以及面板边缘的崩缺。

这三种东西如果放在同一张二值图里看，前两种都是“暗色小区域”，后一种却是“边缘轮廓异常”。用一套固定阈值加连通域分析去通吃，结果必然是边缘崩缺漏掉，或者把面板自身的边界阴影当成缺陷爆出来。

所以我一开始就定了分工：每种缺陷走各自独立的检测通道，最后把结果汇总。

这个分工很重要，它让每一步都只面对一种形态特征，参数调节非常直观。划痕通道只看长条，黑点通道只看紧凑斑块，崩缺通道只看轮廓凹陷。三者互不干扰。

有人可能会问，直接上深度学习目标检测不就行了？如果缺陷种类多到几十种、背景又复杂，确实应该考虑。但这种三类固定缺陷的场景，样本量少、环境可控，传统视觉方案反而有优势：一是几十行 OpenCV 代码就能跑，不需要标注几百张图；二是每个缺陷的判定逻辑都能解释给产线的人听，出问题时好追溯；三是在树莓派这种低算力设备上也能实时跑。后面我会专门对比一下 OpenCV 和 Halcon 的选型问题，这里先记住结论：简单场景先把传统视觉吃透，比盲目堆模型靠谱。

2. 从一张能复现的测试图开始：样本构造与基础预处理

调试这种检测脚本，最大的障碍是缺图。产线上拍回来的图涉及隐私、又没有标注，我一般会先用程序生成一张和真实场景灰度分布一致的测试图，把代码逻辑跑通，再换成真实样本调参数。

生成测试图的原理很简单：用np.full创建浅灰背景，用cv2.rectangle画深灰面板，然后在面板内部画一条斜线模拟划痕、画一个实心圆模拟黑点，最后在面板上边缘用cv2.fillPoly抠掉一块三角形，模拟崩缺。

import cv2 import numpy as np # 构造测试图：浅灰背景，深灰面板 img = np.full((480, 640, 3), 220, dtype=np.uint8) cv2.rectangle(img, (60, 60), (580, 420), (120, 120, 120), -1) # 缺陷一：斜向划痕 cv2.line(img, (150, 130), (460, 320), (40, 40, 40), 6) # 缺陷二：孤立黑点 cv2.circle(img, (320, 240), 20, (25, 25, 25), -1) # 缺陷三：面板上边缘的崩缺 poly = np.array([[220, 60], [300, 60], [260, 130]], dtype=np.int32) cv2.fillPoly(img, [poly], (220, 220, 220)) cv2.imwrite('defect_demo.png', img)

为什么要先把灰度值设计成这样的层次？因为后面所有阈值都建立在这个灰度差上。面板灰度大约是 120，背景是 220，划痕是 40，黑点是 25。也就是说，面板和背景之间的灰度差有 100，面板和缺陷之间的灰度差至少也有 40。这给阈值分割留了非常充裕的间隔。

读图之后，第一步是灰度化，这个不用多说。然后做第一层分割：把所有比面板暗的目标统一提取出来。这里我直接用固定阈值THRESH_BINARY_INV，灰度小于 100 的区域变成白色，其余变成黑色。

src = cv2.imread('defect_demo.png') gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY) # 提取所有暗色缺陷：划痕 + 黑点 _, dark = cv2.threshold(gray, 100, 255, cv2.THRESH_BINARY_INV)

运行后dark这张二值图里，白色区域只有两处：一条斜向划痕和一个圆形黑点。背景和面板都已经是黑色，这就是“抓出三个缺陷”的第一层地基。

这里我要多说一句阈值怎么选。不要拍脑袋填 100，打开cv2.calcHist画一下直方图：背景在 220 附近一个峰，面板在 120 附近一个峰，缺陷在 25 到 40 之间接近零散分布。阈值选在两个峰之间的谷底就行。对于固定场景，测一次光照变化范围之后，把阈值钉在 100 上下是一个很稳的选择。如果现场光照漂移大，就改用自适应阈值或者 OTSU，但 OTSU 在多峰直方图上容易把面板也算进去，我后面在避坑章节会详细说。

3. 抓划痕：从连通域分类到概率霍夫直线检测

只看dark二值图，划痕和黑点都是白色连通域，必须先把它们分开。我采用的方法是connectedComponentsWithStats，它能一次性给出每个连通域的左上角坐标、宽、高和面积。划痕的本质是长条，所以它的外接矩形宽高比会非常大；黑点则是接近正方形的紧凑结构。

num, labels, stats, cents = cv2.connectedComponentsWithStats(dark, connectivity=8) for i in range(1, num): area = stats[i, cv2.CC_STAT_AREA] x, y, w, h = stats[i, cv2.CC_STAT_LEFT], stats[i, cv2.CC_STAT_TOP], \ stats[i, cv2.CC_STAT_WIDTH], stats[i, cv2.CC_STAT_HEIGHT] aspect = max(w, h) / (min(w, h) + 1e-6) if aspect > 5 and area > 200: print(f'线状缺陷：中心=({cents[i][0]:.0f}, {cents[i][1]:.0f})，面积={area}')

在我的示例图里，划痕连通域的外接矩形宽约 300、高约 200，长宽比接近 1.5，其实并不满足aspect > 5。这是因为我画的这条斜线斜度很大，外接矩形覆盖了很大一块空白区域。这种情况很常见，所以不能只用外接矩形长宽比来判断，要改用更稳的办法——对连通域内的像素做直线拟合，或者用霍夫变换去找真正的直线结构。

我实际采用的方案是对dark二值图做 Canny 边缘检测，然后跑概率霍夫直线检测：

edges = cv2.Canny(dark, 50, 150) lines = cv2.HoughLinesP( edges, rho=1, theta=np.pi / 180, threshold=60, minLineLength=80, maxLineGap=8 ) scratches = [] if lines is not None: for line in lines: x1, y1, x2, y2 = line[0] scratches.append((x1, y1, x2, y2)) cv2.line(src, (x1, y1), (x2, y2), (0, 255, 0), 2)

这段代码里几个参数是我反复试过之后固定下来的，简单解释一下：

• threshold=60：一条直线至少要有 60 个投票点才被认为是直线，数值越小越容易检测出碎线，越大越容易漏检细划痕。
• minLineLength=80：线段最短长度，小于这个长度的线段直接丢弃，用来排除黑点边缘产生的小线段。
• maxLineGap=8：允许同一线段上的最大断点间距，如果划痕被噪声打断，只要断点间隔在 8 像素以内就会自动连接。

这里有一个很容易踩的坑：用 Canny 处理 6 像素宽的划痕时，会在划痕的两侧各产生一条边缘线，最终可能检测出两条平行线。表现为划痕数量翻倍，画出来的绿线成对出现。解决思路有两个：一个是在霍夫检测之后，把距离相近、方向一致的线段合并；另一个更省事，把minLineLength调到划痕实际长度的一半以上，这样两侧的短边缘段会被过滤掉，只保留跨越整条划痕的主线段。

我之所以选择HoughLinesP而不是返回角度和距离的HoughLines，核心原因是：概率霍夫直接返回线段端点坐标，画图、统计数量、做后续过滤都方便，不需要自己根据角度和距离反算端点。对于抓缺陷这种需要“标出来”的场景，HoughLinesP是更顺手的选择。

4. 抓黑点：面积、圆度和位置三重过滤

黑点的检测在拿到dark掩膜之后其实已经完成一半了，剩下要做的是把它和划痕、噪声区分开。划痕已经在上一步被霍夫直线识别，我只需要在连通域分析时把“紧凑型”目标留下来。

单纯设置面积范围是不够的。一块面积 800 像素的污渍可能被当成黑点，但一条短划痕面积也可能是 800。所以我额外引入了圆度判据。

圆度公式是：

circularity = 4 * pi * area / (perimeter^2)

这个值的物理意义很直观：圆的圆度是 1，正方形约 0.78，长条越小。所以我把圆度阈值设在 0.65，大于这个值就认为是近似圆形的孤立黑点。

blobs = [] for i in range(1, num): area = stats[i, cv2.CC_STAT_AREA] x, y, w, h = stats[i, cv2.CC_STAT_LEFT], stats[i, cv2.CC_STAT_TOP], \ stats[i, cv2.CC_STAT_WIDTH], stats[i, cv2.CC_STAT_HEIGHT] aspect = max(w, h) / (min(w, h) + 1e-6) if area < 50 or area > 3000 or aspect > 5: continue comp = np.zeros_like(gray) comp[labels == i] = 255 contours, _ = cv2.findContours(comp, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if not contours: continue cnt = contours[0] peri = cv2.arcLength(cnt, True) circ = 4 * np.pi * area / (peri * peri + 1e-6) if circ > 0.65: cx, cy = cents[i][0], cents[i][1] radius = max(w, h) // 2 blobs.append((cx, cy, radius, area)) cv2.circle(src, (int(cx), int(cy)), radius, (0, 0, 255), 2)

几个过滤条件的设置逻辑：

• area < 50：过滤掉单个像素级的噪声点。
• area > 3000：过滤掉大块污渍，那种情况应该走单独的大面积缺陷判定逻辑，不适合和黑点混在一起。
• aspect > 5：把线状目标提前踢出去，减少圆度计算的干扰。
• circ > 0.65：最终确认它是“近似圆形”的孤立点。

这套逻辑实际跑下来，20 像素半径的黑色圆点会被准确识别并画上红圈。而那条斜向划痕虽然面积大、也会进入连通域列表，但因为圆度只有 0.2 左右，直接被过滤掉，不会误报成黑点。

有一个经验值得分享：如果黑点经常贴着边缘出现，轮廓的圆弧会被截断，导致圆度明显下降。这时不要急着把圆度阈值往下调，先确认载具和相机位置，保证面板完整成像，再考虑降低阈值到 0.55。否则很容易把边缘毛刺或者面板边角阴影误判成黑点。

5. 抓边缘崩缺：凸包与掩膜差分定位凹陷

前面两招都是处理面板内部的暗色缺陷，边缘崩缺是另一种思路——它不是“多了什么”，而是“少了什么”。面板边缘被磕掉一块之后，实际轮廓线会向内凹陷，但整体还是一个矩形。我采用的方法是：先提取面板轮廓，求它的凸包，然后用凸包掩膜和实际面板掩膜做差分，凹进去的地方自然就暴露出来了。

先说人话：凸包就是“把整个面板外围的轮廓顶点用一条橡皮筋勒出来的最小凸多边形”。正常矩形面板的凸包和它自己几乎完全重合；但边缘有崩缺时，橡皮筋绷紧后会把缺口处拉直，于是凸包比实际面板多出来一块，多出来的那块，就是崩缺区域。

实现代码如下：

# 面板掩膜：灰度小于160的是面板区域 _, panel = cv2.threshold(gray, 160, 255, cv2.THRESH_BINARY_INV) # 闭运算补一下面板内部的细小缺口，防止内部缺陷干扰外轮廓 panel = cv2.morphologyEx(panel, cv2.MORPH_CLOSE, np.ones((7, 7), np.uint8)) contours, _ = cv2.findContours(panel, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) cnt = max(contours, key=cv2.contourArea) hull = cv2.convexHull(cnt) hull_mask = np.zeros_like(panel) cv2.drawContours(hull_mask, [hull], -1, 255, -1) # 崩缺区域 = 凸包掩膜 - 实际面板掩膜 chips = cv2.bitwise_and(hull_mask, cv2.bitwise_not(panel)) chip_contours, _ = cv2.findContours(chips, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cc in chip_contours: if cv2.contourArea(cc) > 50: x, y, w, h = cv2.boundingRect(cc) cv2.rectangle(src, (x, y), (x + w, y + h), (255, 0, 0), 2)

这段代码里的面板阈值选 160，是因为面板灰度 120、背景灰度 220，160 正好卡在两者中间。当然，面板内部原本就有划痕和黑点，它们灰度远低于 160，所以也会被算进面板掩膜里。但这不会影响边缘崩缺检测，因为后面的差分运算只关心“凸包覆盖但实际掩膜缺失”的区域，面板内部的暗缺陷在实际掩膜里同样是白色，取反之后变成黑色，不会被误提取。

闭运算这一步值得强调。如果面板内部划痕恰好延伸到边缘，面板掩膜外轮廓会被划痕切出一个缺口，求凸包时这个缺口也可能被当成崩缺。闭运算能在一定程度上填掉这类小裂口，让外轮廓更干净。我用的核是 7x7，对于轮廓缺口不超过 7 像素的场景够用；如果崩缺本身很小，也要小心不要把真正的缺陷给补没了。

凸包差分法最大的优点是代码量少、直观。但如果你检测的面板本身就带凹槽设计，比如齿轮件、带卡槽的结构件，凸包法会把正常的凹槽也判定为崩缺。这种情况下就不能用凸包了，要改成和标准模板做轮廓比对：提前存好“理想轮廓”的掩膜，每一帧做absdiff，再结合位置偏差判断。模板比对是更通用但更复杂的路线，建议先把凸包法用熟，遇到凹形件再升级。

6. 把三个缺陷汇成一份检测报告

三个检测通道分别跑通了，接下来要做的就是把它们整合进一个函数，输出可视化结果和统计信息。我习惯用颜色区分缺陷类型：绿色线段表示划痕，红色圆圈表示黑点，蓝色矩形框表示崩缺。

整合后的代码如下，可以直接运行：

import cv2 import numpy as np def detect_defects(image_path): src = cv2.imread(image_path) gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY) result = src.copy() # 第一层：所有暗色缺陷 _, dark = cv2.threshold(gray, 100, 255, cv2.THRESH_BINARY_INV) num, labels, stats, cents = cv2.connectedComponentsWithStats(dark, 8) # 缺陷一：划痕，概率霍夫直线 edges = cv2.Canny(dark, 50, 150) lines = cv2.HoughLinesP(edges, 1, np.pi / 180, threshold=60, minLineLength=80, maxLineGap=8) scratch_count = 0 if lines is not None: for line in lines: x1, y1, x2, y2 = line[0] cv2.line(result, (x1, y1), (x2, y2), (0, 255, 0), 2) scratch_count += 1 # 缺陷二：黑点，面积 + 圆度过滤 blob_count = 0 for i in range(1, num): area = stats[i, cv2.CC_STAT_AREA] x, y, w, h = (stats[i, cv2.CC_STAT_LEFT], stats[i, cv2.CC_STAT_TOP], stats[i, cv2.CC_STAT_WIDTH], stats[i, cv2.CC_STAT_HEIGHT]) aspect = max(w, h) / (min(w, h) + 1e-6) if area < 50 or area > 3000 or aspect > 5: continue comp = np.zeros_like(gray) comp[labels == i] = 255 contours, _ = cv2.findContours(comp, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if not contours: continue cnt = contours[0] peri = cv2.arcLength(cnt, True) circ = 4 * np.pi * area / (peri * peri + 1e-6) if circ > 0.65: cx, cy = cents[i][0], cents[i][1] radius = max(w, h) // 2 cv2.circle(result, (int(cx), int(cy)), radius, (0, 0, 255), 2) blob_count += 1 # 缺陷三：边缘崩缺，凸包差分 _, panel = cv2.threshold(gray, 160, 255, cv2.THRESH_BINARY_INV) panel = cv2.morphologyEx(panel, cv2.MORPH_CLOSE, np.ones((7, 7), np.uint8)) contours, _ = cv2.findContours(panel, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) cnt = max(contours, key=cv2.contourArea) hull = cv2.convexHull(cnt) hull_mask = np.zeros_like(panel) cv2.drawContours(hull_mask, [hull], -1, 255, -1) chips = cv2.bitwise_and(hull_mask, cv2.bitwise_not(panel)) chip_contours, _ = cv2.findContours(chips, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) chip_count = 0 for cc in chip_contours: if cv2.contourArea(cc) > 50: x, y, w, h = cv2.boundingRect(cc) cv2.rectangle(result, (x, y), (x + w, y + h), (255, 0, 0), 2) chip_count += 1 print(f'划痕数量: {scratch_count}') print(f'黑点数量: {blob_count}') print(f'崩缺数量: {chip_count}') cv2.imwrite('result.png', result) return result if __name__ == '__main__': detect_defects('defect_demo.png')

跑完这段代码，控制台输出应该是：

划痕数量: 1 黑点数量: 1 崩缺数量: 1

result.png里三种缺陷分别被绿线、红圈、蓝框标出，一眼就能确认检测是否准确。

这套结构在生产环境部署时也有一个优势：三个缺陷检测完全解耦，任何一条通道的逻辑改动都不会影响另外两条。比如换了相机之后黑点经常漏检，只需要调整circ和area那几行，划痕和崩缺的代码可以完全不动。

7. 实战避坑：光照、参数鲁棒性、OpenCV环境问题与Halcon选型对比

代码能跑通只是第一步，拿到真实产线上大概率会遇到各种意外。这一章把我踩过的坑集中整理一下，顺手把几个高频环境问题也说清楚。

7.1 光照不均是所有阈值方案的头号杀手

我上面用固定阈值 100 把暗缺陷从面板里分离出来，前提是面板本身灰度均匀。但实际产线的光源往往不均匀，面板中心亮、四周暗，或者有反光、阴影。这种情况下灰度 100 这条线就变得很不靠谱：中心区域的缺陷可能只有 80，四周的正常面板也可能暗到 90。

处理思路有两个。一个是在硬件层面用低角度环形光源或者同轴光源，让背景尽量均匀，这是治本。另一个是算法层面先用形态学顶帽/黑帽变换做背景补偿。对于暗缺陷，用黑帽变换cv2.morphologyEx(gray, cv2.MORPH_BLACKHAT, kernel)，它能从原图里扣掉大尺度的背景趋势，只留下比周围暗的小目标，然后再对黑帽结果做阈值分割，抗光照不均的能力会强很多。

但要注意，黑帽变换的核尺寸很有讲究。核太小会把划痕这种长条缺陷当作背景消掉，核太大又会把光照阴影的边缘留下来。我的经验是核的大小至少要比最粗的缺陷宽 2 倍以上，同时对光照变化的尺度要有预判，这个需要拿现场的图多试几次。

7.2 参数不要一套用到底，先跑样本集再固定

另一个常见问题是参数过拟合到某一帧测试图。我在示例代码里用的都是固定阈值、固定圆度、固定最小直线长度，一旦换了相机或者换了产品型号，这些参数几乎必然要重新标定。

比较务实的做法是：收集 30 到 50 张涵盖好品、各缺陷类型的现场图，把关键参数（阈值、面积上下限、圆度下限、最小直线长度）各设几个候选值，跑一遍脚本，统计漏检率和误检率。漏检率必须压到 0，误检率可以按实际规格放宽。把检测率和参数范围画成一张表，最后取中间值作为固定参数。这个流程听起来麻烦，但能省掉后边反复救火的精力。

7.3 OpenCV环境问题：从安装到版本报错

很多朋友卡在“明明装了却用不了”这一步。最常见的两个报错：

一个是ModuleNotFoundError: No module named 'opencv'。这个其实不是真的没装，而是装错了包名。OpenCV 的 Python 包有两个：opencv-python包含标准模块，opencv-contrib-python还额外包含ximgproc这类扩展模块。安装方法是用 pip 装完整包名，而不是直接import opencv。正确做法是：

pip install opencv-python

然后验证：

python -c "import cv2; print(cv2.__version__)"

如果打印出 4.x.x 就说明环境正常。另一个容易混淆的点是，有人把 conda 里某个环境装好了，却在另一个环境里运行脚本，导致“安装成功却找不到 cv2”。排查时先确认sys.executable指向的是不是你正在装包的那个解释器，再考虑重新安装。

还有一类是cv2.error: OpenCV(4.4.0) ...这种带路径的底层报错。90% 的情况不是 OpenCV 坏了，而是传进去的图像数据有问题：imread返回了None（路径错或者路径含中文）、图像是空数组、或者某个函数要求输入 8 位单通道图，你却传了 3 通道BGR。遇到这种报错，先打印img.shape和img.dtype，比去搜报错文本快得多。OpenCV 4.4 之后很多函数对dtype的要求变得很严格，尤其是connectedComponentsWithStats和findContours，输入必须确保是np.uint8单通道。

7.4 OpenCV和Halcon怎么选

视觉行业里绕不开的一个问题是用 OpenCV 还是 Halcon。我的看法很直接：如果三层固定缺陷、产量不高、控制 Louence 预算，OpenCV 完全够用；如果缺陷种类复杂、需要做高精度的测量标定、或者产线要求几毫秒级响应且有完善售后，那 Halcon 的算法库确实更成熟，但它按授权收费，还有不低的入门成本。

OpenCV 真正的优势是灵活和透明：算法原理都开源，你可以随时打日志、画中间结果、从底层去优化。Halcon 的优势在算子封装度高，比如一个var_threshold就集成了很多自适应分割逻辑，但对新手来说黑盒成分更大，出了问题反而不容易定位。如果你当前的项目就是我这篇的形态，先别纠结选型，把 OpenCV 这套流程跑明白，你自然能判断自己需不需要更重的工具。

关于树莓派这类嵌入式平台的部署，还有一个建议：在低算力设备上跑这套流程，先看看耗时的瓶颈在哪里。最常见瓶颈是 HoughLinesP 在大图上比较慢。优化手段有三个，一是先把图像resize到合理尺寸，比如 640x480；二是只对缺陷检测区域做 ROI，不处理全图；三是把视频流从 CPU 解码改成 GPU 硬解码。只要把 ROI 圈好，树莓派上跑到 20 帧以上并不难。

最后再分享一个小技巧，也是我每次调 OpenCV 视觉项目都会做的事：在调试阶段把每个中间结果都用cv2.imwrite保存成png，从原始灰度图、阈值图、Canny 图、连通域标签图到最后的凸包差分图，全部落盘。这样如果最终结果不对，往回翻一眼就知道是哪一步出了问题，而不是对着最终图瞎猜。这套“逐步落盘排查法”帮我省下的时间，远比多写几行保存代码要多。