简介一套基于OpenCV与Python开发的瓶口缺陷检测系统完整方案面向本科毕业设计、数字图像处理课程实践及工业视觉入门者。压缩包内共53个文件包含Python源码脚本、40张瓶口与瓶箱图像样本、Markdown说明文档、备份文件与版本管理配置等整体大小5.59MB轻量紧凑便于快速下载与环境部署。目前已有65人浏览学习。系统采用模块化设计完整覆盖图像预处理、边缘检测、特征提取等标准计算机视觉流程利用多尺度滤波和自适应阈值分割强化瓶口区域缺陷显著性支持实时图像采集与批量处理两种模式输出缺陷定位坐标及分类置信度并提供多种光照条件下的标注数据集配合环境配置文档可快速搭建运行环境并验证完整检测链路。项目难度贴合本科生知识水平程序模块经多轮测试运行稳定适合作为课程设计与毕业设计的参考资料。1. 瓶口缺陷检测OpenCV 与 Python 是一对被低估的黄金组合做瓶口缺陷检测很多团队一上来就考虑深度学习标注几千张图、租 GPU 训练、再部署推理服务一套流程走完成本早就超过了产线改造的预算。但实际跑过产线的工程师都清楚瓶口检测的场景大部分是过杀而不是漏检传统视觉方法在精度和速度上完全够用。OpenCV 加 Python 这套组合用轮廓分析加几何特征判别就能把缺口、崩边、变形这类缺陷稳稳抓住处理单张图耗时能压在 80ms 以内不需要 GPU不需要标注数据代码量也就一千行上下。这个方案适合谁适合正在做良品率分析的工艺工程师、准备搭建视觉检测小样验证的自动化集成商也适合想用 OpenCV 练手工业场景的 Python 开发者。它的价值在于把「能不能检出」变成「怎么更快更稳地检出」这正是传统视觉在这个场景里的真正优势。2. 瓶口缺陷检测方案选型为什么传统视觉反而比深度学习更合适2.1 瓶口缺陷的特征决定了算法路线瓶口缺陷检测的目标通常集中在几个典型问题上瓶口崩边、缺口、裂纹、变形、异物残留。这些缺陷有一个共同特点——它们的几何特征非常明确。崩边和缺口在图像上表现为轮廓的突变裂纹表现为灰度梯度的异常跳变变形则体现在圆的拟合残差上。这些特征恰恰是 OpenCV 最擅长处理的领域。用 Hough 圆检测定位瓶口中心用半径一致性判断圆度用轮廓偏移量检测缺口用灰度梯度幅值定位裂纹每一步都有成熟的 OpenCV 函数支撑。相比之下深度学习在这类小缺陷上的优势并不明显——缺陷样本严重不平衡、需要大量标注、推理延迟高而传统视觉方法用几百行代码就能达到产线要求的精度。从维护角度看传统视觉也更友好。深度学习模型是黑匣子出现误检只能靠加数据重训练而传统视觉的每个检测环节都可以可视化中间结果问题出在哪个环节一目了然。这对产线调试来说是决定性的优势。2.2 硬件选型中的关键参数算法确定后图像采集质量直接决定检测上限。实际项目中我用的基本配置是500 万像素工业相机配 12mm 镜头工作距离 150mm 左右视野覆盖整个瓶口区域。光源选择环形白色 LED 低角度照射波长和角度对缺陷的对比度影响极大。光源角度是这里最关键的参数。高角度环形光对瓶口平面的划痕敏感低角度光则对边缘的缺口和崩边更敏感。我一般先用 30 度左右的低角度光试跑观察缺陷区域的对比度再做微调。背光方案也值得考虑——如果瓶口是透明的背光可以打出明显的轮廓剪影圆形缺陷在轮廓上的表现非常锐利。照明稳定性是另一个容易翻车的点。工业现场的环境光变化会造成图像亮度漂移我会用光源控制器固定电流输出同时在代码里做灰度归一化双重保障。2.3 源码目录结构与模块划分这套源码数据的目录结构我会按检测流程来组织每个模块独立成文件方便单步调试bottlecap_inspect/ ├── config/ │ └── config.yaml # 相机参数、检测阈值、ROI 坐标 ├── camera/ │ ├── camera_interface.py # 相机采集封装支持 GigE 和 USB │ └── frame_processor.py # 图像预处理去噪、归一化、增强 ├── detection/ │ ├── roi_extract.py # 瓶口 ROI 提取与透视校正 │ ├── circle_fit.py # Hough 圆检测与圆心半径校准 │ ├── defect_analyzer.py # 缺陷判别轮廓、灰度、几何特征 │ └── classifier.py # 综合判定与缺陷分类输出 ├── utils/ │ ├── visualization.py # 中间结果可视化保存调试图像 │ └── metrics.py # 误检率、漏检率、过检率计算 ├── main_pipeline.py # 主流程采集 - 检测 - 判定 └── run_offline.py # 离线批处理模式用于参数调优每个模块的职责边界要清晰。camera 层只负责把图像从传感器变成干净的数组detection 层只负责几何分析和缺陷特征提取utils 层负责可视化验证。这样在后续调参数时可以单独跑 ROI 提取模块看输出图像不用把整个链路都跑一遍。3. 核心检测算法实现ROI 提取、圆检测与缺陷判别的代码落地3.1 ROI 提取与预处理检测的第一步不是直接跑 Hough 圆而是把瓶口从整幅图像中裁剪出来。直接在整图上做圆检测不仅计算量大而且瓶身纹理、标签边缘都会干扰圆的拟合。ROI 的提取逻辑是先缩小图像用粗参数定位瓶口的大致位置再在原分辨率下精确提取。import cv2 import numpy as np def extract_roi(image, config): 从工业相机原始帧中提取瓶口ROI区域。 先用金字塔下采样快速粗定位再映射回原图精确裁剪。 scale config[roi][downsample_scale] h, w image.shape[:2] small cv2.resize(image, (w // scale, h // scale)) # 粗定位使用较大的霍夫圆参数快速找到瓶口中心 gray_small cv2.cvtColor(small, cv2.COLOR_BGR2GRAY) gray_small cv2.GaussianBlur(gray_small, (5, 5), 0) circles cv2.HoughCircles( gray_small, cv2.HOUGH_GRADIENT, dp2, minDistw // scale // 4, param180, param225, minRadiusint(config[roi][min_radius] / scale), maxRadiusint(config[roi][max_radius] / scale) ) if circles is None: return None, None # 取半径最大的圆作为瓶口候选 c max(circles[0], keylambda x: x[2]) cx, cy, r int(c[0] * scale), int(c[1] * scale), int(c[2] * scale) # 在原图上扩展裁剪留出边缘余量 margin config[roi][margin] x1 max(0, cx - r - margin) y1 max(0, cy - r - margin) x2 min(w, cx r margin) y2 min(h, cy r margin) roi image[y1:y2, x1:x2] return roi, (cx - x1, cy - y1, r)这段代码里有两个参数需要特别注意。dp2表示累加器分辨率是图像分辨率的二分之一这个值越大Hough 检测速度越快但精度稍降param225是累加器阈值值越小检测出的圆越多但误检也越多。粗定位阶段宁可多检出几个候选圆也不要漏掉真实瓶口——后续精确拟合会做二次筛选。3.2 圆拟合与轮廓提取粗定位拿到圆心和半径后下一步是在 ROI 内用 Canny 边缘加轮廓分析做精确拟合。这里我不会直接用 Hough 的二次结果而是改用轮廓拟合圆的方式因为 Hough 对边缘噪声敏感而轮廓拟合可以结合面积、周长过滤掉无效边缘。def fit_bottle_circle(roi_image, init_center, init_radius, config): 在ROI内精确拟合瓶口圆。 返回圆心坐标、半径、以及用于后续缺陷检测的边缘掩膜。 gray cv2.cvtColor(roi_image, cv2.COLOR_BGR2GRAY) # 中值滤波去椒盐噪声比高斯更适用于工业图像 gray cv2.medianBlur(gray, 5) # 自适应阈值替代固定阈值应对光照不均 thresh cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, blockSize21, C5 ) contours, _ cv2.findContours( thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE ) best_circle None best_score float(inf) for cnt in contours: area cv2.contourArea(cnt) arc_len cv2.arcLength(cnt, True) if area config[fit][min_area]: continue # 圆度过滤实际圆形的面积/周长比接近 r/2 circularity 4 * np.pi * area / (arc_len * arc_len) if circularity config[fit][min_circularity]: continue (x, y), radius cv2.minEnclosingCircle(cnt) # 与粗定位圆心距离和半径差异都限制在容差内 center_dist np.sqrt((x - init_center[0])**2 (y - init_center[1])**2) radius_diff abs(radius - init_radius) if center_dist config[fit][max_center_shift]: continue if radius_diff config[fit][max_radius_diff]: continue # 打分圆度越接近1、半径与粗定位越接近分数越低 score circularity (radius_diff / init_radius) * 2 if score best_score: best_score score best_circle (int(x), int(y), int(radius)) if best_circle is None: return None, None, None # 生成圆环掩膜只保留瓶口边缘附近区域 x, y, r best_circle mask np.zeros(roi_image.shape[:2], dtypenp.uint8) cv2.circle(mask, (x, y), int(r config[fit][ring_width]), 255, -1) cv2.circle(mask, (x, y), int(r - config[fit][ring_width]), 0, -1) return best_circle, mask, gray这里用自适应阈值而不是固定阈值是产线经验换来的教训。不同批次瓶子的透光率和表面纹理差异导致固定阈值在某条产线跑得好、换条产线就失灵。自适应阈值按局部邻域计算阈值对光照变化有天然的鲁棒性。blockSize21决定了局部邻域大小一般设为略大于瓶口边缘宽度的奇数C5是偏移量值越大边缘提取越保守越小越容易把纹理噪声也纳入候选。3.3 缺陷判别逻辑缺口、崩边与变形精确拟合出圆之后缺陷判别的思路就很清晰了——把实际轮廓与拟合圆做逐点比较偏差超过阈值的区域就是缺陷候选。这个方法同时覆盖了缺口、崩边和变形三类缺陷。def analyze_defects(contour, circle, config): 对比实际轮廓与拟合圆的径向偏差输出缺陷候选。 返回缺陷列表每个缺陷包含起始角度、终止角度、最大偏差值。 cx, cy, r circle # 将轮廓点转为极坐标 defects [] angles [] deviations [] for pt in contour: px, py pt[0] dx, dy px - cx, py - cy dist np.sqrt(dx*dx dy*dy) dev dist - r angle np.degrees(np.arctan2(dy, dx)) % 360 angle_min, angle_max config[defect][angle_range] # 只分析瓶口正上方120度区间避开瓶身过渡区 if not (angle_min angle angle_max): continue angles.append(angle) deviations.append(dev) if len(angles) 10: return [] angles np.array(angles) deviations np.array(deviations) # 按角度排序然后找连续偏差超限的区段 sort_idx np.argsort(angles) angles angles[sort_idx] deviations deviations[sort_idx] # 缺口的判别径向偏差超过正向阈值 threshold config[defect][positive_threshold] defect_mask deviations threshold i 0 while i len(angles): if defect_mask[i]: start_idx i while i len(angles) and defect_mask[i]: i 1 end_idx i - 1 if i - start_idx config[defect][min_contiguous_points]: max_dev np.max(deviations[start_idx:end_idx1]) defects.append({ start_angle: float(angles[start_idx]), end_angle: float(angles[end_idx]), max_deviation: float(max_dev), type: notch if max_dev config[defect][notch_threshold] else edge_chip }) else: i 1 return defects这个函数的巧妙之处在于用极坐标把二维轮廓比较变成一维信号分析。径向偏差序列deviations展开后就是一个一维数组缺陷表现为超过阈值的连续区段逻辑和阈值判断都大大简化。min_contiguous_points用于过滤杂散噪声点默认 5 个连续点才算缺陷positive_threshold是核心灵敏度参数设置过低会频繁误报过高则漏掉细小崩边通常取瓶口半径的 2% 到 3% 作为起点。3.4 变形检测圆度与椭圆拟合的联合判断变形缺陷如瓶口被压成椭圆单靠径向偏差不好识别因为偏差是缓慢变化的不会形成明显的尖峰区段。这种情况我用椭圆拟合来补位。def detect_oval_deformation(contour, circle, config): 用椭圆拟合检测瓶口变形。 长短轴比值超过阈值则判定为椭圆变形缺陷。 if len(contour) 5: return False, 1.0 # 拟合椭圆 try: ellipse cv2.fitEllipse(contour) except cv2.error: return False, 1.0 (cx, cy), (major_axis, minor_axis), angle ellipse major max(major_axis, minor_axis) minor min(major_axis, minor_axis) if minor 0: return False, 1.0 ratio major / minor threshold config[defect][oval_ratio_threshold] return ratio threshold, ratio椭圆长短轴比ratio是变形检测的关键指标。正常瓶口的比值在 1.02 以下超过 1.05 基本可以确认是椭圆变形。这个阈值要按瓶口直径微调——大直径瓶口对变形更敏感阈值需要更紧以保持同样的形变检出灵敏度。椭圆拟合用最小二乘求解OpenCV 的cv2.fitEllipse已经封装好直接传入轮廓点数组就能得到拟合参数注意轮廓点需要至少 5 个且不是共线的。4. 精度提升与参数调优中间结果可视化与阈值标定的方法4.1 用可视化工具迭代调参瓶口检测的调参过程核心手段是把每个中间结果可视化出来。OpenCV 的imshow在工业现场不实用我一般把中间结果直接写入调试文件夹def save_intermediate_result(image, name, step, debug_dirdebug_imgs): 保存中间步骤图像到指定目录命名带上步骤编号方便追踪。 import os os.makedirs(debug_dir, exist_okTrue) out_path os.path.join(debug_dir, f{step}_{name}.png) cv2.imwrite(out_path, image) return out_path调试时的标准做法是每跑一个样本保存四张图原始图、阈值化图、轮廓叠加图、缺陷标记图。这样如果某个样本误检一眼就能看出是阈值化环节出了问题还是轮廓过滤逻辑有漏洞。灰度直方图也值得每批次打印一次跟踪光照漂移的趋势。4.2 Hough 参数与轮廓过滤参数的联动调节参数之间是相互耦合的单独调任何一个都会顾此失彼。Hough 圆的param2调小了检测出的候选圆变多轮廓过滤的min_circularity就需要调大来去掉误检的圆。我维护了一张参数联动表标注每个参数的调节范围和影响面参数作用调节范围影响param1(Canny 上限)控制边缘检测敏感度60~120过小边缘碎片多过大弱边缘丢失param2(累加器阈值)控制圆检测严格度20~40过小误检多过大漏检真实瓶口min_circularity轮廓圆度过滤0.6~0.9过小把方形异物放行过大把变形的圆过滤掉positive_threshold径向偏差缺陷阈值半径的 1%~5%过小噪声被判缺陷过小崩边漏检调参的顺序有讲究先固定param1和param2把 ROI 提取和圆拟合跑通再调min_circularity确保所有合格产品都能稳定拟合出圆最后才动positive_threshold这个参数决定缺陷判别的灵敏度。每调一个参数至少要用 100 张包含合格品和缺陷品的样本图做回归。4.3 标定样本法用坏品反向求阈值阈值设置最怕拍脑袋。我常用的方法叫标定样本法——从产线上收集 20 个缺陷品和 20 个合格品分别跑检测管线记录每个样本的max_deviation值然后观察两个分布的分界点。合格品的最大径向偏差通常集中在某个小区间内缺陷品的偏差则显著更大。分界点取两者之间的中点就是初始阈值再留出 20% 的安全余量。这个方法虽然土但我一直觉得它比理论推导靠谱——产线的实际工况远比仿真复杂真实样本积累的数据才是可信的。def calibrate_threshold(good_samples, bad_samples, safe_margin0.2): 用合格品与缺陷品样本计算径向偏差阈值。 good_samples: 合格品最大偏差列表 bad_samples: 缺陷品最大偏差列表 good_max np.max(good_samples) bad_min np.min(bad_samples) boundary (good_max bad_min) / 2 margin (bad_min - good_max) * safe_margin threshold boundary - margin return threshold这个函数的逻辑是找到两个分布的中点再往合格品方向回调 20% 作为安全余量。safe_margin0.2表示把阈值设得比分界点更严格一些——宁可贵一点也不要让真正的坏品溜过去。实际使用中如果合格品的最大值和缺陷品的最小值出现重叠说明特征选取得不够好需要回看是哪个环节引入了多余的噪声。4.4 形态学操作补强边缘质量轮廓提取后经常会遇到边缘断裂或空洞的问题这直接导致径向偏差序列出现大量假缺陷。形态学闭运算可以很好地解决这个问题——先膨胀再腐蚀把小空洞和断裂处填充起来。def morphology_refine(mask, kernel_size3): 对二值掩膜做形态学闭运算连接断裂边缘。 kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (kernel_size, kernel_size)) closed cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 开运算去掉孤立小点 opened cv2.morphologyEx(closed, cv2.MORPH_OPEN, kernel) return opened核大小选 3 通常就够选大了会把真实缺陷也填平。椭圆核比矩形核更适合圆形边缘的处理因为圆形边缘的局部形态更接近椭圆的曲率特征。形态学操作要放在轮廓提取之后、径向偏差计算之前如果放在轮廓提取前会改变边缘位置引入系统性偏差。5. 瓶口缺陷检测常见坑五个最容易翻车的地方及排查5.1 现象同一套参数换个产线就频繁误检现象在 A 产线调试得好好的参数搬到 B 产线后合格品误检率从 0% 飙到 15%。原因不同产线的瓶口材质不同透光率和表面粗糙度不同导致灰度直方图分布差异很大。阈值参数是基于 A 产线的样本标定的不匹配 B 产线的图像特征。解决把标定流程做成标准步骤到新产线强制重新采集样本标定。尤其是adaptiveThreshold的C值和positive_threshold必须按当前产线重新标定。我在源码里加了run_offline.py批处理模式换产线时先用 50 张现场样本跑一遍自动输出建议阈值区间。5.2 现象瓶口高光区域被误判为缺陷现象合格瓶口的边缘区域出现一块亮点径向偏差在那里形成尖峰被判定为崩边缺陷。原因环形光在瓶口过渡面产生镜面反射局部灰度饱和导致阈值化后该区域边缘位置偏移产生假的径向偏差信号。解决用灰度归一化把高光区域的饱和度压低再进行阈值化同时缺陷判别逻辑里加入灰度约束——缺陷区域的灰度梯度方向要与邻域梯度一致高光区域的梯度方向是杂乱的。我在defect_analyzer.py里加了梯度方向校验如果候选缺陷点的梯度方向和周边不一致直接过滤掉。5.3 现象检测速度达不到产线节拍现象单张图处理需要 150ms产线节拍要求 100ms 以内。原因Hough 圆检测在整图分辨率上跑得太慢dp1时累加器分辨率等于原图分辨率计算量巨大而且 ROI 没有缩到最小后续所有处理都在大区域上计算。解决金字塔下采样粗定位后ROI 精确裁剪到瓶口加少量余量Hough 检测只在 ROI 内跑dp改到 2 牺牲一点精度换两倍速度。实测单张耗时从 150ms 压到 60ms精度几乎无损失。5.4 现象透明瓶口在阈值化后消失现象透明或半透明瓶口在阈值化阶段边缘不连续轮廓提取后只得到残缺的圆弧圆拟合结果不稳定。原因透明材质对光的透过率高边缘对比度低固定阈值或自适应阈值都难以稳定提取边缘。解决换成背光照明方案瓶口在暗背景下形成明显的亮轮廓剪影图像预处理里先把灰度反转让边缘更突出。调试时观察阈值化中间图如果边缘断成三段以上优先怀疑照明而不是调阈值。5.5 现象瓶口圆环边缘外翻导致误判变形现象合格瓶口的边缘外沿有一圈飞边椭圆拟合的长短轴比超标被误判为变形缺陷。原因飞边其实是注塑工艺的残留不属于缺陷。但轮廓提取时把飞边也当作瓶口边缘参与椭圆拟合拉长了椭圆短轴。解决在轮廓过滤逻辑里增加飞边排除规则计算轮廓上每个点到拟合圆的径向距离删除距离超过max_radius_diff1.5 倍的点然后用剩余点重新拟合椭圆。这样飞边虽然在视觉上明显但不会影响拟合参数。6. 进阶实践从离线图片到实时流水线的验证与回归方法离线调参通过后真正考验人的是把算法丢到实时流水线上跑。我的进阶实践顺序是先做离线回归测试再做在线小流量试跑最后才全量上线。离线回归是基础。我会把调试过程中积累的样本整理成测试集至少包含 200 张合格品和 50 张缺陷品跑一遍检测管线统计误检率和漏检率。这里有一个必须较真的细节缺陷样本要覆盖不同类型的缺陷缺口、崩边、变形、裂纹都要有不能全是崩边。不然算法很可能只学到了识别崩边对裂纹毫无反应。def run_regression(test_config, data_dir): 回归测试跑完整个数据集输出混淆矩阵和相关指标。 tp fp tn fn 0 for img_path in sorted((data_dir / good).glob(*.png)): result detect_single_image(str(img_path), test_config) if result[has_defect]: fp 1 else: tn 1 for img_path in sorted((data_dir / defect).glob(*.png)): result detect_single_image(str(img_path), test_config) if result[has_defect]: tp 1 else: fn 1 print(fTP{tp} FP{fp} TN{tn} FN{fn}) if tp fn 0: print(f漏检率: {fn / (tp fn):.2%}) if tp fp 0: print(f误检率: {fp / (tp fp):.2%})回归测试的价值在于防止调参时改了前面的参数、把后面的逻辑搞坏。每次调整参数后都要跑一次回归指标不能比上次差。这个习惯帮我拦下了好几次灾难——有一次我把param1从 100 调到 80单张检测速度提升明显但回归测试发现崩边的检出率掉了 10 个百分点。表面看速度变快了实际是在边缘提取环节丢失了弱边缘Hough 圆检测就定位不准了。从那以后我每次改参数都强制走一遍回归流程对比指标和上次的差异宁可多花时间也要确保每个改动都经得起验证。在线小流量试跑阶段我通常把检测结果通过串口实时输出到 PLC同时保存现场图像。发现误检时立即把图像存下来归入新的样本集第二天作为回归测试的新增测试项。这样不断积累现场数据回归测试的覆盖面越来越广模型的鲁棒性也在持续提升。最终全量上线时还要加一个看门狗逻辑——连续 3 张图检测结果为空时自动切换到保守模式停止分拣输出并报警防止相机或光源故障导致的大批量漏检。这套从离线回归到在线迭代的流程本质上就是把算法的每一次改动都转化为可量化的指标对比而不是靠感觉调参。希望这些方法和踩坑经历能在你的产线落地时派上用场。本文还有配套的精品资源点击获取
