尧图网站建设 
简介面向图像处理与机器视觉入门人群该 MATLAB 实现方案围绕“检测圆的缺陷并定位”这一典型任务给出了从边缘检测到缺陷可视化的完整链路。项目先利用 Canny 等算法提取图像边缘再借助霍夫变换确定圆心与圆形轮廓随后通过对比理想圆参数与实测结果定位缺陷区域并以色块标记突出显示适用于工业质检、零件外观检测、医学影像分析等场景。压缩包共 6 个文件其中 5 个 .m 脚本分别对应图像预处理、连通域标记、边界跟踪、端面检测等模块另附 1 张示例图片便于直接运行验证整体大小仅 25KB代码精简易读。目前已有 1674 人学习下载。通过学习这份代码读者能快速掌握图像边缘检测、霍夫圆变换、缺陷定位与可视化的工程化写法并可进一步结合机器学习方法扩展自动缺陷分类能力。1. 检测圆的缺陷我第一件事永远是先做图像边缘检测在轴承滚珠、螺栓垫圈、硅片这类圆形工件上做缺陷检测最难的不是“看出有没有问题”而是“告诉机器缺陷到底在哪”。我做过好几个类似项目一个很反直觉的结论是检测圆的缺陷不要急着收集缺陷图片去训练模型先把图像边缘检测做扎实。因为圆的缺陷不管是崩边、划痕、毛刺还是表面凹坑本质上都会破坏圆原有的边缘连续性或者在某段弧上制造出额外的边缘突变。把图像变成边缘图之后“缺陷”就从灰度混杂的像素矩阵里被抽离成几何上的不连续点缺陷定位也从“找图像里异常发暗的块”变成“找一段断掉或者突变的弧线”。这条路径用 OpenCV 就能跑通依赖少、可解释强适合现场质检和产线快速迭代。2. 把圆的缺陷翻译成边缘特征原理与选型2.1 圆形工件上的缺陷本质上是边缘的中断和突变我前两年做过一次轴承缺陷检测的需求甲方给的是轴承端面圆环的俯视图。当时第一直觉是想用深度学习做异常检测但产线只有几十张良品图缺陷样本更是捉襟见肘根本喂不饱模型。后来我把它拆成“找圆”和“找圆的破坏点”两步核心就是图像边缘检测。为什么能这么拆因为一个合格的圆形工件在图像里会形成一条相对完整、连续的闭合边缘。无论这个圆是外圈轮廓、内孔轮廓还是轴承端面上某个倒角形成的圆环带只要它表面平整、无缺陷边缘线上每个点的灰度梯度方向都大致沿着半径方向。一旦出现缺陷要么是边缘某一段直接缺失比如崩边、缺口要么是边缘出现局部突起或凹陷比如毛刺、凹坑要么是边缘附近出现额外的碎边缘比如划痕。这些情况反映到边缘图上就是原本平滑的弧线连续性被打断或者在局部出现梯度方向和幅度与正常弧线不一致的异常点。这也是为什么图像边缘检测能一鱼多吃它同时服务于缺陷检出和缺陷定位。做缺陷检测时你统计的是整条圆周边缘的完整性分做缺陷定位时你只要沿圆周方向扫描边缘密度或梯度突变位置就能把异常角度和半径范围给出来。相比之下如果直接用灰度图做阈值分割光照不均、表面纹理、油污反光都会带来大量误检如果直接上深度模型又绕不开样本问题和可解释性问题。像 dinomaly 这类最新的异常检测模型在复杂纹理和微小缺陷上确实有优势但在只有良品图、没有缺陷样本的圆形工业件场景里边缘检测这条老路的启动成本和调试成本都要低得多。2.2 边缘检测算子怎么选Canny、Sobel 还是 Laplace常有人问我检测圆的缺陷用哪个边缘算子好。我的答案是不要只用一个把它们组合起来用。Sobel、Laplace、Canny 这三个算子我在圆形工件上都试过它们的定位精度和抗噪能力差别很大。算子计算特点在圆缺陷场景的优劣势我的建议用途Sobel一阶差分分别计算 x/y 方向梯度运算快对边缘方向敏感能区分梯度方向但对弱边缘响应弱抗噪一般用来计算缺陷处的梯度方向变化验证异常边缘是否与正常圆切线方向冲突Laplace二阶差分处理的是灰度曲率突变对孤立点、角点、细线响应强不依赖边缘方向但对噪声极敏感容易把表面颗粒误判成缺陷辅助检测凹坑、点状缺陷慎用于毛刺判断Canny先高斯去噪再求梯度双阈值滞后连接边缘连续性好、定位准能抑制部分伪边缘但阈值需要按光照和材质调固定阈值容易翻车主边缘提取找圆和轮廓分析的基础实际项目里我一般用 Canny 出主边缘图用 Sobel 梯度方向做二次判断。比如一个圆形外轮廓正常像素点的 Sobel 梯度方向应该指向圆心。如果某个局部区域的梯度方向与半径方向夹角过大那即使灰度变化不剧烈也值得怀疑是毛刺或磕碰。Canny 的两个阈值尤其关键阈值太高会把真实崩边断掉阈值太低会把表面纹理全部勾勒出来。我通常先在高阈值下找确定边缘再用低阈值补全弱边缘这样既保证连续又避免噪声。2.3 找圆用霍夫变换还是轮廓拟合从边缘图到圆心和半径拿到边缘图之后不能直接在整幅图上找缺陷必须先确定圆心和半径。因为缺陷定位必须知道“缺陷在哪一段圆弧上”没有圆参数角度和径向距离都无从谈起。找圆有两个常见做法霍夫圆变换和轮廓拟合。霍夫圆变换HoughCircles是在参数空间里投票找圆它不要求边缘完全连续边缘虽然有断裂也能投票出完整的圆。这一点在缺陷检测里特别重要——你要找的圆本身可能就带缺陷如果用轮廓拟合去找崩边导致的边缘缺口会让拟合结果偏移。霍夫法的代价是参数多dp、minDist、param1、param2、minRadius、maxRadius 都要调尤其是 param2累加器阈值设高了可能找不到圆设低了又会出现一堆假圆。我一般给它一个比较窄的半径搜索范围用光照稳定的良品图预先标定一次半径区间再上线跑。轮廓拟合findContours fitEllipse / minEnclosingCircle的优点是稳定性更好而且能拿到轮廓的完整点集方便后续逐段分析。但它的前提是边缘图里圆的轮廓能闭合到一定程度。如果崩边缺口太大轮廓会断成好几段外接圆拟合的圆心就会漂移。所以我的常见做法是先试 HoughCircles 拿到候选圆如果候选圆不稳定再用边缘图做一次轮廓筛选按轮廓长度和面积比挑出最像圆的那条轮廓然后用 fitEllipse 拟合椭圆。拟合出的长短轴接近就认为是圆以椭圆中心作为圆心以长轴半径作为圆的半径。这样抗局部缺口的能力比纯 Hough 更好。3. 用 OpenCV 做圆的缺陷检测与缺陷定位完整可复现流程3.1 预处理灰度、去噪、增强把圆从背景里摘出来我通常把流程拆成四步预处理、边缘检测与找圆、环形 ROI 提取、展开定位。第一步的目标不是让图像变“好看”而是让后续的 Canny 能稳定输出完整的圆边缘。import cv2 import numpy as np # 读取圆形工件图像直接转灰度 gray cv2.imread(circle_ring.png, cv2.IMREAD_GRAYSCALE) # 高斯去噪核太大边缘会糊核太小噪声压不住 blur cv2.GaussianBlur(gray, (5, 5), 0) # 自适应直方图均衡补偿产线光照不均 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)) enhanced clahe.apply(blur) # 保存预处理后的图像方便后面调试 cv2.imwrite(step1_enhanced.png, enhanced)这段代码里GaussianBlur 是必须的Canny 虽然是基于高斯导数的算子但它的内置高斯核通常不够前置再做一次平滑能明显减少表面纹理引起的碎边缘。CLAHE 对于轴承端面这种金属反光不均匀的图非常有用。注意 clipLimit 别调太大否则会过度增强油污和指纹。tileGridSize 根据图像分辨率调整如果是 2000×2000 的大图建议用 16×16。我见过有人在这步用全局直方图均衡效果反而把背景上的阴影也增强了所以更推荐自适应版本。3.2 边缘检测与圆拟合拿到圆心和半径参数预处理完成后进入关键两步Canny 提取边缘然后用 HoughCircles 或轮廓拟合锁定圆参数。下面代码我同时给出两条路径并用圆心半径的结果生成一个环形 mask。# Canny 边缘检测低阈值和高阈值需要按图像对比度调整 edges cv2.Canny(enhanced, 60, 160) # 路径 A优先用霍夫圆变换半径范围先根据工件真实尺寸标定 circles cv2.HoughCircles(edges, cv2.HOUGH_GRADIENT, dp1.2, minDist100, param1100, param235, minRadius200, maxRadius300) if circles is not None: # 拿到唯一一个圆 x, y, r circles[0][0] center, radius (int(x), int(y)), int(r) else: # 路径 BHough 失败时退化为轮廓拟合 contours, _ cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) best_contour max(contours, keylambda c: cv2.arcLength(c, True)) # 拟合椭圆返回中心、短轴长轴、旋转角 ellipse cv2.fitEllipse(best_contour) center (int(ellipse[0][0]), int(ellipse[0][1])) radius int((ellipse[1][0] ellipse[1][1]) / 4)讲下参数dp1.2 表示累加器分辨率比原图稍粗一些减小计算量minDist100 是圆心之间的最小距离因为我们只需要一个圆所以只要大于直径即可param1 是 Canny 高阈值传给 HoughCircles 内部做边缘检测param2 是累加器投票阈值越低越容易找到圆但假圆也越多。我这里的 param235 适合轮廓比较明快的金属件如果工件和背景对比度低要降到 20~25 试试。HoughCircles 找圆有玄学成分所以我坚持预留轮廓拟合兜底。fitEllipse 对椭圆也能拟合如果长短轴差距很大说明圆度已经不合格这本身就是缺陷信号后面展开定位时可以单独标记。3.3 缺陷定位沿圆周展开边缘带用边缘密度找断点圆心和半径到手后缺陷定位不是直接框个矩形而是把环形边缘带“拉直”成一张矩形图。这样圆周上的每一度角度对应矩形的一行或一列缺陷检测就从二维平面问题变成一维序列上的断点检测简单直接。# 根据圆心半径生成环形 mask只保留圆环区域 ring_mask np.zeros_like(gray) cv2.circle(ring_mask, center, radius 5, 255, -1) cv2.circle(ring_mask, center, radius - 5, 0, -1) # 只取圆环上的边缘像素 ring_edges cv2.bitwise_and(edges, edges, maskring_mask) # 极坐标展开横向是角度0~360纵向是半径范围 polar cv2.warpPolar(ring_edges, (360, 20), center, radius, cv2.WARP_POLAR_LINEAR | cv2.INTER_LINEAR) # 按角度统计每一列的非零像素比例纵向压缩 col_density cv2.reduce(polar, 1, cv2.REDUCE_AVG).flatten() # 缺陷判定正常圆边缘在所有角度上都有像素低于阈值的角度段视为缺陷 density_threshold 0.15 bad_angles np.where(col_density density_threshold)[0]这段代码是缺陷定位的核心。warpPolar 的 dsize 我设为 (360, 20)表示角度分辨率 1°半径方向取 20 个像素宽度。radius 参数是展开半径我传的是外半径相当于只观察外圈边缘带。如果你关心内孔边缘就要分别传内外半径做两次展开。col_density 得到的数值在正常角度区域应该比较平稳缺陷处的边缘会断掉该位置的平均值会骤降。bad_angles 就是缺陷所在的角度区间。如果你想把缺陷半径范围也定位出来可以在极坐标图里对每一行再横向扫描这里先不做大多数需求给出角度范围就够用了。我实际跑这个流程时会在 polar 图上直接画一条竖线标记 bad_angles然后把它转回原图坐标用cv2.line从圆心指向该角度画一条射线缺陷位置在射线与圆环交点附近。这样产线工人一眼就能看到工件的哪一段弧上有问题不只是显示“NG”而是给出可返修或可裁剪的位置。4. 圆缺陷检测常见的 5 个翻车点现象、原因与处理4.1 圆边缘出现大量假断裂导致整圈都是“缺陷”现象Canny 出来的边缘图里正常圆的弧线一段一段地断掉展开后的边缘密度到处都低于阈值全部角度都被标记为缺陷。原因这是最常见的光照不均问题。工件表面反光、阴影遮挡、或者照明是单侧点光源时圆环的一部分对比度很低Canny 的低阈值覆盖不住边缘自然断裂。解决先用 CLAHE 或分块局部直方图拉伸把低对比度区域拉起来。我一般还会把图像分四个象限分别计算对比度如果四个象限的灰度方差差异超过 30%就先做光照校正比如用高斯核做背景估计然后原图减去背景。另外Canny 的阈值不要定死我习惯用中位数灰度差来动态设定高低阈值产线换灯管或换产品时不至于全盘重调。4.2 HoughCircles 找不到圆或者找到一堆假圆现象HoughCircles 返回空列表或者返回了五六个半径离谱的圆circle_ring.png 上明明肉眼可见一个圆。原因param2 阈值设置不合理或者 minRadius/maxRadius 范围太宽导致投票时背景上的噪声边缘也参与投票。还有可能是边缘图本身有大量内环纹理比如螺栓垫片的防滑纹和扳手标记圆这些圆会跟外圆争抢投票。解决把半径搜索范围缩窄比如先手动用画图工具量一下圆直径再留 10~15% 的余量。param2 从 20 往上试每次 5直到只出现一个稳定圆为止。如果图像里有多个同心圆而你要外圆先用环形先验把内圆区域填掉或者把灰度图的 ROI 裁剪到只包含外圈附近再做 Hough。4.3 极坐标展开的缺陷角度对不上原图位置现象明明显示缺陷在 90° 附近但回到原图看实际缺陷在 120° 处系统性的偏了约 30°。原因warpPolar 的展开起始角度默认从与 x 轴正向夹角开始按逆时针方向展开但我的原图画线代码用的cv2.line顺时针转了或者角度的弧度换算差了 PI/2。这个问题特别隐蔽因为小缺陷看着像对的角度偏差一大就露馅。解决展开之前先做一个标定流程。找一张有已知缺陷的样件或者干脆用笔在圆上画一个黑点跑一遍完整流程记录 bad_angles 和解算出的原图坐标对比实际位置。然后在代码里固定一个角度偏移量。我自己的习惯是让展开图的第 0 列对应圆心正右方逆时针展开为 0~360°换算函数统一用x cx r * cos(angle * pi / 180)避免混用顺时针和弧度。4.4 圆环内壁缺陷被外圆边缘完全淹没现象检测的是圆环内孔壁上的磕碰但展开图里外圆边缘又粗又亮内壁的缺陷响应值被平均掉密度阈值怎么调都检不出。原因我只用一个环形 mask同时包含了外圆边缘和靠近外圆的一小段表面内壁缺陷在 20 像素宽的纵向统计里占比太低非零像素的平均值被外圆拉高了。解决把环带分窄一点展开图只保留缺陷可能出现的半径范围。比如检测内壁缺陷就以radius - 2到radius - 8这一段作为展开区域用warpPolar的 maxRadius 参数控制在略小于外半径的位置。或者在展开前先用形态学去掉外圆连续边缘比如用cv2.morphologyEx(edges, cv2.MORPH_OPEN, np.ones((3,3)))把细碎缺陷保留、粗壮外圆边缘削弱。分割内外圆的思路一定要在找圆时就定型不然后面全是噪声。4.5 换个产品线所有阈值和参数都要重新调一遍现象昨天跑轴承稳定得很好今天换一个尺寸完全不同的硅片检测任务Canny 阈值、CLAHE 参数、展开宽度全部失效检测率直线下降。原因不同工件的表面粗糙度、材质反射率、圆半径差异太大固定参数不具有迁移性。解决把关键参数全部参数化写进一个配置文件。每次切换产品时只需标定圆心半径、Canny 高阈值、密度阈值这三个量其余参数按比例自动缩放。比如 Canny 高阈值用灰度图的梯度幅值分位数P90来自适应计算而不是写死 160展开宽度按int(radius * 0.02)自动计算。这样至少能在现场十分钟内完成换线调参而不是重新做一整天实验。5. 进阶用边缘连续性分数给缺陷自动分级前面只做了“有没有缺陷”和“在哪”实际产线还需要知道“这个缺陷严不严重”否则所有异常都报警停机产线根本跑不起来。我后来在项目里加了一个简单但很有效的指标分段边缘连续性分数。把圆周按角度切成 N 个扇区每个扇区计算边缘像素占理论弧长的比例数值低于 80% 视为缺陷低于 50% 直接判红。# 将圆周按 10° 切成 36 个扇区 sector_num 36 sector_points np.split(bad_angles, np.where(np.diff(bad_angles) 5)[0] 1) # 对每个扇区统计边缘覆盖率 angle_bins np.zeros(360) angle_bins[bad_angles] 1 sector_coverage angle_bins.reshape(36, 10).mean(axis1) severity np.where(sector_coverage 0.5, severe, np.where(sector_coverage 0.8, warning, ok))这个分级的妙处在于它不依赖具体缺陷形状只看边缘断裂的持续角度。划痕和毛刺这类小缺陷通常只会让一两个扇区出现中低覆盖崩边和严重裂纹会连续跨越多个扇区覆盖几乎归零。我把这个结果叠加到极坐标图上用红黄绿三种颜色标注每个扇区再映射回原图。这样产线上的人不用看报表直接看哪个扇区是红的就能返修。这一套流程做完我的体会是图像边缘检测在圆缺陷检测里不是“土办法”而是最高效的几何先验。它虽然没有深度模型的抽象能力但胜在每一条缺陷结论都能追溯到具体的边缘中断位置调试一个晚上就能摸清所有参数脾气。希望帮到你也建议你下次拿到圆的缺陷检测需求先花十分钟看边缘图而不是急着训练模型。本文还有配套的精品资源点击获取 基于OpenCV图像边缘检测的圆形工件缺陷定位方法
简介面向图像处理与机器视觉入门人群该 MATLAB 实现方案围绕“检测圆的缺陷并定位”这一典型任务给出了从边缘检测到缺陷可视化的完整链路。项目先利用 Canny 等算法提取图像边缘再借助霍夫变换确定圆心与圆形轮廓随后通过对比理想圆参数与实测结果定位缺陷区域并以色块标记突出显示适用于工业质检、零件外观检测、医学影像分析等场景。压缩包共 6 个文件其中 5 个 .m 脚本分别对应图像预处理、连通域标记、边界跟踪、端面检测等模块另附 1 张示例图片便于直接运行验证整体大小仅 25KB代码精简易读。目前已有 1674 人学习下载。通过学习这份代码读者能快速掌握图像边缘检测、霍夫圆变换、缺陷定位与可视化的工程化写法并可进一步结合机器学习方法扩展自动缺陷分类能力。1. 检测圆的缺陷我第一件事永远是先做图像边缘检测在轴承滚珠、螺栓垫圈、硅片这类圆形工件上做缺陷检测最难的不是“看出有没有问题”而是“告诉机器缺陷到底在哪”。我做过好几个类似项目一个很反直觉的结论是检测圆的缺陷不要急着收集缺陷图片去训练模型先把图像边缘检测做扎实。因为圆的缺陷不管是崩边、划痕、毛刺还是表面凹坑本质上都会破坏圆原有的边缘连续性或者在某段弧上制造出额外的边缘突变。把图像变成边缘图之后“缺陷”就从灰度混杂的像素矩阵里被抽离成几何上的不连续点缺陷定位也从“找图像里异常发暗的块”变成“找一段断掉或者突变的弧线”。这条路径用 OpenCV 就能跑通依赖少、可解释强适合现场质检和产线快速迭代。2. 把圆的缺陷翻译成边缘特征原理与选型2.1 圆形工件上的缺陷本质上是边缘的中断和突变我前两年做过一次轴承缺陷检测的需求甲方给的是轴承端面圆环的俯视图。当时第一直觉是想用深度学习做异常检测但产线只有几十张良品图缺陷样本更是捉襟见肘根本喂不饱模型。后来我把它拆成“找圆”和“找圆的破坏点”两步核心就是图像边缘检测。为什么能这么拆因为一个合格的圆形工件在图像里会形成一条相对完整、连续的闭合边缘。无论这个圆是外圈轮廓、内孔轮廓还是轴承端面上某个倒角形成的圆环带只要它表面平整、无缺陷边缘线上每个点的灰度梯度方向都大致沿着半径方向。一旦出现缺陷要么是边缘某一段直接缺失比如崩边、缺口要么是边缘出现局部突起或凹陷比如毛刺、凹坑要么是边缘附近出现额外的碎边缘比如划痕。这些情况反映到边缘图上就是原本平滑的弧线连续性被打断或者在局部出现梯度方向和幅度与正常弧线不一致的异常点。这也是为什么图像边缘检测能一鱼多吃它同时服务于缺陷检出和缺陷定位。做缺陷检测时你统计的是整条圆周边缘的完整性分做缺陷定位时你只要沿圆周方向扫描边缘密度或梯度突变位置就能把异常角度和半径范围给出来。相比之下如果直接用灰度图做阈值分割光照不均、表面纹理、油污反光都会带来大量误检如果直接上深度模型又绕不开样本问题和可解释性问题。像 dinomaly 这类最新的异常检测模型在复杂纹理和微小缺陷上确实有优势但在只有良品图、没有缺陷样本的圆形工业件场景里边缘检测这条老路的启动成本和调试成本都要低得多。2.2 边缘检测算子怎么选Canny、Sobel 还是 Laplace常有人问我检测圆的缺陷用哪个边缘算子好。我的答案是不要只用一个把它们组合起来用。Sobel、Laplace、Canny 这三个算子我在圆形工件上都试过它们的定位精度和抗噪能力差别很大。算子计算特点在圆缺陷场景的优劣势我的建议用途Sobel一阶差分分别计算 x/y 方向梯度运算快对边缘方向敏感能区分梯度方向但对弱边缘响应弱抗噪一般用来计算缺陷处的梯度方向变化验证异常边缘是否与正常圆切线方向冲突Laplace二阶差分处理的是灰度曲率突变对孤立点、角点、细线响应强不依赖边缘方向但对噪声极敏感容易把表面颗粒误判成缺陷辅助检测凹坑、点状缺陷慎用于毛刺判断Canny先高斯去噪再求梯度双阈值滞后连接边缘连续性好、定位准能抑制部分伪边缘但阈值需要按光照和材质调固定阈值容易翻车主边缘提取找圆和轮廓分析的基础实际项目里我一般用 Canny 出主边缘图用 Sobel 梯度方向做二次判断。比如一个圆形外轮廓正常像素点的 Sobel 梯度方向应该指向圆心。如果某个局部区域的梯度方向与半径方向夹角过大那即使灰度变化不剧烈也值得怀疑是毛刺或磕碰。Canny 的两个阈值尤其关键阈值太高会把真实崩边断掉阈值太低会把表面纹理全部勾勒出来。我通常先在高阈值下找确定边缘再用低阈值补全弱边缘这样既保证连续又避免噪声。2.3 找圆用霍夫变换还是轮廓拟合从边缘图到圆心和半径拿到边缘图之后不能直接在整幅图上找缺陷必须先确定圆心和半径。因为缺陷定位必须知道“缺陷在哪一段圆弧上”没有圆参数角度和径向距离都无从谈起。找圆有两个常见做法霍夫圆变换和轮廓拟合。霍夫圆变换HoughCircles是在参数空间里投票找圆它不要求边缘完全连续边缘虽然有断裂也能投票出完整的圆。这一点在缺陷检测里特别重要——你要找的圆本身可能就带缺陷如果用轮廓拟合去找崩边导致的边缘缺口会让拟合结果偏移。霍夫法的代价是参数多dp、minDist、param1、param2、minRadius、maxRadius 都要调尤其是 param2累加器阈值设高了可能找不到圆设低了又会出现一堆假圆。我一般给它一个比较窄的半径搜索范围用光照稳定的良品图预先标定一次半径区间再上线跑。轮廓拟合findContours fitEllipse / minEnclosingCircle的优点是稳定性更好而且能拿到轮廓的完整点集方便后续逐段分析。但它的前提是边缘图里圆的轮廓能闭合到一定程度。如果崩边缺口太大轮廓会断成好几段外接圆拟合的圆心就会漂移。所以我的常见做法是先试 HoughCircles 拿到候选圆如果候选圆不稳定再用边缘图做一次轮廓筛选按轮廓长度和面积比挑出最像圆的那条轮廓然后用 fitEllipse 拟合椭圆。拟合出的长短轴接近就认为是圆以椭圆中心作为圆心以长轴半径作为圆的半径。这样抗局部缺口的能力比纯 Hough 更好。3. 用 OpenCV 做圆的缺陷检测与缺陷定位完整可复现流程3.1 预处理灰度、去噪、增强把圆从背景里摘出来我通常把流程拆成四步预处理、边缘检测与找圆、环形 ROI 提取、展开定位。第一步的目标不是让图像变“好看”而是让后续的 Canny 能稳定输出完整的圆边缘。import cv2 import numpy as np # 读取圆形工件图像直接转灰度 gray cv2.imread(circle_ring.png, cv2.IMREAD_GRAYSCALE) # 高斯去噪核太大边缘会糊核太小噪声压不住 blur cv2.GaussianBlur(gray, (5, 5), 0) # 自适应直方图均衡补偿产线光照不均 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)) enhanced clahe.apply(blur) # 保存预处理后的图像方便后面调试 cv2.imwrite(step1_enhanced.png, enhanced)这段代码里GaussianBlur 是必须的Canny 虽然是基于高斯导数的算子但它的内置高斯核通常不够前置再做一次平滑能明显减少表面纹理引起的碎边缘。CLAHE 对于轴承端面这种金属反光不均匀的图非常有用。注意 clipLimit 别调太大否则会过度增强油污和指纹。tileGridSize 根据图像分辨率调整如果是 2000×2000 的大图建议用 16×16。我见过有人在这步用全局直方图均衡效果反而把背景上的阴影也增强了所以更推荐自适应版本。3.2 边缘检测与圆拟合拿到圆心和半径参数预处理完成后进入关键两步Canny 提取边缘然后用 HoughCircles 或轮廓拟合锁定圆参数。下面代码我同时给出两条路径并用圆心半径的结果生成一个环形 mask。# Canny 边缘检测低阈值和高阈值需要按图像对比度调整 edges cv2.Canny(enhanced, 60, 160) # 路径 A优先用霍夫圆变换半径范围先根据工件真实尺寸标定 circles cv2.HoughCircles(edges, cv2.HOUGH_GRADIENT, dp1.2, minDist100, param1100, param235, minRadius200, maxRadius300) if circles is not None: # 拿到唯一一个圆 x, y, r circles[0][0] center, radius (int(x), int(y)), int(r) else: # 路径 BHough 失败时退化为轮廓拟合 contours, _ cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) best_contour max(contours, keylambda c: cv2.arcLength(c, True)) # 拟合椭圆返回中心、短轴长轴、旋转角 ellipse cv2.fitEllipse(best_contour) center (int(ellipse[0][0]), int(ellipse[0][1])) radius int((ellipse[1][0] ellipse[1][1]) / 4)讲下参数dp1.2 表示累加器分辨率比原图稍粗一些减小计算量minDist100 是圆心之间的最小距离因为我们只需要一个圆所以只要大于直径即可param1 是 Canny 高阈值传给 HoughCircles 内部做边缘检测param2 是累加器投票阈值越低越容易找到圆但假圆也越多。我这里的 param235 适合轮廓比较明快的金属件如果工件和背景对比度低要降到 20~25 试试。HoughCircles 找圆有玄学成分所以我坚持预留轮廓拟合兜底。fitEllipse 对椭圆也能拟合如果长短轴差距很大说明圆度已经不合格这本身就是缺陷信号后面展开定位时可以单独标记。3.3 缺陷定位沿圆周展开边缘带用边缘密度找断点圆心和半径到手后缺陷定位不是直接框个矩形而是把环形边缘带“拉直”成一张矩形图。这样圆周上的每一度角度对应矩形的一行或一列缺陷检测就从二维平面问题变成一维序列上的断点检测简单直接。# 根据圆心半径生成环形 mask只保留圆环区域 ring_mask np.zeros_like(gray) cv2.circle(ring_mask, center, radius 5, 255, -1) cv2.circle(ring_mask, center, radius - 5, 0, -1) # 只取圆环上的边缘像素 ring_edges cv2.bitwise_and(edges, edges, maskring_mask) # 极坐标展开横向是角度0~360纵向是半径范围 polar cv2.warpPolar(ring_edges, (360, 20), center, radius, cv2.WARP_POLAR_LINEAR | cv2.INTER_LINEAR) # 按角度统计每一列的非零像素比例纵向压缩 col_density cv2.reduce(polar, 1, cv2.REDUCE_AVG).flatten() # 缺陷判定正常圆边缘在所有角度上都有像素低于阈值的角度段视为缺陷 density_threshold 0.15 bad_angles np.where(col_density density_threshold)[0]这段代码是缺陷定位的核心。warpPolar 的 dsize 我设为 (360, 20)表示角度分辨率 1°半径方向取 20 个像素宽度。radius 参数是展开半径我传的是外半径相当于只观察外圈边缘带。如果你关心内孔边缘就要分别传内外半径做两次展开。col_density 得到的数值在正常角度区域应该比较平稳缺陷处的边缘会断掉该位置的平均值会骤降。bad_angles 就是缺陷所在的角度区间。如果你想把缺陷半径范围也定位出来可以在极坐标图里对每一行再横向扫描这里先不做大多数需求给出角度范围就够用了。我实际跑这个流程时会在 polar 图上直接画一条竖线标记 bad_angles然后把它转回原图坐标用cv2.line从圆心指向该角度画一条射线缺陷位置在射线与圆环交点附近。这样产线工人一眼就能看到工件的哪一段弧上有问题不只是显示“NG”而是给出可返修或可裁剪的位置。4. 圆缺陷检测常见的 5 个翻车点现象、原因与处理4.1 圆边缘出现大量假断裂导致整圈都是“缺陷”现象Canny 出来的边缘图里正常圆的弧线一段一段地断掉展开后的边缘密度到处都低于阈值全部角度都被标记为缺陷。原因这是最常见的光照不均问题。工件表面反光、阴影遮挡、或者照明是单侧点光源时圆环的一部分对比度很低Canny 的低阈值覆盖不住边缘自然断裂。解决先用 CLAHE 或分块局部直方图拉伸把低对比度区域拉起来。我一般还会把图像分四个象限分别计算对比度如果四个象限的灰度方差差异超过 30%就先做光照校正比如用高斯核做背景估计然后原图减去背景。另外Canny 的阈值不要定死我习惯用中位数灰度差来动态设定高低阈值产线换灯管或换产品时不至于全盘重调。4.2 HoughCircles 找不到圆或者找到一堆假圆现象HoughCircles 返回空列表或者返回了五六个半径离谱的圆circle_ring.png 上明明肉眼可见一个圆。原因param2 阈值设置不合理或者 minRadius/maxRadius 范围太宽导致投票时背景上的噪声边缘也参与投票。还有可能是边缘图本身有大量内环纹理比如螺栓垫片的防滑纹和扳手标记圆这些圆会跟外圆争抢投票。解决把半径搜索范围缩窄比如先手动用画图工具量一下圆直径再留 10~15% 的余量。param2 从 20 往上试每次 5直到只出现一个稳定圆为止。如果图像里有多个同心圆而你要外圆先用环形先验把内圆区域填掉或者把灰度图的 ROI 裁剪到只包含外圈附近再做 Hough。4.3 极坐标展开的缺陷角度对不上原图位置现象明明显示缺陷在 90° 附近但回到原图看实际缺陷在 120° 处系统性的偏了约 30°。原因warpPolar 的展开起始角度默认从与 x 轴正向夹角开始按逆时针方向展开但我的原图画线代码用的cv2.line顺时针转了或者角度的弧度换算差了 PI/2。这个问题特别隐蔽因为小缺陷看着像对的角度偏差一大就露馅。解决展开之前先做一个标定流程。找一张有已知缺陷的样件或者干脆用笔在圆上画一个黑点跑一遍完整流程记录 bad_angles 和解算出的原图坐标对比实际位置。然后在代码里固定一个角度偏移量。我自己的习惯是让展开图的第 0 列对应圆心正右方逆时针展开为 0~360°换算函数统一用x cx r * cos(angle * pi / 180)避免混用顺时针和弧度。4.4 圆环内壁缺陷被外圆边缘完全淹没现象检测的是圆环内孔壁上的磕碰但展开图里外圆边缘又粗又亮内壁的缺陷响应值被平均掉密度阈值怎么调都检不出。原因我只用一个环形 mask同时包含了外圆边缘和靠近外圆的一小段表面内壁缺陷在 20 像素宽的纵向统计里占比太低非零像素的平均值被外圆拉高了。解决把环带分窄一点展开图只保留缺陷可能出现的半径范围。比如检测内壁缺陷就以radius - 2到radius - 8这一段作为展开区域用warpPolar的 maxRadius 参数控制在略小于外半径的位置。或者在展开前先用形态学去掉外圆连续边缘比如用cv2.morphologyEx(edges, cv2.MORPH_OPEN, np.ones((3,3)))把细碎缺陷保留、粗壮外圆边缘削弱。分割内外圆的思路一定要在找圆时就定型不然后面全是噪声。4.5 换个产品线所有阈值和参数都要重新调一遍现象昨天跑轴承稳定得很好今天换一个尺寸完全不同的硅片检测任务Canny 阈值、CLAHE 参数、展开宽度全部失效检测率直线下降。原因不同工件的表面粗糙度、材质反射率、圆半径差异太大固定参数不具有迁移性。解决把关键参数全部参数化写进一个配置文件。每次切换产品时只需标定圆心半径、Canny 高阈值、密度阈值这三个量其余参数按比例自动缩放。比如 Canny 高阈值用灰度图的梯度幅值分位数P90来自适应计算而不是写死 160展开宽度按int(radius * 0.02)自动计算。这样至少能在现场十分钟内完成换线调参而不是重新做一整天实验。5. 进阶用边缘连续性分数给缺陷自动分级前面只做了“有没有缺陷”和“在哪”实际产线还需要知道“这个缺陷严不严重”否则所有异常都报警停机产线根本跑不起来。我后来在项目里加了一个简单但很有效的指标分段边缘连续性分数。把圆周按角度切成 N 个扇区每个扇区计算边缘像素占理论弧长的比例数值低于 80% 视为缺陷低于 50% 直接判红。# 将圆周按 10° 切成 36 个扇区 sector_num 36 sector_points np.split(bad_angles, np.where(np.diff(bad_angles) 5)[0] 1) # 对每个扇区统计边缘覆盖率 angle_bins np.zeros(360) angle_bins[bad_angles] 1 sector_coverage angle_bins.reshape(36, 10).mean(axis1) severity np.where(sector_coverage 0.5, severe, np.where(sector_coverage 0.8, warning, ok))这个分级的妙处在于它不依赖具体缺陷形状只看边缘断裂的持续角度。划痕和毛刺这类小缺陷通常只会让一两个扇区出现中低覆盖崩边和严重裂纹会连续跨越多个扇区覆盖几乎归零。我把这个结果叠加到极坐标图上用红黄绿三种颜色标注每个扇区再映射回原图。这样产线上的人不用看报表直接看哪个扇区是红的就能返修。这一套流程做完我的体会是图像边缘检测在圆缺陷检测里不是“土办法”而是最高效的几何先验。它虽然没有深度模型的抽象能力但胜在每一条缺陷结论都能追溯到具体的边缘中断位置调试一个晚上就能摸清所有参数脾气。希望帮到你也建议你下次拿到圆的缺陷检测需求先花十分钟看边缘图而不是急着训练模型。本文还有配套的精品资源点击获取