做SMT备料或者来料检验的朋友应该都有过对着整盘LED编带数数的经历一托盘贴片LED倒下来少说几百颗多则上千靠镊子一粒粒拨开数数到后面眼睛花不说还容易漏数或重数。这套“基于Matlab的LED元器件计数系统”就是为解决这类重复性人工计数场景做的——用普通USB摄像头拍一张照片Matlab图像处理工具箱跑一遍分割和连通域分析几秒钟输出数量顺带在图上把每颗LED框出来供复核。项目本身不算复杂但麻雀虽小五脏俱全图像采集、光源布控、预处理、二值化、形态学滤波、参数筛选、误差排查机器视觉里常踩的坑在这套小系统里基本都能遇到。我尽量把每个环节的取舍讲明白初学Matlab图像处理的人可以直接拿来当模板在实验室或小产线做验机预研的工程师也能从中找到可落地的思路。1. 系统整体设计思路1.1 为什么选Matlab而不是Python加OpenCV这个项目用Matlab做最大的理由不是Matlab算得快而是它把图像处理里的高频操作封装得太完善了。rgb2gray、medfilt2、graythresh、imbinarize、bwlabel、regionprops、imopen、imclose这些函数在Matlab里都是一行调用直接出结果而且每一步都可以立即imshow出来看效果对算法调试极其友好。同样是做阈值分割在Python里要import opencv、numpy、matplotlib写十几行代码才能看到图像Matlab这边五分钟就能搭出一个带可视化中间过程的原型。从版本兼容性上说这套逻辑从Matlab R2016以后基本没大变过用2021、2023b还是2024版跑都没问题老版本用户不用担心代码跑不通。真正到了要部署到产线、做成嵌入式实时系统的阶段再把算法迁移到Python或C不迟——那时候你手里的Matlab脚本本身就是一份现成的算法说明书互换成本很低。1.2 系统流水线的三个核心环节LED元器件计数看起来就是“数数”实际拆开是三个连续环节构成的流水线任何一个环节出了问题最终数字都会失真。图像采集环节负责把物理世界变成数字图像。这里包含相机选型、照明方式、背景选择、拍摄角度等一堆看似“与算法无关”的工程问题。实际上我做过好几个类似项目后可以负责任地说采集环节决定计数的上限算法只是在逼近这个上限。图像处理环节把原始图像从灰度图变成干净的二值图做去噪、增强、分割、形态学修正。这一步的目标是把“LED”和“非LED”在像素级彻底分开所有误检、漏检的根源基本都在这一阶段。计数与校验环节对二值图做连通域分析提取每颗LED的面积、质心、外接矩形然后通过面积阈值等约束条件过滤掉噪声目标最终输出数量并可视化。这里还包含人工复核与误差分析用来迭代优化前面两个环节的参数。这跟体检流水线是一个道理抽血、化验、出报告抽血手法不好会影响化验结果化验不准报告就别提了。整套流程必须前后贯通地调试不能只盯着最后一步的数值。1.3 动手前必须先想清楚的四个前提做设计方案之前有几个前提没定清楚就写代码大概率会返工。第一LED在图像里是亮目标还是暗目标。这个问题直接决定二值化之后要不要取反。比如LED放在黑色绒布上、用正面光照射会呈现亮目标如果用背光板打光LED会变成黑色剪影那就是暗目标。目标与背景的关系一旦颠倒代码里漏写一个取反就会导致计数值直接崩掉。第二目标尺寸的先验范围。只有知道LED在图像中大概占据多少像素才能设定合理的面积阈值。知道了视野大小、相机分辨率和LED物理尺寸就能粗略估算像素面积后面设minArea和maxArea才有依据。第三计数精度与复核机制。工业场景不会要求你百分之百准确但没有复核机制的系统是不完整的。我自己的做法是输出一张带编号方框的标注图计数完成后随机抽几个区域人工核对编号数量方便快速定位误检根因。第四单张计数还是批量处理。如果只处理一张图脚本随便写如果要把一整个文件夹的图片都跑一遍就必须把核心逻辑封装成函数加上输入输出结构化处理。这个项目里我默认做了批量版本因为实际生产来料不会只有一张图。2. 图像采集与布光细节2.1 相机分辨率怎么选不是越高越好很多人一上来就想用高分辨率相机觉得像素多就能数得准。实际不是这样——分辨率需要和视野、目标大小匹配光上分辨率而视野也对不上反而是浪费算力。我给一个很简单的估算方法先确定视野宽度再用相机像素数除以视野宽度得到每个像素对应的物理尺寸最后看LED的最小边能占几个像素。以0603封装的LED为例长0.6毫米、宽0.3毫米。假设视野是60毫米宽用1920像素宽的相机那一个像素对应约0.031毫米LED长边约占19像素短边约占10像素一颗LED的面积约190像素左右。这个像素量做连通域计数非常稳目标不会因为几个像素的误差就消失。如果LED换成更小的0402封装长1毫米、宽0.5毫米其实是0402的英制尺寸是0.4mm×0.2mm同样的视野下单颗面积大概只有几十像素这时就要么缩小视野要么换更高分辨率相机。经验值是目标的最小边至少占10像素以上否则分割的稳定性会很差。2.2 布光和背景直接影响分割难度说句实在话绝大多数“数不准”的问题不是算法不行而是布光和背景没做好。LED表面有金属引脚和半透明塑封体反光特性复杂光线稍微没控制好就会出现大片过曝白斑、镜面反光点这些在二值化后全是噪点。我的经验配置是用低角度白光照射让光线以较平的角度扫过托盘表面减少垂直方向的镜面反射背景用黑色哑光绒布或者黑色植绒托盘原理是“目标越亮、背景越暗分割越容易”。有条件的话可以加偏振片消除高光大多数实验室条件下一块亚克力匀光板也能解决大半问题。背光方案是另一个高效思路LED放在半透明亚克力板上下方用平板光源打背光相机从上往下拍。这时候LED是不透光的暗色剪影背景是均匀亮斑对比度极高阈值分割几乎不会失误。唯一的麻烦是散料状态下LED之间会重叠所以得先把料摊薄摊平。2.3 拍摄流程一定要固定这类计数系统最怕“每次拍照的人不是同一个、相机位置天天换”。焦距、高度、角度一变目标尺寸就不一样面积阈值全部要重调。实操时我会做两个强制动作一是相机用支架固定后基本不调整拍摄高度误差控制在几毫米以内二是拍完立刻看直方图确认目标灰度和背景灰度拉出明显分界如果直方图上只有一个峰说明光源或背景不对赶紧调不要拖到算法阶段再处理。采集结束后建议多存几张带有不同目标朝向、不同稀疏程度的样张后面调参调阈值时这些都是宝贵的回归验证素材。没有几张代表性测试图你调出来的参数很可能只对一张图有效换个批次就失灵。3. 图像预处理灰度化、去噪与增强3.1 灰度化与颜色通道的选择常规流程第一步是rgb2gray把彩色图转灰度因为后续分割与计数只需要亮度信息颜色信息可以丢掉。但如果LED颜色相对单一直接提取对应颜色通道往往比笼统的灰度化更好用。比如一批红色LED放在暗背景上红色通道里目标和背景的灰度差通常会比灰度图更大分割阈值更容易选。我习惯写几行代码把三个通道和灰度图并排显示出来眼睛看一下哪张的对比度最明显就选哪张作为后续处理输入。这里多花两分钟能省下后面调阈值的几小时。3.2 中值滤波和高斯滤波怎么选LED图像噪声来源一般是两种一是传感器暗电流产生的随机颗粒噪声二是光照不均或灰尘造成的椒盐类噪点。去噪方案上中值滤波medfilt2对椒盐噪声非常有效而且有保边特性——它不会把LED的边缘模糊掉这一点在计数场景里很关键高斯滤波imgaussfilt则擅长平滑随机噪声代价是边缘多少会变钝。实际操作中如果图像干净我甚至会跳过中值直接只用高斯轻度平滑因为过度滤波反而会让边缘变糊粘连的LED更难分开。滤波核尺寸上3×3是默认起点只有当噪点很密时才开到5×5。核心原则是滤波核的尺寸一定要远小于LED在图像中的尺寸否则小目标直接就被滤没了。3.3 对比度增强是双刃剑imadjust可以把灰度范围拉开让目标与背景的灰度差异更加显著。比如直方图显示灰度大部分集中在80到160之间可以用imadjust(img, [0.3 0.6], [0 1])把它拉伸到全范围。还有自适应直方图均衡化adapthisteq在光照不均时特别好用它会把图像分成小块分别做均衡避免局部阴影导致一半目标分割不出来。但我要提醒一句不要无脑上histeq。全局直方图均衡化在LED计数这种背景占比很大的场景中往往把背景纹理噪声也一起增强反而让后续分割更难。大多数情况下imadjust配合分位点设定就够了——我常用prctile取灰度值的1%和99%分位作为拉伸区间效果稳定且自动化。4. 目标分割与形态学处理4.1 Otsu全局阈值为什么够用graythresh实现的是Otsu大津法它的本质是遍历所有可能的灰度阈值找那个让“前景类”和“背景类”类间方差最大的值。用人话说就是它自动找一个分界点让分割后两边的内部灰度尽量一致、两边之间的差异尽量大。大多数LED计数场景只要布光均匀、背景干净这个自动阈值基本就是准的完全不需要手动试阈值。如果碰到光照不均全局阈值会失灵表现是图像一侧的目标全被阈值吃掉另一侧背景却残留大量噪点。这时两个替代方案一是先做背景校正把光照梯度扣除二是改用自适应阈值imbinarize(img, adaptive)每个局部区域用自己的阈值分割能救回不均匀光照的大部分区域。4.2 二值化后先判断要不要取反imbinarize默认把亮目标置1、暗背景置0。如果你的LED是暗色剪影前景的像素值反而是0后续连通域分析会什么都找不到。判断方法很简单二值图里统计1像素占比如果占比超过一半多半是目标和背景搞反了用bw ~bw取反即可。这个小小的判断虽然看起来不起眼却是最容易翻车的地方。4.3 开闭运算的顺序与结构元二值图拿到手后通常要做两步形态学。第一步开运算imopen先腐蚀后膨胀作用是去掉那些孤立的小噪点第二步闭运算imclose先膨胀后腐蚀作用是填平目标内部的细小断裂和凹坑。顺序不能乱先开运算清理背景再闭运算修复目标。结构元大小根据LED尺寸定我常用strel(disk, 2)到strel(disk, 4)。这里的经验值是结构元半径不要超过LED最小尺寸的1/3否则会把目标本身腐蚀掉。注意我用的是圆形结构元而不是方形因为LED端面虽然接近矩形但经过反光和透视之后其边缘轮廓更接近圆润形状圆形结构元不容易引入方块伪影。还有一个常规操作imfill(bw, holes)。LED如果表面有高光反射中心区域可能在二值图里形成黑洞不填充的话一颗LED会被bwlabel拆成两三个区域计数直接翻倍。所以做完闭运算后再统一填充内部空洞是防止这类问题的最简单手段。4.4 图像边缘的目标怎么处理一张照片拍到边界处总有LED只进来一半如果把这些残缺目标也计数数量会略大于实际值。imclearborder可以把与图像边缘连接的所有目标全部删掉效率很高。代价是贴边完整的LED也会被误杀导致数量偏少。权衡之下我建议采用“物理规避”加“算法剔除”双重策略拍摄时让LED距离托盘边缘留出3到5毫米余量再从算法侧用imclearborder剔除边缘目标。这套组合拳下来边界问题基本就不用管了。5. 计数实现与关键参数调优5.1 可直接运行的Matlab计数脚本下面给出一套完整的单图像计数脚本核心思路就是前面讲的流水线。代码里我加了较详细的注释你可以直接抄走改路径跑起来。%% LED元器件计数系统 - 单图处理脚本 clc; clear; close all; %% 1. 读取图像 img imread(led_demo.png); % 改成你的图像路径 if size(img, 3) 3 img_gray rgb2gray(img); else img_gray img; end %% 2. 预处理 img_filt medfilt2(img_gray, [3 3]); % 去除椒盐噪点 img_filt imgaussfilt(img_filt, 0.8); % 轻度平滑 % 用灰度1%和99%分位自适应拉伸对比度 low prctile(img_filt(:), 1); high prctile(img_filt(:), 99); img_adj imadjust(img_filt, [low/255 high/255], [0 1]); %% 3. 阈值分割与二值化处理 th graythresh(img_adj); bw imbinarize(img_adj, th); % 如果目标在二值图中是暗目标取消下面一行的注释 % bw ~bw; bw imopen(bw, strel(disk, 2)); % 去除孤立噪点 bw imclose(bw, strel(disk, 3)); % 连接同颗LED的断裂区域 bw imfill(bw, holes); % 填充LED表面反射造成的空洞 bw imclearborder(bw); % 剔除贴边的不完整目标 %% 4. 连通域分析与筛选 stats regionprops(table, bw, Area, Centroid, BoundingBox); areas stats.Area; % 画面积分布直方图方便确定阈值 figure; histogram(areas, 50); title(连通域面积分布); xlabel(面积/像素); ylabel(目标个数); % 根据直方图主峰调整这两个值 minArea 100; maxArea 5000; validIdx find(areas minArea areas maxArea); count length(validIdx); fprintf(检测到LED数量: %d\n, count); %% 5. 结果可视化 figure; imshow(img); hold on; for k 1:length(validIdx) idx validIdx(k); bbox stats.BoundingBox(idx, :); rectangle(Position, bbox, EdgeColor, r, LineWidth, 1.5); text(bbox(1), bbox(2) - 5, num2str(k), ... Color, y, FontSize, 10, FontWeight, bold); end title(sprintf(检测到LED数量: %d, count));代码跑通后再讲参数minArea和maxArea不是拍脑袋填的。正确流程是先把这两行注释掉把所有连通域面积画成直方图直方图上会有一个明显的主峰那就是LED的面积分布范围。取主峰的0.5倍到1.5倍作为过滤区间基本不会误杀正常目标也能顺手滤掉大部分灰尘和目标碎屑。如果图像里混入了螺丝、标签纸这类体积差异悬殊的异物面积过滤能一网打尽。5.2 计数结果怎么验证才靠谱系统说“数出来300颗”你怎么知道它到底准不准我每次调试完会做两轮验证。第一轮是全量人工复核跑完计数后直接看带红框的标注图抽查10个区域内红框数量与实物数量是否一致。第二轮是误差统计如果一批测试图里有“标准答案”就计算正确计数误差率(检出数-实际数)/实际数。注意误差率要分正负看正误差是误检负误差是漏检原因通常完全不同多出来的大多是背景噪点没滤干净少了的大多是粘连目标被当成一个。5.3 批量处理多张图像的脚本实际来料检验肯定不止一张图。批量处理时把核心逻辑封装成函数countLEDFun再用循环读图、调用、汇总表格导出。%% 批量处理文件夹内所有LED图像 folder D:/led_images/; files dir(fullfile(folder, *.png)); resultTable table(); for i 1:length(files) img imread(fullfile(folder, files(i).name)); num countLEDFun(img, 100, 5000); % 调用封装函数传入面积阈值 resultTable [resultTable; table({files(i).name}, num, ... VariableNames, {文件名, LED数量})]; end writetable(resultTable, fullfile(folder, count_result.xlsx)); disp(批量计数完成结果已保存到 count_result.xlsx);函数封装的优势是参数集中管理调阈值时不用在脚本里到处找。后面要接GUI或者实时视频流直接复用一个函数就够了。6. 常见问题与排查技巧实录6.1 两颗LED离太近被连成一个目标计数偏小这是最容易发生的故障尤其在散料摊得不均匀、LED贴在一起的时候。判断方法是看二值图如果两块独立目标的二值区域之间只有很细的“桥”连着形态学开运算很可能就能拆开imopen结构元半径加一到两像素试试。如果粘连严重开运算拆不动就要上分水岭分割。思路是对二值图做距离变换让每个目标内部形成一个“峰”再用watershed按峰谷切分。D bwdist(~bw); % 距离变换目标中心值大 D -D; % 取负让目标中心变谷底 L watershed(D); % 分水岭分割 L(~bw) 0; % 只保留原目标区域 bwSplit L 0;分水岭算出来的bwSplit会取代原来的bw进regionprops。它也不是万能的对严重交叠的LED还是无能为力所以最好的“算法”其实是采集前多晃动托盘让LED尽量分散——这句话我在调试笔记里写了不下十次。6.2 背景纹理被当成LED计数偏大现象是结果图里多了一些明显不是目标的小框。原因多半是背景托盘本身有污渍、划痕或者绒布上有灰尘颗粒。排查时先看原图确认背景里是否真的存在和LED灰度接近的东西。解决方案按成本从低到高排列一是收紧面积阈值把小目标滤掉二是增加形状约束比如用stats.MajorAxisLength ./ stats.MinorAxisLength滤掉细长异物三是在采集端换更干净的背景、增加固定遮罩只保留ROI区域。最不应该做的是调低二值化阈值硬削那会把LED本身的浅色区域也削掉误检少了漏检又多了。6.3 LED中心出现黑色空洞导致一颗被拆成多颗这个问题前面提过典型场景是LED表面高光在二值图里形成白色亮斑但亮斑中心因为过曝反而呈黑色空洞bwlabel会把这个中空结构拆成外环加内点好几个连通域。排查时看中间产物二值图非常直观目标中心有个明显的空洞。解决就是用imfill(bw, holes)填充或者调低相机曝光时间让反射高光不过曝到中间发黑的程度。拍摄端的物理调整往往比算法兜底更干净。6.4 光照不均一半能数出来一半数不出来典型场景是相机在窗户边下午阳光斜进来照在托盘一角导致一边亮一边暗。表现是分割结果里亮区背景噪点一堆暗区LED消失一片。解决分三级先尝试adapthisteq做局部对比度增强再不行做顶帽变换背景校正用大半径结构元估计背景亮度并扣除最好的根治办法是从物理上消除不均匀光——补一盏对称光源或者拉上窗帘固定环境光。6.5 常见问题速查表把前面讲的和没展开讲的高频问题统一整理成表方便现场对照排查。现象可能原因排查手段处理方案计数偏大背景噪点被检出检查二值图背景是否干净开运算去噪收紧面积阈值加形状过滤计数偏大一颗LED被拆成多区域观察目标内部是否有空洞imfill填充调低曝光避免过曝计数偏小LED粘连成一个目标观察二值图是否存在桥接开运算分水岭分割采集中摇匀散料计数偏小贴边目标被imclearborder误删查看原图边缘是否有完整LED拍摄时留边距改用ROI掩膜半边能数半边不能光照不均匀看二值图明暗分布adapthisteq顶帽变换双光源补光面积阈值总不稳定拍摄高度/距离频繁变动对比多次目标面积均值固定支架高度重新标定像素比例6.6 排查思路比具体解法更重要我最后想分享一个排查方法论层面的心得。计数不准时不要直接盯着最终数量调参数那样容易陷入“调大调小碰运气”的死循环。正确做法是逐级可视化中间结果原图→灰度图→增强图→二值图→形态学图→连通域标注图每一步都display出来用肉眼锁定问题出在哪一级。二值图有问题就回采集端调布光标注图框偏了才考虑筛选参数。这套办法帮我解决过至少几十次定位困难的“玄学故障”。另外调试时可随手把每一步的中间图像用saveas或imwrite保存下来形成一份调试记录。后面算法改版或者更换相机翻这些历史图像能快速判断是采集环境变了还是新算法退步了省下来的时间非常可观。我个人在这套系统里最深的体会是花在布光、背景和拍摄标准化上的功夫回报率永远高于埋头调算法参数。一个干净、稳定、对比度高的图像输入会让Otsu自适应阈值和简单的面积过滤做到极高的准确率相反图像采集如果很随意后面再高级的形态学、分水岭都是亡羊补牢效果还不见得好。最后再送一个实用小技巧别把面积阈值写死在脚本里可以用一个简单的inputdlg弹窗或者在代码顶部集中定义成一个参数结构体这样你测试不同批次图像时调起参数来会从容得多。这个项目后续如果要做实时计数把相机接入、ROI裁剪加上核心处理函数完全可以原样复用。