尧图网页设计 
简介这份资源面向计算机、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处理与ROI分析判断焊盘是否存在偏斜、倾斜、压伤等异常状态可作为毕业设计、课程设计或项目立项的参考范例。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107人学习关注。代码经过实际运行测试配套README说明读者可据此理解视觉检测流程、掌握OpenCV图像处理与状态分类思路并在此基础上修改扩展用于自身课题或作业场景。1. 漆包线焊盘识别到底难在哪从一张 cocked.jpg 说起漆包线点焊的焊盘状态识别说白了就是让机器替人眼判断焊盘焊得好不好。我最早接触这个场景是在一个电机厂的项目里产线上工人拿放大镜看焊点一天看几千个眼睛都花了。后来他们想上视觉方案我拿到的第一版测试图就是cocked.jpg——焊盘明显歪了但当时用的模板匹配算法死活判不出来因为漆包线本身有反光焊盘边缘又毛糙传统阈值分割一塌糊涂。这个资源包opencv-Enameled_wire-master.zip就是冲着这类问题去的。它用 Python OpenCV 做了一套完整的焊盘状态识别流程测试图里给了well.jpg、cocked.jpg、cocked1.jpg、bias.jpg、incline.jpg、none.jpg六种典型状态覆盖了焊盘正常、歪斜、偏移、倾斜、缺失这些产线上最常见的异常。代码结构不复杂video-main.py跑视频流img-main.py跑单张图roi.py负责圈定检测区域estimate.py做状态判定function.py是公共函数库。适合谁呢做自动化检测的工程师、搞机器视觉课程设计的学生或者手头有类似焊点检测需求想快速搭原型的开发者。它不解决所有问题但能让你在半天内跑通一个可演示的焊盘状态识别 pipeline知道每一步该看什么参数、哪里容易翻车。2. 环境搭起来Python 3.8 OpenCV 4.x 的版本匹配与依赖清单2.1 为什么这个组合容易出 ModuleNotFoundError热词里modulenotfounderror: no module named opencv和opencv安装成功却找不到cv2出现频率极高我几乎每次带新人都会遇到。根因通常不是没装而是装错了环境——系统里同时有 Python 3.8、3.9、3.10pip 装到了 A 环境IDE 用的是 B 环境。这个资源包我实测在 Python 3.8 OpenCV 4.4.0 上最稳因为cv2.findContours的返回值在 4.x 和 3.x 之间有过变化代码里用的是 4.x 的写法。先确认你的 Python 版本和 pip 指向python --version pip --version # 如果 pip 指向的不是你当前 python 的 site-packages用下面这个 python -m pip --version逻辑说明python -m pip强制用当前解释器对应的 pip避免多版本环境下的错位。参数上没什么可调的关键是看输出路径里有没有你预期的 Python 版本号。2.2 依赖安装与验证脚本资源包没有requirements.txt我按代码里的 import 反推了一份最小依赖python -m pip install opencv-python4.4.0.46 python -m pip install numpy1.19.5装完别急着跑主程序先用一段短脚本验证cv2能不能正常读写图import cv2 import numpy as np print(OpenCV version:, cv2.__version__) img cv2.imread(test_img/well.jpg) if img is None: print(读图失败检查路径和文件名大小写) else: print(图像尺寸:, img.shape) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) print(灰度均值:, np.mean(gray))逻辑说明cv2.imread在路径错误或文件不存在时返回None而不报错这是新手最容易卡住的地方。img.shape返回(高, 宽, 通道数)如果通道数是 3 说明读进来是彩色图。np.mean(gray)给一个亮度基准后面调阈值时心里有数。参数上opencv-python选 4.4.0.46 是因为这个版本对findContours的返回结构稳定且和 numpy 1.19.5 兼容性好再新的 numpy 在某些老代码里会报np.float已弃用的警告。提示如果你用的是 Anaconda先conda list opencv看有没有预装有的话优先用 conda 的版本避免 pip 和 conda 混装导致 cv2 加载失败。3. 从 ROI 到状态判定img-main.py 与 estimate.py 的拆解3.1 roi.py 怎么圈定焊盘区域roi.py的作用是在整张图里找到焊盘所在的矩形区域后续所有判定都在这个 ROI 里做。我翻代码看到它用的是轮廓面积筛选加矩形度约束核心逻辑大概是这样import cv2 import numpy as np def get_roi(image_path): img cv2.imread(image_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊压掉漆包线反光带来的噪点 blur cv2.GaussianBlur(gray, (5, 5), 0) # 自适应阈值比固定阈值更抗光照不均 thresh cv2.adaptiveThreshold(blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2) contours, _ cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) best None max_area 0 for cnt in contours: area cv2.contourArea(cnt) if area 500: # 太小的是噪点 continue x, y, w, h cv2.boundingRect(cnt) ratio w / float(h) # 焊盘近似矩形长宽比在 0.5 到 2 之间 if 0.5 ratio 2.0 and area max_area: max_area area best (x, y, w, h) return img, best逻辑说明GaussianBlur的核大小(5,5)是经验值漆包线反光强的时候可以加到(7,7)但太大会把焊盘边缘也糊掉。adaptiveThreshold的11是邻域块大小必须是奇数2是从均值里减去的常数调大能让前景更干净但可能丢弱边缘。contourArea过滤掉 500 像素以下的小轮廓这个阈值要根据你的实际图像分辨率改我一般按 ROI 预期面积的 1/10 来设。boundingRect拿到的(x,y,w,h)就是 ROI 的候选框长宽比约束是为了排除漆包线本身形成的细长轮廓。3.2 estimate.py 的状态判定逻辑与参数含义estimate.py是核心判定模块它拿 ROI 区域做进一步分析输出焊盘状态。我梳理了一下它的判定路径大致分三步先算焊盘中心偏移再算角度偏差最后综合分类。def estimate_state(roi_img): gray cv2.cvtColor(roi_img, cv2.COLOR_BGR2GRAY) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU) contours, _ cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if not contours: return none # 没有轮廓焊盘缺失 cnt max(contours, keycv2.contourArea) rect cv2.minAreaRect(cnt) # 返回 (中心点, (宽,高), 角度) (cx, cy), (w, h), angle rect # 中心偏移量ROI 中心与焊盘中心的距离 roi_h, roi_w gray.shape offset_x abs(cx - roi_w / 2.0) offset_y abs(cy - roi_h / 2.0) # 角度归一化到 -45 到 45 度 if angle -45: angle 90 if offset_x 15 or offset_y 15: return bias # 偏移 if abs(angle) 10: return incline # 倾斜 if w / float(h) 1.8 or h / float(w) 1.8: return cocked # 歪斜 return well逻辑说明cv2.threshold用 OTSU 自动找阈值比手动指定更省事但前提是 ROI 里前景背景对比够。minAreaRect返回的角度在不同 OpenCV 版本里范围不一样4.x 里是[-90, 0)所以代码里做了90的归一化。offset_x和offset_y的阈值 15 是像素值对应我测试图里大约 0.3mm 的实际偏移你的相机分辨率变了这个数要等比缩放。angle阈值 10 度是产线可接受的倾斜上限超过就算incline。长宽比 1.8 是区分正常矩形和歪斜变形的经验值cocked.jpg里焊盘被拉长这个值会明显偏大。注意minAreaRect的角度定义在不同版本间有差异如果你升级了 OpenCV 发现incline和well判反了先打印angle看范围再决定要不要调整归一化逻辑。4. 视频流与单张图的跑通video-main.py 和 img-main.py 实操4.1 img-main.py 单张图调试流程调试阶段我强烈建议先用img-main.py跑单张图因为视频流里帧一多你根本不知道是哪一帧出的问题。资源包的test_img目录里六张图正好覆盖六种状态按下面步骤走# 先跑正常焊盘确认基础流程通 python img-main.py --image test_img/well.jpg # 再跑歪斜和偏移看判定结果是否符合预期 python img-main.py --image test_img/cocked.jpg python img-main.py --image test_img/bias.jpg如果代码里没有 argparse 而是硬编码路径那就直接改img-main.py里的image_path变量。跑通后重点看两个输出一是 ROI 框有没有正确套住焊盘二是终端打印的状态标签和文件名是否一致。我遇到过cocked1.jpg被判成well的情况原因是那张图的焊盘歪斜角度刚好在阈值边缘把angle阈值从 10 调到 8 就分开了。4.2 video-main.py 的帧处理与性能调优video-main.py把单张图的逻辑套到视频流上核心循环大概是读帧、取 ROI、判定、画框、显示。我实测在 640x480 分辨率下单帧处理耗时约 25ms跑 30fps 的视频基本跟得上。如果你要上产线几个参数值得调参数位置作用调整建议GaussianBlur核大小roi.py压噪点反光强改 7一般用 5adaptiveThreshold块大小roi.py二值化粒度必须奇数11 起步contourArea下限roi.py过滤小轮廓按分辨率等比缩放offset阈值estimate.py偏移判定对应实际公差angle阈值estimate.py倾斜判定8~12 之间微调视频流里还有一个坑如果相机自动曝光在变adaptiveThreshold的效果会飘。常见做法是关掉相机自动曝光或者每 30 帧重新算一次 OTSU 阈值做补偿。我在video-main.py里一般会加一个帧计数每 30 帧打印一次当前判定统计方便看有没有某类状态突然增多——那通常意味着光照变了。5. 避坑与排查六张测试图跑下来我踩过的五个坑5.1 现象cv2.imread 返回 None程序不报错但后续全崩原因路径里有中文、空格或者文件名大小写和实际不一致。Windows 下test_img和Test_img是两个目录Linux 下更是严格区分。解决在imread后面立刻加if img is None: raise FileNotFoundError(路径)把问题暴露在第一现场。路径统一用os.path.join拼接避免手写斜杠。5.2 现象cocked.jpg 被判成 well歪斜焊盘漏检原因minAreaRect的角度在焊盘接近正方形时不稳定歪斜主要表现为长宽比变化而不是角度变化但长宽比阈值设成了 1.8 偏高。解决把长宽比阈值降到 1.5同时增加一个「轮廓面积与最小外接矩形面积之比」的约束正常焊盘这个比值在 0.85 以上歪斜变形会掉到 0.7 以下。5.3 现象bias.jpg 和 incline.jpg 判定结果互换原因偏移和倾斜的判定顺序有问题。代码先判偏移再判倾斜但倾斜的焊盘其中心点也会偏移导致倾斜图先命中了偏移分支。解决调整判定顺序先算角度角度超阈值直接归为incline角度正常再判偏移。这个顺序在estimate.py里改两行 if 的位置就行。5.4 现象视频流跑几分钟后帧率骤降原因video-main.py里每帧都创建了新的VideoCapture或者没有释放上一帧的 Mat 对象内存缓慢增长。解决VideoCapture在循环外创建一次循环内只调read()。Python 的 GC 对 OpenCV Mat 回收有延迟可以在循环里每 100 帧手动gc.collect()一次或者用del frame显式释放。5.5 现象none.jpg 被判成 bias 或 cocked原因焊盘缺失时 ROI 里可能框到了漆包线本身的轮廓findContours找到了非焊盘的轮廓并继续走判定。解决在estimate_state开头加一个面积下限判断如果最大轮廓面积小于 ROI 面积的 5%直接返回none。这个阈值我一般设 5% 到 8%太低会漏判缺失太高会把小焊盘误杀。6. 进阶技巧把判定阈值从硬编码改成配置文件驱动跑通六张图只是起点真正上产线你会发现不同批次的漆包线反光特性不一样硬编码在estimate.py里的阈值每换一批料就要改代码这显然不现实。我的做法是把所有阈值抽到一个config.yaml里用pyyaml读进来改参数不用动代码。import yaml def load_config(pathconfig.yaml): with open(path, r, encodingutf-8) as f: cfg yaml.safe_load(f) return cfg # config.yaml 内容示例 # roi: # blur_ksize: 5 # thresh_block: 11 # min_area: 500 # estimate: # offset_thresh: 15 # angle_thresh: 10 # ratio_thresh: 1.5 # none_area_ratio: 0.05逻辑说明yaml.safe_load比eval安全比json可读性好支持注释。参数按模块分组roi下的三个参数对应roi.py里的三个硬编码值estimate下的四个对应estimate.py里的判定阈值。改配置后不需要重启程序可以在video-main.py里加一个按键监听按r重新加载配置按s保存当前帧的 ROI 和判定结果到磁盘方便事后复盘。验证方法上我习惯用六张测试图跑一轮回归写一个test_all.py遍历test_img目录把每张图的判定结果和文件名里的预期标签对比输出一个通过率。每次改完阈值先跑这个脚本通过率 100% 再上视频流。这个习惯是从一次翻车经历来的——当时改了一个阈值觉得没问题直接上产线结果cocked1.jpg那类边缘样本全漏了被产线班长追着问了一下午。从那以后我每次调阈值都强制走一遍六图回归再急也不跳过。希望帮到你。本文还有配套的精品资源点击获取 OpenCV漆包线焊盘状态识别：从ROI到判定，六种缺陷检测实战
简介这份资源面向计算机、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处理与ROI分析判断焊盘是否存在偏斜、倾斜、压伤等异常状态可作为毕业设计、课程设计或项目立项的参考范例。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107人学习关注。代码经过实际运行测试配套README说明读者可据此理解视觉检测流程、掌握OpenCV图像处理与状态分类思路并在此基础上修改扩展用于自身课题或作业场景。1. 漆包线焊盘识别到底难在哪从一张 cocked.jpg 说起漆包线点焊的焊盘状态识别说白了就是让机器替人眼判断焊盘焊得好不好。我最早接触这个场景是在一个电机厂的项目里产线上工人拿放大镜看焊点一天看几千个眼睛都花了。后来他们想上视觉方案我拿到的第一版测试图就是cocked.jpg——焊盘明显歪了但当时用的模板匹配算法死活判不出来因为漆包线本身有反光焊盘边缘又毛糙传统阈值分割一塌糊涂。这个资源包opencv-Enameled_wire-master.zip就是冲着这类问题去的。它用 Python OpenCV 做了一套完整的焊盘状态识别流程测试图里给了well.jpg、cocked.jpg、cocked1.jpg、bias.jpg、incline.jpg、none.jpg六种典型状态覆盖了焊盘正常、歪斜、偏移、倾斜、缺失这些产线上最常见的异常。代码结构不复杂video-main.py跑视频流img-main.py跑单张图roi.py负责圈定检测区域estimate.py做状态判定function.py是公共函数库。适合谁呢做自动化检测的工程师、搞机器视觉课程设计的学生或者手头有类似焊点检测需求想快速搭原型的开发者。它不解决所有问题但能让你在半天内跑通一个可演示的焊盘状态识别 pipeline知道每一步该看什么参数、哪里容易翻车。2. 环境搭起来Python 3.8 OpenCV 4.x 的版本匹配与依赖清单2.1 为什么这个组合容易出 ModuleNotFoundError热词里modulenotfounderror: no module named opencv和opencv安装成功却找不到cv2出现频率极高我几乎每次带新人都会遇到。根因通常不是没装而是装错了环境——系统里同时有 Python 3.8、3.9、3.10pip 装到了 A 环境IDE 用的是 B 环境。这个资源包我实测在 Python 3.8 OpenCV 4.4.0 上最稳因为cv2.findContours的返回值在 4.x 和 3.x 之间有过变化代码里用的是 4.x 的写法。先确认你的 Python 版本和 pip 指向python --version pip --version # 如果 pip 指向的不是你当前 python 的 site-packages用下面这个 python -m pip --version逻辑说明python -m pip强制用当前解释器对应的 pip避免多版本环境下的错位。参数上没什么可调的关键是看输出路径里有没有你预期的 Python 版本号。2.2 依赖安装与验证脚本资源包没有requirements.txt我按代码里的 import 反推了一份最小依赖python -m pip install opencv-python4.4.0.46 python -m pip install numpy1.19.5装完别急着跑主程序先用一段短脚本验证cv2能不能正常读写图import cv2 import numpy as np print(OpenCV version:, cv2.__version__) img cv2.imread(test_img/well.jpg) if img is None: print(读图失败检查路径和文件名大小写) else: print(图像尺寸:, img.shape) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) print(灰度均值:, np.mean(gray))逻辑说明cv2.imread在路径错误或文件不存在时返回None而不报错这是新手最容易卡住的地方。img.shape返回(高, 宽, 通道数)如果通道数是 3 说明读进来是彩色图。np.mean(gray)给一个亮度基准后面调阈值时心里有数。参数上opencv-python选 4.4.0.46 是因为这个版本对findContours的返回结构稳定且和 numpy 1.19.5 兼容性好再新的 numpy 在某些老代码里会报np.float已弃用的警告。提示如果你用的是 Anaconda先conda list opencv看有没有预装有的话优先用 conda 的版本避免 pip 和 conda 混装导致 cv2 加载失败。3. 从 ROI 到状态判定img-main.py 与 estimate.py 的拆解3.1 roi.py 怎么圈定焊盘区域roi.py的作用是在整张图里找到焊盘所在的矩形区域后续所有判定都在这个 ROI 里做。我翻代码看到它用的是轮廓面积筛选加矩形度约束核心逻辑大概是这样import cv2 import numpy as np def get_roi(image_path): img cv2.imread(image_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊压掉漆包线反光带来的噪点 blur cv2.GaussianBlur(gray, (5, 5), 0) # 自适应阈值比固定阈值更抗光照不均 thresh cv2.adaptiveThreshold(blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2) contours, _ cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) best None max_area 0 for cnt in contours: area cv2.contourArea(cnt) if area 500: # 太小的是噪点 continue x, y, w, h cv2.boundingRect(cnt) ratio w / float(h) # 焊盘近似矩形长宽比在 0.5 到 2 之间 if 0.5 ratio 2.0 and area max_area: max_area area best (x, y, w, h) return img, best逻辑说明GaussianBlur的核大小(5,5)是经验值漆包线反光强的时候可以加到(7,7)但太大会把焊盘边缘也糊掉。adaptiveThreshold的11是邻域块大小必须是奇数2是从均值里减去的常数调大能让前景更干净但可能丢弱边缘。contourArea过滤掉 500 像素以下的小轮廓这个阈值要根据你的实际图像分辨率改我一般按 ROI 预期面积的 1/10 来设。boundingRect拿到的(x,y,w,h)就是 ROI 的候选框长宽比约束是为了排除漆包线本身形成的细长轮廓。3.2 estimate.py 的状态判定逻辑与参数含义estimate.py是核心判定模块它拿 ROI 区域做进一步分析输出焊盘状态。我梳理了一下它的判定路径大致分三步先算焊盘中心偏移再算角度偏差最后综合分类。def estimate_state(roi_img): gray cv2.cvtColor(roi_img, cv2.COLOR_BGR2GRAY) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU) contours, _ cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if not contours: return none # 没有轮廓焊盘缺失 cnt max(contours, keycv2.contourArea) rect cv2.minAreaRect(cnt) # 返回 (中心点, (宽,高), 角度) (cx, cy), (w, h), angle rect # 中心偏移量ROI 中心与焊盘中心的距离 roi_h, roi_w gray.shape offset_x abs(cx - roi_w / 2.0) offset_y abs(cy - roi_h / 2.0) # 角度归一化到 -45 到 45 度 if angle -45: angle 90 if offset_x 15 or offset_y 15: return bias # 偏移 if abs(angle) 10: return incline # 倾斜 if w / float(h) 1.8 or h / float(w) 1.8: return cocked # 歪斜 return well逻辑说明cv2.threshold用 OTSU 自动找阈值比手动指定更省事但前提是 ROI 里前景背景对比够。minAreaRect返回的角度在不同 OpenCV 版本里范围不一样4.x 里是[-90, 0)所以代码里做了90的归一化。offset_x和offset_y的阈值 15 是像素值对应我测试图里大约 0.3mm 的实际偏移你的相机分辨率变了这个数要等比缩放。angle阈值 10 度是产线可接受的倾斜上限超过就算incline。长宽比 1.8 是区分正常矩形和歪斜变形的经验值cocked.jpg里焊盘被拉长这个值会明显偏大。注意minAreaRect的角度定义在不同版本间有差异如果你升级了 OpenCV 发现incline和well判反了先打印angle看范围再决定要不要调整归一化逻辑。4. 视频流与单张图的跑通video-main.py 和 img-main.py 实操4.1 img-main.py 单张图调试流程调试阶段我强烈建议先用img-main.py跑单张图因为视频流里帧一多你根本不知道是哪一帧出的问题。资源包的test_img目录里六张图正好覆盖六种状态按下面步骤走# 先跑正常焊盘确认基础流程通 python img-main.py --image test_img/well.jpg # 再跑歪斜和偏移看判定结果是否符合预期 python img-main.py --image test_img/cocked.jpg python img-main.py --image test_img/bias.jpg如果代码里没有 argparse 而是硬编码路径那就直接改img-main.py里的image_path变量。跑通后重点看两个输出一是 ROI 框有没有正确套住焊盘二是终端打印的状态标签和文件名是否一致。我遇到过cocked1.jpg被判成well的情况原因是那张图的焊盘歪斜角度刚好在阈值边缘把angle阈值从 10 调到 8 就分开了。4.2 video-main.py 的帧处理与性能调优video-main.py把单张图的逻辑套到视频流上核心循环大概是读帧、取 ROI、判定、画框、显示。我实测在 640x480 分辨率下单帧处理耗时约 25ms跑 30fps 的视频基本跟得上。如果你要上产线几个参数值得调参数位置作用调整建议GaussianBlur核大小roi.py压噪点反光强改 7一般用 5adaptiveThreshold块大小roi.py二值化粒度必须奇数11 起步contourArea下限roi.py过滤小轮廓按分辨率等比缩放offset阈值estimate.py偏移判定对应实际公差angle阈值estimate.py倾斜判定8~12 之间微调视频流里还有一个坑如果相机自动曝光在变adaptiveThreshold的效果会飘。常见做法是关掉相机自动曝光或者每 30 帧重新算一次 OTSU 阈值做补偿。我在video-main.py里一般会加一个帧计数每 30 帧打印一次当前判定统计方便看有没有某类状态突然增多——那通常意味着光照变了。5. 避坑与排查六张测试图跑下来我踩过的五个坑5.1 现象cv2.imread 返回 None程序不报错但后续全崩原因路径里有中文、空格或者文件名大小写和实际不一致。Windows 下test_img和Test_img是两个目录Linux 下更是严格区分。解决在imread后面立刻加if img is None: raise FileNotFoundError(路径)把问题暴露在第一现场。路径统一用os.path.join拼接避免手写斜杠。5.2 现象cocked.jpg 被判成 well歪斜焊盘漏检原因minAreaRect的角度在焊盘接近正方形时不稳定歪斜主要表现为长宽比变化而不是角度变化但长宽比阈值设成了 1.8 偏高。解决把长宽比阈值降到 1.5同时增加一个「轮廓面积与最小外接矩形面积之比」的约束正常焊盘这个比值在 0.85 以上歪斜变形会掉到 0.7 以下。5.3 现象bias.jpg 和 incline.jpg 判定结果互换原因偏移和倾斜的判定顺序有问题。代码先判偏移再判倾斜但倾斜的焊盘其中心点也会偏移导致倾斜图先命中了偏移分支。解决调整判定顺序先算角度角度超阈值直接归为incline角度正常再判偏移。这个顺序在estimate.py里改两行 if 的位置就行。5.4 现象视频流跑几分钟后帧率骤降原因video-main.py里每帧都创建了新的VideoCapture或者没有释放上一帧的 Mat 对象内存缓慢增长。解决VideoCapture在循环外创建一次循环内只调read()。Python 的 GC 对 OpenCV Mat 回收有延迟可以在循环里每 100 帧手动gc.collect()一次或者用del frame显式释放。5.5 现象none.jpg 被判成 bias 或 cocked原因焊盘缺失时 ROI 里可能框到了漆包线本身的轮廓findContours找到了非焊盘的轮廓并继续走判定。解决在estimate_state开头加一个面积下限判断如果最大轮廓面积小于 ROI 面积的 5%直接返回none。这个阈值我一般设 5% 到 8%太低会漏判缺失太高会把小焊盘误杀。6. 进阶技巧把判定阈值从硬编码改成配置文件驱动跑通六张图只是起点真正上产线你会发现不同批次的漆包线反光特性不一样硬编码在estimate.py里的阈值每换一批料就要改代码这显然不现实。我的做法是把所有阈值抽到一个config.yaml里用pyyaml读进来改参数不用动代码。import yaml def load_config(pathconfig.yaml): with open(path, r, encodingutf-8) as f: cfg yaml.safe_load(f) return cfg # config.yaml 内容示例 # roi: # blur_ksize: 5 # thresh_block: 11 # min_area: 500 # estimate: # offset_thresh: 15 # angle_thresh: 10 # ratio_thresh: 1.5 # none_area_ratio: 0.05逻辑说明yaml.safe_load比eval安全比json可读性好支持注释。参数按模块分组roi下的三个参数对应roi.py里的三个硬编码值estimate下的四个对应estimate.py里的判定阈值。改配置后不需要重启程序可以在video-main.py里加一个按键监听按r重新加载配置按s保存当前帧的 ROI 和判定结果到磁盘方便事后复盘。验证方法上我习惯用六张测试图跑一轮回归写一个test_all.py遍历test_img目录把每张图的判定结果和文件名里的预期标签对比输出一个通过率。每次改完阈值先跑这个脚本通过率 100% 再上视频流。这个习惯是从一次翻车经历来的——当时改了一个阈值觉得没问题直接上产线结果cocked1.jpg那类边缘样本全漏了被产线班长追着问了一下午。从那以后我每次调阈值都强制走一遍六图回归再急也不跳过。希望帮到你。本文还有配套的精品资源点击获取