“圆环卷收”这四个字当初项目交到我手上的时候我一度以为是个“找圆”的活儿——图像转灰度HoughCircles一跑半径一量完事。结果在车间蹲了三个晚上之后我才发现自己错得离谱卷收状态检测要看的根本不是“一个圆”而是“一圈一圈是怎样被卷起来的”。这一章我就把这个模块从需求拆解、成像方案、算法实现到现场踩坑的过程完整记录下来给后面要做类似视觉工作流的朋友们一个参考。1. 圆环卷收到底在检什么——别把“找圆”当“测收卷”1.1 一台收卷机构背后的检测诉求先还原一下现场。某厂的一个收卷工位带状材料经过牵引、张力控制之后被卷绕机构一圈一圈收成圆盘状。这个圆盘就是我们要检测的“圆环卷收”对象。它的结构很典型外圈是卷材的最外层边界中间是卷绕内孔内孔和外圈之间是密密麻麻的环带层。产线上的痛点在于卷收过程受张力波动、导向辊偏差、牵引速度变化的影响会出现各种不规则状态。简单来说整卷材料可能收得“松”可能收得“歪”可能内孔偏移可能端面参差不齐。这些状态在人工质检时代全靠老师傅肉眼去看——把一个几百公斤的卷盘抬到检测台上转一圈打量一遍。效率低不说判断标准还因人而异。所以这个项目的核心诉求是把“卷收质量”这个模糊的人工经验转化成一组可量化、可复现的视觉指标。我最后在方案里定了四个检测维度内孔偏移度内孔圆心与外轮廓圆心是否同心偏移过大会导致后续放卷跑偏。边缘齐整度外圈边缘是否平滑如果某处材料层叠错位外缘会出现锯齿状凸起。环间距均匀度径向方向上相邻卷材层的间距是否均匀间距突变说明张力波动或收卷打滑。椭圆变形度整个卷盘的外轮廓是否接近正圆严重椭圆化往往是收卷张力失衡的信号。这四个维度组合起来就能覆盖卷收过程中最常见的缺陷类型。但它们的计算全部建立在一个前提上你得先把图像里的环形区域准确、干净地从背景里分离出来。1.2 通用圆检测方案的翻车点HoughCircles在C#的OpenCvSharp里接口很简单参数调一调圆就能画出来。但如果拿它直接做卷收检测会碰到两个问题。第一个问题是HoughCircles本质是在“拟合”一个理想圆它拿所有边缘投票最后选出得分最高的那个圆参数。而卷收件的外轮廓往往不是完美的圆——端面塌陷、边缘错位都会让外轮廓产生局部凹凸。这些凹凸恰恰是我们要检测的缺陷信号可HoughCircles在投票阶段就把它们“平滑”掉了。结果就是缺陷越明显的卷盘拟合出的圆反而越“完美”检测系统给出“OK”的结论这完全反了。第二个问题更致命卷收件内孔和外圈之间的环带区域在图像里不是一条边缘线而是一组密集的、呈放射状排列的弧线簇。只有当卷收极度整齐时这些弧线才近似于同心圆。工程上我们需要的恰恰是这些弧线簇的排列规律而不是某一条单独的圆。HoughCircles最多只能给出内外两个圆环带内部的细节信息全部丢失。所以我在这一章里绕开了“找圆-测直径”的老路换了个思路先定位环带区域再沿着径向方向去做结构分析。这样既能计算几何参数又能保留卷收状态的细节特征。下面先从成像和预处理说起因为这一步做不好后面所有指标都是空中楼阁。2. 图像预处理链路——先把环形区域从噪声里干净地分离出来2.1 成像方案的取舍从光源角度解决一半问题视觉工作流里算法团队最容易犯的错是一上来就写代码而不去管图像是怎么来的。圆环卷收这个场景卷材表面往往是高反光材料比如薄膜、铝箔、塑料带材。如果光源角度不对相机拍到的就是一大片镜面反射光斑什么轮廓都看不出来。我在这套方案里测试了两种常见的环形光源安装方式。高角度环形光光源与被测面夹角较大打下来光线直接反射进镜头卷材表面亮成一片环带结构在图像里几乎消失;低角度环形光则让光线贴着卷材表面掠过利用材料表面微观纹理的漫反射来成像环带边缘会呈现出清晰的明暗交替。最终选的是低角度环形光加同轴环境的组合曝光时间压到5ms以内避免产线振动导致的运动模糊。成像调试阶段还有个额外收获不同材料的卷材建议把光源色温统一调到5000K左右能有效减少环境荧光灯对白平衡的干扰。2.2 通道选择、滤波核与形态学操作的取舍图像进OpenCvSharp之后第一步是灰度化。但这里有个细节值得说我用Cv2.CvtColor转灰度时默认的BGR2GRAY权重是R 0.299、G 0.587、B 0.114。对蓝色偏深的卷材蓝色通道的信噪比明显更好;对黄色或红色卷材反而是红通道更可靠。所以我没有直接使用转灰度后的单张图而是把三个通道拆开后分别评估然后在工作流里做成可配置项默认用灰度图特定材质切到B通道或R通道。代码上只是多写几行的事现场调试时却能少掉很多麻烦。滤波方面测试了高斯模糊和中值滤波两种。高斯模糊对抑制高斯噪声有效但会模糊边缘;中值滤波对椒盐噪声和细碎反光点效果更好且边缘保留度优于高斯。对这个场景我最终选了高斯核5x5、Sigma约1.5的组合——因为环带结构是大量密集的弧线边缘被轻微平滑反而有利于后续的梯度分析而中值滤波对密集弧线会产生局部“平台化”不利于提取峰谷信息。形态学操作要特别留意结构元素的大小。我最初用了一个3x3的矩形核对二值图做闭运算目的是填补环带边缘的细小断裂。但收卷整齐时环带之间的间隙非常窄3x3闭运算一跑相邻环带直接被“焊”在一起了。后来我把核改成了椭圆形的5x5但仍发现闭运算对密集环带并不友好。最终方案改成了先开运算去孤立噪点再做一次轻度的闭运算只处理宽度大于5像素的断裂。形态学参数的每一次调整都必须回到原图上去看一眼实际效果不能只看二值图上的直觉。2.3 阈值分割策略大津法虽好却不适合卷收件预处理链路里最关键的步骤是二值化。OpenCvSharp里的Cv2.Threshold配合ThresholdTypes.Otsu号称能自动找阈值我第一版就用的这个。但现场跑下来大津法在这个场景里有明显缺陷它对全局方差敏感而卷收图像里的环带区域占图幅比例并不固定。当卷盘较大、环带密集时大津阈值会偏向背景;当卷盘较小、环境光偏暗时阈值又偏向环带区域。尝试改为自适应阈值Cv2.AdaptiveThreshold之后情况改善很多。它根据每个像素邻域的局部灰度统计来确定阈值能应对卷材表面光照不均匀的问题。但自适应阈值的代价是计算量上升且对邻域尺寸blockSize很敏感。我在现场用一个笨办法把blockSize定了下来取50帧图像统计不同blockSize下的分割稳定性最终选定31x31邻域C值为3。这套参数在白天自然光变化和夜间车间灯光下分割结果基本稳定。即便如此后续又遇到环境光漂移的问题这属于第四章要重点展开的坑这里先按下不表。需要提醒的是预处理阶段做过强了容易丢细节做弱了又会有大量伪边缘。圆环卷收的环带分析对边缘定位精度要求较高所以我宁可让二值图多一些碎屑噪点也不让它把相邻环带合并。碎屑可以在轮廓分析阶段滤掉而合并了就再也没法靠算法拆开了。3. 卷收指标的计算逻辑——从轮廓到量化判定的核心实现3.1 环带区域定位两步逼近法预处理做完得到一张二值图接下来要解决的是“环带区域在哪儿”的问题。由于相机位置固定、卷盘通过定位工装限位图像中卷盘的位置仅在很小的范围内浮动。所以第一步很简单用Cv2.FindContours提取外轮廓按轮廓面积从大到小排序取最大的轮廓作为卷盘外缘。但外缘之后不能直接拿内孔轮廓做第二个圆因为内孔区域在二值图里往往被卷材层投影遮挡或因为孔壁反光而产生断裂。我采用的方法是“两步逼近”第一步在二值图上找内孔的大致圆心方法是统计外轮廓包围区域内灰度值最低的连通区作为内孔粗定位;第二步以内孔粗定位圆为掩膜在原图梯度图上做一次HoughCircles限定半径搜索范围得到更精确的内孔边缘。这套两步法比直接跑两次HoughCircles稳定得多原因是它先通过全局信息缩小了搜索空间避免了霍夫投票在大范围内被环带弧线干扰。定位完成后我分别得到外轮廓点集和内孔圆参数圆心与半径。这一段代码我放到下面包含注释读者可以直接抄作业。// 使用 OpenCvSharp 4.x using OpenCvSharp; // 输入预处理后的二值图 binary // 输出外轮廓最大点集 outerContour内孔圆心 center内孔半径 innerR var contours new Point[][] { }; HierarchyIndex[] hierarchy; Cv2.FindContours(binary, out contours, out hierarchy, RetrievalModes.External, ContourApproximationModes.ApproxSimple); // 取面积最大的轮廓作为外缘 Point[] outerContour contours .OrderByDescending(c Cv2.ContourArea(c)) .FirstOrDefault(); // 外轮廓内寻找灰度最低的连通区作为内孔粗定位掩膜 Mat mask new Mat(binary.Size(), MatType.CV_8UC1, Scalar.All(0)); Cv2.DrawContours(mask, new Point[][] { outerContour }, -1, Scalar.All(255), -1); Mat roiGray new Mat(); Cv2.CvtColor(inputImage, roiGray, ColorConversionCodes.BGR2GRAY); Mat masked new Mat(); Cv2.BitwiseAnd(roiGray, roiGray, masked, mask); // 内孔粗定位找最暗连通区的最小外接圆 Mat darkRegion new Mat(); Cv2.Threshold(masked, darkRegion, 30, 255, ThresholdTypes.BinaryInv); var innerContours new Point[][] { }; HierarchyIndex[] innerHierarchy; Cv2.FindContours(darkRegion, out innerContours, out innerHierarchy, RetrievalModes.External, ContourApproximationModes.ApproxSimple); Point2f tmpCenter; float tmpRadius; Cv2.MinEnclosingCircle(innerContours .OrderByDescending(c Cv2.ContourArea(c)) .First(), out tmpCenter, out tmpRadius); // 以粗定位结果为先验在原图梯度图上做半径约束的霍夫圆精定位 Mat grayEdge new Mat(); Cv2.Canny(roiGray, grayEdge, 80, 160); var circles Cv2.HoughCircles(grayEdge, HoughMethods.Gradient, 1.2, Math.Max(10, tmpRadius * 0.5), minRadius: (int)(tmpRadius * 0.7), maxRadius: (int)(tmpRadius * 1.3)); Point2f center tmpCenter; float innerR tmpRadius; if (circles.Length 0) { // 霍夫圆结果中取与粗定位圆心距离最近的那个 center circles .OrderBy(c PointDistance(c.Center, tmpCenter)) .First().Center; innerR circles .OrderBy(c PointDistance(c.Center, tmpCenter)) .First().Radius; }到这里外轮廓点和内孔参数都有了。接下来就是算“卷收得好不好”的关键指标。3.2 四个量化指标的定义与实现指标一内孔偏移度。这个值最简单内孔圆心与最小外接圆圆心之间的距离除以卷盘半径得到一个归一化偏移量。公式为offset |P_inner - P_outer| / R_outer指标二边缘齐整度。外轮廓上每个点到最小外接圆圆心的距离与最小外接圆半径的差值取标准差。这个标准差越大说明外缘锯齿越明显。指标三环间距均匀度。在图像上从内孔向外轮廓发射N条射线一般取36条每10度一条每条射线上记录二值图由暗转亮或由亮转暗的跳变点。跳变点之间的像素距离就是局部环距。对N条射线上的环比值求方差得到环间距均匀度。这个计算在OpenCvSharp里可以靠“遍历射线像素点统计灰度跳变”实现。为控制篇幅我直接把核心算法流程写一下对每条射线从内孔半径处开始向外延伸到外轮廓半径结束记录射线路径上每个像素的灰度值对灰度序列做一阶差分取超过阈值的跳变位置标记为环边界计算相邻环边界之间的距离存入集合最后统计所有射线、所有环距的均值和标准差指标四椭圆变形度。对轮廓点集做椭圆拟合得到长轴与短轴长短轴比值越接近1说明越接近正圆。// 椭圆拟合示例 RotatedRect ellipse Cv2.FitEllipse(outerContour); float longAxis Math.Max(ellipse.Size.Width, ellipse.Size.Height); float shortAxis Math.Min(ellipse.Size.Width, ellipse.Size.Height); double ellipticity longAxis / shortAxis; // 越接近1越圆3.3 指标阈值与缺陷类型的对应关系有了量化指标还要把它们映射回产线关心的缺陷类型。我在现场根据近千组良品/不良品样本的统计定了一组初始阈值后续在现场又做过一轮微调。大致对应关系如下表量化指标阈值范围对应的卷收状态内孔偏移度 0.05收卷跑偏、内孔偏心边缘齐整度标准差 3.5像素层叠错位、端面毛刺环间距均匀度方差 2.0张力波动、收卷打滑椭圆变形度 1.08收卷张力失衡、端面塌陷这组阈值当然不是万能的。不同材料、不同卷径、不同收卷速度下阈值都会有变化。但把它作为初始模板已经足够现场调试时只需要按比例缩放不必从零开始。4. 现场调试的三个大坑——反光、粘连、参数漂移的完整排查过程4.1 反光伪轮廓为什么镜面卷材会检出“双层环”第一版算法在实验室跑了三天良品不良品分得清清楚楚。拿到产线上一试第一天就出状况连续误报了七次“边缘齐整度超标”全是良品。我把误报时刻保存的图像一张张翻出来发现在卷盘边缘某个固定角度上出现了一条额外的亮线。这条亮线的位置随着卷盘的转动几乎不变始终黏在边缘轮廓内侧两三个像素的位置。后来才确认是低角度环形光打到镜面卷材上一部分光线被反射到相机镜头里形成了紧贴边缘的镜面高光带。这条高光带在二值图里呈现为一条完整的“伪轮廓”。因为像素值极高阈值分割时它会和真实边缘粘连在一起导致边缘齐整度指标被拉偏。排查的思路是这样先怀疑算法里的轮廓筛选逻辑反复检查后发现点集本身就有异常;再把原始BGR图像转成HSV用饱和度通道做了一次对比高光带的饱和度明显偏低而真实卷材层的饱和度正常。最后在预处理链路里加了一步用饱和度通道的阈值掩膜把高光区域先抹掉再走灰度分析。这一步操作之后误报率直接归零。更彻底的做法是物理层面加偏振片光源前加偏振片镜头前加同向偏振片能有效抑制镜面反射光。我把偏振方案做成了现场的标准配置算法里的饱和度掩膜则作为双保险保留。4.2 环带粘连两层贴得太紧时被算法合并第二个坑出现在卷收密度较高的批次。这类批次卷材层与层之间贴得非常紧环间距只有两三个像素。在图像上相邻环带的边缘几乎重合二值化之后看起来就是一条粗边。形态学闭运算一跑粗边直接被判定为“单层”环间距均匀度指标大幅失真明明是标准品却报成“张力波动”。这个问题的本质是预处理算法里闭运算核的结构元素尺寸大于环间距。我把闭运算核从5x5缩到3x3理论上能保留两个像素宽的间隙但实际效果不佳——因为原始图像在环带密集区本身就已经因为光学分辨率限制产生了边缘模糊。最后解决问题靠的是改变分析信号放弃对二值图做环距分析改用原始灰度图在径向上的梯度信息。卷收层之间哪怕在二值化时被合并了原始灰度图上依然存在局部的灰度凹陷梯度曲线会产生一个低谷。我在梯度曲线上找“谷-峰-谷”结构把粘连的层拆开。这一改动让环间距均匀度指标在高密度批次上恢复了稳定。4.3 环境光漂移上午稳定下午误报问题却在二值化参数这是最难排查的一个坑前后耗了一个多星期。现象是上午开机后两三个小时检测结果一切正常;下午两三点开始误报率缓慢上升;傍晚车间灯光全开后误报率反而又回落了。一开始我怀疑是硬件温度漂移导致相机增益变化查了半天没发现问题。后来把一天各个时段的灰度直方图拉出来对比才看清趋势中午到下午这段时间自然光透过车间窗户照到卷材表面整幅图像的亮度抬高了约15%。自适应阈值虽然有局部适应能力但全局亮度的大幅偏移还是会让部分环带的对比度跌到阈值之下导致漏检和误检同时出现。解决办法分两步走。第一步把识别流程的最前面加了一个“亮度归一化”环节先对整图求平均灰度再按目标均值做线性拉伸把每帧图像的亮度拉回同一个水平。第二步把窗户朝向工位的遮光帘拉上减少自然光直射;同时调整了涂料卷材的检测时段安排把容易受自然光影响的卷材优先安排在上午检测。经历过这个坑之后我把光照稳定性列成了这类视觉项目验收的前置条件。视觉工作流的稳定性从来不只是算法参数的事成像环境的稳定性同样重要。5. 上线前必须做的两件事——ROI约束与参数自适配5.1 ROI约束别让背景参与核心计算产线上不可能保证画面里只有卷盘。相机视场里会出现工装夹具边缘、操作员的手臂、偶尔飘过的灰尘。这些杂物一旦进入分析区域轻则干扰轮廓提取重则直接触发误报。我用的做法是“动态ROI保守静态掩膜”结合。卷盘位置在工装限位下只有几毫米的浮动所以先拍一张空台图像在空台图像上手工标定一块圆形ROI区域把卷盘可能出现的位置包容进去尺寸留5%的余量。代码运行时先加载ROI配置然后只在这个区域内做轮廓分析。ROI本身用Cv2.BitwiseAnd与图像做掩膜ROI之外的像素统一置零。这样做还有一个额外好处性能提升。ROI区域通常只占整幅图像的30%左右轮廓搜索、霍夫圆、射线分析的耗时都会成比例下降。5.2 参数自适配从“调一次参数”到“自动微调”产线的检验批次会频繁变化卷材宽度、颜色、表面粗糙度都不一样。如果我每次都手动去改阈值、改滤波参数这个项目就没法交付了。所以我把参数体系拆分成了“全局参数”和“批次参数”。全局参数指与设备几何关系相关的量比如ROI坐标、相机曝光值、光源亮度这些几乎不变。批次参数指与材料特性相关的量比如灰度化通道选择、二值化C值、环距分析的梯度阈值。批次参数存储在配置文件里每换一种材料就加载一组。更进一步我在工作流里加入了“自动预检”环节检测任务开始前先抓一帧卷盘图像快速估计当前图像的亮度分布和对比度分布跟配置文件的基线做对比如果偏差超过一定范围就自动微调二值化C值而不是直接报错。这套自动微调虽然简单但它让产线操作员完全不需要接触算法参数系统更换批次后五分钟内就能进入稳定检测状态。5.3 节拍与并发视觉工作流能不能跟上产线速度最后说性能。这套卷收检测流程预处理加四个指标计算在单帧1920x1200的图上用OpenCvSharp默认后台并行跑通全部流程大约需要380毫秒。其中环间距均匀度计算因为要遍历36条射线逐像素取灰度占了将近一半耗时。为了压缩节拍我做了三个优化。第一把射线分析的起点从内孔外围提前到环带区内侧某个固定半径处跳过内孔周围因遮挡造成的无效区间;第二把36条射线并行化用C#的Parallel.For瞬间跑完;第三Canny边缘检测的阈值从固定值改为基于图像梯度直方图的动态百分位值减少了低对比度图像上的重复Canny计算。优化之后单帧处理耗时压到了210毫秒左右。对于产线节拍3秒一件的场景来说这套视觉工作流的处理能力完全够用甚至还有余量去做连续帧的投票判定进一步降低偶发误报。结尾圆环卷收这个模块做完我的一个很深的体会是视觉工作流里真正吃时间的不是写代码而是“把检测对象的结构理解透”。圆环卷收看上去是几何检测做下来你会发现光源、材料光学特性、机械工装精度、现场光照环境每一个环节都在参与最终结果。如果你也正在做类似的卷收检测项目建议先不要急于调HoughCircles参数而是花几天时间把产线现场的各种卷收状态拍下来分类归档把“什么是好、什么是坏”定义清楚。图像拍好了指标定了算法实现就是一层窗户纸。最后再补充一个小技巧调试这类密集环带目标时务必把中间结果图二值图、梯度图、轮廓叠加图实时显示出来你眼睛看到的效果往往比数值指标更早告诉你算法哪里出了问题。