玻璃瓶口缺陷检测：OpenCV传统图像处理方案从原理到调优

简介面向毕业设计、课程设计与期末大作业场景这套基于OpenCV传统图像处理实现的玻璃瓶口缺陷检测源码与缺陷数据集适合图像处理、模式识别方向的学习者直接使用、复现或二次开发。压缩包共44个文件包含两个Python检测脚本、41张PNG图像以及1份Markdown说明文档整体大小仅6.01MB结构紧凑、便于下载运行。两个Python脚本分别负责整瓶区域检查和瓶口缺陷检测41张PNG图像覆盖原始瓶样、缺陷样本与检测结果可视化原图与检测输出分目录存放方便对照调试、快速定位问题。目前已有1245人学习浏览附带的说明文档可帮助快速启动项目该资源可直接运行也可作为课程设计、期末大作业或毕设原型在此基础上调整阈值、更换特征或训练其他模型是理解OpenCV传统图像处理缺陷检测流程的完整样例。1. 玻璃瓶口缺陷检测为什么 OpenCV 传统图像处理在产线仍是首选Python基于OpenCV传统图像处理实现的玻璃瓶口缺陷检测是视觉质检项目里最常见也最典型的一类任务。啤酒瓶、药瓶、调味品瓶在产线上一小时过去几千只瓶口一旦出现崩口、缺口、裂纹密封性直接报废后面灌装、包装、运输全是连锁损失。拿到这个项目标题你多半面临的是固定工位、可控光照、输送线节奏稳定的场景产线上又没有足够缺陷样本去喂深度学习模型。这个方案不依赖训练却有完全可解释的判定规则一台普通工控机的 CPU 就能在几十毫秒内完成一帧检测。它适合两类人一是要快速交付验收、不想花几周标注训练集的人二是想把工业相机检测方案成本压到最低的产线工程师。调试顺手之后误检率压到千分之几并不是难事。2. 瓶口缺陷的类型与成像原理先弄明白你在检测什么2.1 瓶口缺陷的常见类型与图像特征玻璃瓶口的质量风险集中在密封面和外沿。常见缺陷大致分五类崩口/缺口瓶口环带边缘磕掉一块轮廓在对应位置向圆心明显凹陷这是检测优先级最高的缺陷。裂纹细线状开裂灰度上与周围玻璃有肉眼可见的突变跳变但轮廓整体不一定变形。变形/椭圆口瓶口整体不圆外轮廓长轴短轴差异明显。异物/毛刺附着在口沿上的玻璃渣或杂质轮廓局部有额外凸起灰度也异常。密封面划痕分布在瓶口顶面侧向光下表现为一条亮线或暗线。我一般会先把缺陷按“轮廓型”和“灰度型”分开。崩口、缺口、变形属于轮廓型通过二值化后的轮廓分析就能抓到裂纹、划痕、轻微杂质属于灰度型单靠轮廓不够还要配合局部灰度方差或边缘强度统计。一套完整的检测流程应当把两类都覆盖而不是只做一个圆度判断就交付。在成像上背光方案是轮廓型缺陷的首选。背光把玻璃瓶口打成剪影轮廓锐利缺陷的凹陷在二值图上一目了然。前光或同轴光则更有利于发现划痕和裂纹但反光干扰会比较麻烦。产线条件允许的话我建议优先做背光把轮廓型缺陷这道主菜先吃透再叠加一路侧光做灰度异常。2.2 为什么是传统图像处理而不是深度学习标题里点名“传统图像处理”不是没有理由的。玻璃瓶口检测是一个样本类别固定、形态变化有限、背景可控的场景。这类问题用形态学加轮廓分析边界非常清晰每张图只需要取出瓶口环带找轮廓算形状特征跟标定阈值做比较。对比深度学习方案传统视觉有三个明显优势。第一是成本OpenCV 方案在普通 x86 工控机上就能跑不需要 GPU 服务器也不需要标注几百张缺陷图去训练。第二是可解释性检测结论可以直接对应到“圆度 0.78、凸性缺陷深度 25 像素”这样的量化依据质量人员和审计都看得懂。第三是换型成本产线换一种瓶型通常只需要重新标定圆心半径、形态学核大小、缺陷阈值三组参数不用重新训练模型。它当然也有边界。如果瓶口纹理本身就不规则比如磨砂玻璃瓶口或者环境光照波动剧烈轮廓法会频繁误报。这种情况下要么加强硬件约束要么就得考虑深度学习了。做这类项目前先和产线确认相机、光源是否固定这决定了传统方案能不能落地。不要把深度学习当银弹也别把传统视觉当万能药按场景选型才是关键。3. 用 OpenCV 实现瓶口缺陷检测从 ROI 提取到缺陷判定的完整流程3.1 工位标定与 ROI 提取别用写死的坐标裁剪不少刚入手 OpenCV 图像处理项目的人第一步就写img[y0:y1, x0:x1]把 ROI 坐标写死。这在实验室里没问题产线上一定会翻车。输送线轻微震动、瓶子换规格、机械手抓取位置有偏差写死的坐标很快就会把瓶口切掉一块导致误检。正确做法是先做一次圆检测动态获取瓶口圆心和半径再按圆心裁出局部区域。环境准备方面建议用虚拟环境隔离依赖。安装 opencv 是最容易出问题的一步按顺序执行即可python -m venv .venv source .venv/bin/activate # Windows 下用 .venv\Scripts\activate pip install opencv-python numpy如果后续要调试图像顺手装一个带 GUI 支持的开源工具包方便在本地窗口里比对二值化结果。生产环境不装也行减少工控机的依赖面。读图与圆心标定的核心代码import cv2 import numpy as np # 读成灰度图减少计算量 gray cv2.imread(bottle_mouth.jpg, cv2.IMREAD_GRAYSCALE) if gray is None: raise FileNotFoundError(图像读取失败请检查路径) # 先用高斯模糊降噪核尺寸 9x9 是经验值 blur cv2.GaussianBlur(gray, (9, 9), 0) # 霍夫圆检测动态找瓶口圆心和半径 circles cv2.HoughCircles( blur, cv2.HOUGH_GRADIENT, dp1.2, # 累加器分辨率与图像分辨率的反比 minDist200, # 两圆心最小距离避免重复检测 param1100, # Canny 高阈值越大边缘越少 param230, # 圆心置信度阈值越小候选圆越多 minRadius80, # 按实际瓶口直径标定 maxRadius160 ) if circles is None: raise ValueError(没有检测到瓶口检查打光或调低 param2) cx, cy, r circles[0, 0].astype(int) # 沿圆心裁剪局部区域margin 给轮廓留出余量 margin int(r * 0.3) roi blur[cy - r - margin: cy r margin, cx - r - margin: cx r margin]这里有几个参数值得细说。dp1.2表示累加器分辨率是原图的 1/1.2值越大检测越快但精度略降小瓶口建议保持在 1.0 到 1.5 之间。param230是圆心投票阈值如果漏检就调低到 20 左右误检多就调高一般从 30 起步不会有太大偏差。minRadius和maxRadius按瓶口真实尺寸标定如果你对相机分辨率心里没底先量一下瓶口直径在图像里占多少像素再填这两个值。注意裁剪后roi的坐标系与全图不同后面如果要把检测结果叠加回原图记得把cx、cy的偏移加回去。新手常在这里忘记做坐标补偿结果在 ROI 上画框画得很准贴回原图就错位看起来很玄学其实就是偏移量没加。3.2 阈值分割与形态学核大小和迭代次数怎么定拿到 ROI 之后下一步是二值化把瓶口轮廓和背景分开。这里我建议直接用大津法它在多数背光场景下能自动适应亮度波动。但有一个前提ROI 里不能有大面积黑色噪声否则大津法会被非目标像素带偏。这也是为什么要在 3.1 里先做圆心裁剪而不是全图二值化。再强调一下形态学。形态学操作用来去除噪声、填补细缝但在缺陷检测里用多了会“掩盖”真正的缺陷。常见做法是先用闭运算把合格瓶口上那些工艺台阶、细线噪声填平再用开运算去掉二值化后残留的孤立点。核大小建议从 5x5 起步不要一上来就 15x15那样会把 10 像素级别的缺口也给磨平了。# 二值化大津法自动计算阈值 _, binary cv2.threshold(roi, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 闭运算先膨胀后腐蚀填掉台阶细缝 kernel np.ones((5, 5), np.uint8) closed cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel, iterations1) # 开运算去掉孤立噪点 opened cv2.morphologyEx(closed, cv2.MORPH_OPEN, kernel, iterations1)有两点要提醒。第一如果现场光照不稳定大津法会随着亮度漂移在阈值上小幅摆动这时宁可改用固定阈值把阈值写成一个可配置参数结合标定板定期校正。第二iterations不是越大越好每多一次迭代相当于形态学操作多跑一遍缺陷边缘会被钝化一次。我通常固定iterations1通过改核大小来调节强度这样调试时更可控。还有个细节容易被忽略morphologyEx处理的是整块 ROI周边裁剪区域里可能有背景噪声。你在调试时可以先画出来看一遍如果发现 ROI 边缘有一圈白色边框说明阈值方向选反了或者 ROI 范围内包含太多背景需要在二值化前用掩膜把环形带之外的像素清掉。3.3 轮廓分析与缺陷判定圆度、凸性缺陷与面积阈值二值化完成之后核心判定就落在轮廓分析上。我会先用findContours取出所有轮廓再按面积取最大轮廓作为瓶口完整边缘。判断逻辑放在圆度和凸性缺陷上。# 查找轮廓OpenCV 4.x 返回两个值 contours, _ cv2.findContours(opened, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if not contours: print(未找到轮廓按缺陷处理) is_defect True else: # 取面积最大的轮廓作为瓶口主体 contour max(contours, keycv2.contourArea) # 轮廓面积与周长 area cv2.contourArea(contour) perimeter cv2.arcLength(contour, True) # 圆度4πA / P²完美圆为 1越接近 0 越不规则 circularity 4 * np.pi * area / (perimeter * perimeter) if perimeter 0 else 0 # 凸性缺陷找出外轮廓上向圆心凹陷的部位 hull cv2.convexHull(contour, returnPointsFalse) defects cv2.convexityDefects(contour, hull) max_depth 0 if defects is not None: for i in range(defects.shape[0]): s, e, f, d defects[i, 0] depth d / 256.0 # OpenCV 按 256 倍存储深度 if depth max_depth: max_depth depth # 判定阈值正常瓶圆度通常大于 0.90 is_defect circularity 0.85 or max_depth 12 print(f圆度{circularity:.3f}, 最大凸性缺陷深度{max_depth:.2f}px, 判定{缺陷 if is_defect else 正常})逻辑说明circularity越接近 1说明轮廓越接近理想圆。瓶颈崩口时轮廓周长明显增加圆度会从 0.95 掉到 0.8 以下。但只有圆度还不够因为一片区域雕刻纹理的瓶子也可能让圆度轻微下降。这时凸性缺陷就派上用场convexityDefects会找到轮廓上所有向圆心凹进去的缺口max_depth表示最大凹陷深度。一个超过 12 像素的凹陷基本就是崩口或缺口了。参数上circularity 0.85和max_depth 12是我默认的起点不是最终值。正常样本分布偏移大的时候可能要把圆度阈值放到 0.80凸性缺陷放到 18得按你的实际图像分辨率来。图像分辨率 640x480 和 1920x1080 对同一物理尺寸的缺陷深度差值差了一倍以上这是需要单独标定的。做完一轮检测后把正常瓶和缺陷瓶的特征值打印出来画出分布再决定阈值放到哪一个置信边界上。4. 缺陷数据的组织与阈值调优让检测率有据可依4.1 缺陷数据按类别归档先写个批量脚本摸底拿到项目源码包第一步不是调算法而是先把缺陷数据整理成可遍历的目录结构。我习惯用normal、defect两层目录缺陷里面再按类型分crack、chip、deform子目录。这样后续统计误检时能直接定位到是哪一类缺陷漏检或者哪些正常样本误报。目录结构参考data/ normal/ 001.jpg 002.jpg defect/ chip/ a001.jpg b001.jpg crack/ a002.jpg deform/ a003.jpg整理好数据后写一个批处理脚本把检测函数套到所有图片上把推理结果和标签对比成一张表。这一步能让你对当前检测器的漏洞有个全局认识比单张调试靠谱得多。import csv from pathlib import Path def inspect_bottle(image_path: str) - tuple[bool, str]: 返回 (是否缺陷, 缺陷原因)封装 3.1~3.3 的检测逻辑 # 实际调用前面实现的检测流程 return True, chip base Path(data) rows [] for label in [normal, defect]: for img_path in sorted((base / label).glob(*.jpg)): is_defect, reason inspect_bottle(str(img_path)) rows.append([img_path.name, label, is_defect, reason]) with open(result.csv, w, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerow([filename, label, infer, reason]) writer.writerows(rows)这个脚本跑完你会得到一张可直接排序的 CSV。用 Excel 打开按label和infer两列筛选就能区分出正确检出、漏检、误检三种情况。我建议把每一条误检对应的图片路径和特征值打印出来存到一个debug目录后面调阈值时反复回看避免瞎猜。4.2 阈值初值从样本分布定别拍脑袋阈值设置的常见误区是拿两张图片在窗口里调调到这两张都能过就算完工。这样做的后果是换一批图片就崩。正确做法是用一批有代表性的样本做特征分布统计再决定阈值位置。具体步骤三步走。第一步取 30 张正常瓶和 30 张缺陷瓶跑检测流程把每张图的circularity、max_depth、轮廓面积三个特征存成 CSV。第二步对每个特征分别画正常与缺陷的箱线图或者直方图观察两类的分离度。第三步把阈值定在两类分布之间的低谷处同时预留 10% 左右的余量。如果正常样本的circularity最低是 0.88缺陷样本最高是 0.75那阈值取 0.82 到 0.85 之间就比较合理。如果两组分布重叠严重比如正常瓶有的只有 0.80缺陷瓶有的到 0.88那说明单纯圆形度特征不够要把凸性缺陷和面积变化加进来做组合判定而不是单阈值一刀切。4.3 跑批后先看误检图再决定是调阈值还是改预处理跑完批处理和分布统计手上会有两张关键数据漏检清单和误检清单。处理优先级一定要放在漏检上因为缺陷漏到下游造成的损失远大于多停几次机。先逐张看漏检图确认是缺陷特征不明显还是你的检测逻辑漏掉了一种缺陷形态。误检则要分辨原因别急着动阈值。我习惯先做一次分类轮廓噪声型误检预处理后轮廓毛刺过多先加强形态学开运算或检查 ROI 是否包含了瓶身螺纹的干扰。光线漂移型误检不同时段同一只瓶子检测结果不同优先固定光源或者改用固定阈值配合亮度校正。保护带误检瓶口本身是台阶结构台阶在二值化图像里形成细长凹陷被凸性缺陷误判。解决办法是用闭运算把细缝填平或者把max_depth阈值提高到台阶凹陷的像素深度以上。调参顺序也有讲究。先修预处理再调形态学最后才动判定阈值。预处理解决了问题阈值往往都不用改。反过来一上来就降阈值正常瓶很快也会被误杀这是新手最容易反复横跳的坑。5. 玻璃瓶口检测调试常见坑与排查现象、原因和处理5.1 光照与成像类反光干扰和大津法失效坑一瓶口边缘反光导致圆度虚高或漏检现象同一只正常瓶上午检测通过下午检测报缺陷而且报的都是圆度超标。原因直射光源在玻璃瓶口形成镜面反光反光区域在二值化后变成高亮白色斑块轮廓被局部“切断”凸性缺陷深度瞬间拉大。解决把直射光改成背光或低角度侧光切断镜面反射路径。如果硬件不能动就在二值化后对轮廓做边缘平滑处理比如用medianBlur或再做一次闭运算。更保险的做法是增加一条判断条件只有凸性缺陷深度和缺陷面积同时超标的才判缺陷单一深度大但面积不足的判为可疑进入复核。坑二大津法在低对比度图像上阈值漂移现象瓶身与背景灰度相近时二值化结果时而瓶口是白色时而背景是白色检测结果完全随机。原因大津法假设图像灰度分布是双峰但如果背景与瓶口对比度太低灰度直方图只有一个主峰大津会把峰的一侧切掉导致前景背景颠倒或大面积误分割。解决先看灰度直方图确认是否是双峰分布。不是双峰就直接改用固定阈值阈值取标定场景下瓶口边缘灰度中值。同时在程序里加一道保护计算二值化后前景面积占比如果超过 80% 或低于 5%判定为“分割异常”输出告警而不是盲目走后续检测。这个面积占比校验是成本很低但非常有效的保护措施。5.2 机构与图像坐标类ROI 抖动和瓶体倾斜坑三动态 ROI 反而比固定 ROI 误检更多现象加了霍夫圆定位后检测率没有提升反而频繁把合格瓶判成缺陷。原因霍夫圆检测受瓶口图案干扰有时圆心偏差几个像素都能让 ROI 里多出一块螺纹影子或者少一块瓶口边缘轮廓特征随机变化。解决给霍夫圆结果加一个平滑机制。连续几帧的圆心和半径做均值滤波或者限制圆心和半径的变化范围超过范围就沿用上一帧的标定值。稳定压倒一切动态定位的目的是消除系统性偏差不是跟随随机抖动。坑四输送线轻微倾斜瓶口变成椭圆现象正常瓶因为相机角度和输送线不垂直成像后瓶口椭圆度一直偏高误报率集中在特定工位。原因透视关系造成的椭圆投影不是瓶口本身变形。这是成像几何问题不是产品缺陷。解决在判定前把轮廓做一次仿射校正用cv2.fitEllipse得到椭圆参数把椭圆的长轴缩放到短轴比例还原为正圆后再计算圆度。同时与产线确认相机安装角度尽量让相机光轴垂直瓶口中轴线从根源减少透视投影。做这个校正时要记录好原始椭圆参数避免把真正的椭圆变形缺陷也一并抹掉。5.3 环境与代码细节类OpenCV 安装和 API 使用翻车坑五提示contourarea()未定义标识符或no module named cv2现象按教程写代码一运行就报contourearea() 未定义或者ModuleNotFoundError: No module named cv2。原因前者多半是把 C 的 API 名字照搬到了 PythonPython 里所有函数都带cv2.前缀正确写法是cv2.contourArea()首字母也要小写。后者是虚拟环境没激活或安装源有问题pip 把包装到了别的 Python 解释器里。解决先执行python -m pip list | grep opencv确认是否安装。没有就pip install opencv-python --index-url换国内镜像源安装。函数名出错时在代码里import cv2后通过cv2.contourArea?或dir(cv2)查看正确的函数签名。这类问题大多数是环境问题不是算法问题别在代码逻辑上浪费时间。坑六图像通道顺序弄混灰度特征判不准现象用cv2.imread读彩色图后做通道分离取第三个通道当灰度图结果亮度分布异常。原因OpenCV 默认以 BGR 顺序读图不是常见的 RGB初学者用 PIL 的习惯去理解通道取反后特征计算全乱。解决统计灰度特征前先统一用cv2.COLOR_BGR2GRAY转灰度不要在彩色通道上做阈值。如果确实要用某个通道的特征明确channels cv2.split(img)后按 BGR 顺序取索引 0、1、2。调试时可以用cv2.imwrite(debug.png, gray)把灰度图落盘肉眼确认亮度分布是否符合预期。图像处理里很大一部分翻车最后都能归结为“看到的是 PNG 保存后的效果算的是 BGR 三通道的数据”两者不一致导致来回调参。6. 进阶验证用连拍测试和特征分布把阈值炼稳检测器写完后交付前我习惯加一道连拍验证。把同一只瓶子放在检测工位上连续拍 30 次跑完整流程记录每一次的圆度和凸性缺陷深度。30 次结果如果有明显波动说明是光源闪动或者相机曝光不稳定先修硬件再谈阈值如果结果稳定但这个瓶子的特征值本身就贴近阈值线那就说明瓶子是临界合格要把它单独拿来做复判。# 用脚本连拍可以用 OpenCV 采集代码段 # 这里只记录验证思路确保每个样本的特征值落到测试 CSV python batch_check.py --input data/ --output check_result.csv再往前走一步建议把标定参数独立成配置文件不要硬编码在算法脚本里。瓶口半径、形态学核大小、圆度阈值、凸性缺陷深度阈值这四个参数是换型后必改的。把它们放到一个config.yaml文件里换瓶型时只改文件不碰代码既方便产线技术员操作也降低了改代码引入新 bug 的概率。实测中我把圆度阈值从 0.85 调到 0.82误检率从千分之六降到千分之二漏检率没有明显变化但把凸性缺陷深度从 12 调到 15 之后漏检率直接高了三个百分点。这组数据想说明的是特征越靠后的参数对漏检越敏感调整时一定要结合漏检清单逐张确认不能让隐藏缺陷钻了空子。做质量检测项目我有一条坚持了不少年的习惯任何一次参数改动都要留下前后两批样本的对比数据。没有数据支撑的调参都是玄学。这套方法我自己在多个瓶罐检测项目里反复验证过希望帮到你。本文还有配套的精品资源点击获取