简介这是一份基于OpenCV的乒乓球轮廓检测实验代码资源面向计算机视觉入门者和机器人/自动化项目开发者解决球形目标如乒乓球、高尔夫球的轮廓识别与中心定位问题为机械臂抓取、移动或击打操作提供视觉引导。压缩包内共1个文件为单个Python脚本文件整体仅2KB体积虽小但完整覆盖了图像读取、色彩空间转换、高斯模糊/中值滤波去噪、Canny边缘检测、findContours轮廓提取、contourArea与approxPolyDP过滤、Moments质心计算等关键环节。脚本设计简洁适合直接运行观察效果也可作为模板迁移到其他圆形物体检测场景。通过该脚本读者能快速掌握轮廓检测的基本流程与参数调节思路理解如何将二维图像坐标转换为机械臂可用的位置信息对完成课程实验或初步视觉定位项目均有直接帮助。目前已有227人学习下载。1. 只靠轮廓检测分拣两种球实验成功背后的三个判断依据轮廓检测这四个字在深度学习时代听起来有点“老派”但在高尔夫球和乒乓球的分类场景里它把活干得明明白白不训练、不调显卡、不依赖颜色只靠物体边缘围出来的形状就能在普通工业相机下把两类球稳定区分开。标题里那句“总实验成功”说的就是这件事这里我把判断依据、参数用法和踩坑点拆开讲。适合正在做球类分拣、计数或形状分类选型的人。先说一个反直觉结论乒乓球和高尔夫球的直径只差2.7毫米左右靠“尺寸”去分是第一个坑真正拉开差距的是轮廓的圆度、凸包比以及表面凹坑在边缘上留下的微小起伏这些都来自轮廓不来自颜色和纹理。2. 边缘检测路径怎么选Canny 与二值化对轮廓质量的直接影响2.1 为什么轮廓信息够用凹坑才是真正的分水岭标准乒乓球直径40毫米高尔夫球直径42.67毫米差值约2.7毫米相当于直径差不到7%。如果视野中球的直径只占50像素那么两类球的像素直径就差3像素左右边缘模糊一阵子就分不出来。所以“只看直径”是第一次做这个实验时最容易踩的坑很多人在思维里把它当成“大球对小球”真正拿到图像上根本不是那么回事。真正能把两类球分开的是轮廓质量。高尔夫球表面满布凹坑在侧光下凹坑边缘形成梯度反映在Canny边缘图上就是球轮廓边缘附近有一些细小的齿状起伏乒乓球表面光滑轮廓是一条近乎完美的弧线。两类球直径差可能只有几个像素但圆度和凸包比的差别是系统性的。换句话说这个任务本质上是“轮廓质量检测”不是“轮廓尺寸检测”。这个认知决定了后续所有参数怎么设。另外凹坑在球内部也会形成额外的边缘碎片反光时尤其明显但这些碎片不应该参与分类。轮廓提取真正需要关心的是最外层那一圈内部边缘对分类没有帮助反而会把高光区域误识别成另一个同心圆这就是后面要用 RETR_EXTERNAL 而不是 RETR_TREE 的原因。2.2 Canny 与二值化两套边缘路径的取舍常见做法不止一条。一条是“灰度 → 高斯模糊 → Canny → 闭运算 → findContours”另一条是“灰度 → 高斯模糊 → OTSU 二值化 → 闭运算 → findContours”。两条路线的差别在于边缘定位精度和受光照影响程度。Canny 定位细能给出单像素边缘缺点是高低阈值得手动调光照变了要重新设。OTSU 二值化自动算阈值省事但对光照不均很敏感球体本身是曲面明暗过渡大一个全局阈值很容易把球的一侧切成黑色、另一侧切成白色轮廓直接缺一块。所以我一般默认走 Canny。Canny 只是算子选择不算玄学高低阈值的比例按 1:2 到 1:3 来设比较稳比如 low50、high150。low 太低会让梯度平缓的噪声全部变成边缘比如阴影边缘和地面纹理high 太低则会切出很多细碎轮廓。高斯模糊的 ksize 也不是随便填的。ksize 越大边缘定位越偏圆度计算越吃亏太小又压不掉反光区的椒盐噪声。5x5 是我的起点乒乓球高光强烈时偶尔用 7x7再往上就会明显削弱凹坑边缘信息高尔夫球的特征反而没了。还有人用 Sobel 或 Laplacian 加阈值但这两者更敏感在球体轮廓任务上没有优势。做轮廓分类边缘“连续、闭合、位置准”比“边缘响应强”重要得多Canny 基于双阈值做滞后连接天然对边缘断裂更友好。2.3 为什么不用深度学习和霍夫圆检测技术选型不是越先进越好。训练一个球类检测网络标注几百张图只是起步还要处理类别不平衡、光照泛化和部署依赖。轮廓检测的好处在于每个判断都可解释把圆度算一遍、凸包比算一遍就能知道模型为什么把某个目标判成乒乓球工业现场出了问题能定位到具体参数而黑盒模型出了问题只能重采数据。霍夫圆检测是另一个常被提起的方案但我一般不会把它当主力。霍夫圆需要给定半径范围和投票阈值对球的大小变化敏感高尔夫球表面凹坑会让霍夫拟合出的圆心发生偏移反而把原本有用的边缘起伏抹平。轮廓检测直接给你一条完整边界后续圆度估算都基于真实边缘而不是拟合结果。当然深度学习在遮挡严重、多目标交错时确实更强。如果只是“高尔夫球和乒乓球逐个经过固定工位”轮廓检测可以把推理放到 CPU 上不用换硬件。这个方案的边界很明确单目标或稀疏多目标、背景基本可控、球体完整可见。一旦出现互相遮挡或者强反光抹平凹坑轮廓方案就会漏判那时候再考虑上模型而不是一开始就上模型。3. 用 OpenCV 提取球体轮廓预处理、检索模式与闭运算的取值边界3.1 最小跑通的轮廓提取代码先给一份可以直接跑的提取函数它把“读图到出轮廓”完整走了一遍import cv2 import numpy as np def extract_ball_contours(image, ksize5, canny_low50, canny_high150, close_iter2): if image.ndim 3: gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) else: gray image # 高斯模糊ksize 决定边缘定位偏差 blurred cv2.GaussianBlur(gray, (ksize, ksize), 0) # Canny 双阈值low 影响阴影等弱边缘是否进入 edges cv2.Canny(blurred, canny_low, canny_high) # 闭运算先连接断边再交给 findContours kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) edges_closed cv2.morphologyEx( edges, cv2.MORPH_CLOSE, kernel, iterationsclose_iter ) # 只取最外层轮廓丢掉内部高光边缘 contours, hierarchy cv2.findContours( edges_closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) # 按周长过滤灰尘点 filtered [ cnt for cnt in contours if cv2.arcLength(cnt, True) 50 ] return filtered, hierarchy逻辑说明cvtColor 把 BGR 转灰度整个过程只依赖亮度梯度不依赖色彩这正是“只检测轮廓”的起点。如果后面发现边缘不完整不要把彩色图直接丢给 Canny三个通道混入会让高光区域产生额外的彩色梯度边缘鬼影更多。参数说明GaussianBlur 的 sigma 参数这里用 0OpenCV 会根据 ksize 自动算够用。Canny 的两个阈值保持 1:2 到 1:3 的比例不要单独调 high。最后的 arcLength 过滤是为了去掉灰尘点长度阈值 50 是起步值分辨率变了要跟着改如果真实球轮廓也被过滤掉说明问题出在预处理断边而不是过滤阈值。3.2 检索模式与存储模式RETR_EXTERNAL 与 CHAIN_APPROX_SIMPLE乒乓球在高光下Canny 会在球内部再产生一个亮斑边缘形成类似同心圆的结构。如果使用 RETR_TREE 或 RETR_LIST它会被当成两个轮廓RETR_EXTERNAL 只返回最外层直接把高光内圆丢弃。这就是“只检测轮廓”在实现上不只是把所有边缘找出来还要主动丢弃内部边缘。CHAIN_APPROX_SIMPLE 的作用是压缩边界上共线的点只保留转折点计算量更小对圆度估算几乎没有影响。如果你担心精度可以换 CHAIN_APPROX_NONE但后续 contourArea 和 arcLength 的差异通常在 0.1% 以内不值得为它增加内存占用。另外注意 findContours 在旧版本 OpenCV 里只有两个返回值新版本有三个老代码直接解包会报 not enough values to unpack这是一个很隐蔽的兼容坑。3.3 闭运算的位置与迭代次数闭运算时先做后做差别很大。先把闭运算用在边缘图上断开的边缘会被焊起来findContours 拿到的是“已经连好的图”如果反过来先 findContours 再做形态学就得遍历轮廓段手动拼接代码复杂度高还容易拼错。闭运算的 kernel 形状用 MORPH_ELLIPSE 比矩形好因为球体边缘是弧线椭圆核贴合弧线方向矩形核容易在轮廓拐角留下方形凸角直接影响后续圆度计算。iterations 参数含义是连续执行两次膨胀和腐蚀不是把核放大。我一般控制在 2 以内如果发现球和阴影连在一起先把 iterations 改成 1同时检查光照别直接改成 3改 3 大概率把阴影也焊进来。3.4 光照方向对轮廓连续性的影响侧光能让高尔夫球凹坑边缘产生梯度正面光会把凹坑抹平单侧强光会导致球的暗侧边缘梯度不足Canny 直接漏掉一小段轮廓圆度算出来偏低。最常见做法是左右各加一个漫反射 LED让球体明暗过渡均匀。轮廓检测对光亮非常敏感前后两次实验的识别率差异往往来自打光变了而不是代码变了。4. 区分乒乓球与高尔夫球的轮廓指标圆度、凸包比与拟合顶点数4.1 面积筛选像素面积是第一道闸门背景中总会有圆形干扰物比如螺丝垫片、瓶盖甚至夹具圆孔第一道闸门应该是面积范围而不是圆度。面积用 cv2.contourArea 计算单位是像素面积。如果球在图像中的直径约 240 像素理想面积约 45200 像素²因为有边缘毛刺通常会把上下限设在理想值的 ±30% 区间。这个区间不是算出来的而是要在第一批图上统计所有球的最小和最大像素面积然后留出余量。min_area 设太小阴影、亮斑会混进来设太大离相机稍远的球会被丢掉。最常见的翻车方式是拿一张图的经验值套所有距离球离镜头远 10 厘米面积立刻缩小 20% 以上。如果工位固定最好先把球的位置约束好再定面积范围不要试图用面积来区分两个球——它们本身面积只差约 14%在边缘毛刺影响下很容易重叠。4.2 圆度与凸包比两个互补的“圆不圆”判断圆度公式是 4πA/P²正圆为 1边缘锯齿或凹陷都会让它下降。高尔夫球凹坑使周长略涨、面积略缩圆度会从乒乓球的 0.90 以上掉到 0.82 到 0.88。不过圆度对边缘噪声敏感Canny 如果边缘放大了一圈周长变大圆度也会异常所以算圆度之前要保证边缘足够贴边。凸包比是轮廓面积除以凸包面积。高尔夫球边缘的凹坑会被凸包补成直线因此凸包面积大于轮廓面积凸度小于 1乒乓球几乎没内凹凸度接近 0.98。凸包比对小幅边缘缺口不如圆度敏感适合和圆度相互验证。我通常把两者组合成判定矩阵而不是各自设独立阈值乒乓球要求圆度 ≥ 0.90 且凸度 ≥ 0.97高尔夫球要求圆度 ≤ 0.88 且凸度 ≤ 0.96中间输出 uncertain。uncertain 不是失败是告诉你这个样本需要人工复核。4.3 多边形拟合顶点数凹坑在轮廓上的直接度量approxPolyDP 用指定 epsilon 把曲线简化成多边形epsilon 取 0.01 × perimeter 时乒乓球边缘平滑拟合后顶点数通常在 10 到 18 个高尔夫球边缘有细微凹坑拟合后顶点数超过 18经常到三四十个。顶点数不是绝对指标但在圆度和凸度接近边界时它可以当裁判。需要注意分辨率的影响分辨率越高乒乓球轮廓也会出现小锯齿顶点数上升分辨率越低凹坑细节被抹平高尔夫球会被拟合成接近圆。如果发现某一批图里两类球顶点数完全重叠说明该分辨率已经保不住凹坑信息只有两条路拉近相机或加侧光别指望靠调 epsilon 解决。4.4 组合判定代码与阈值校准把上面的特征整合成一个分类函数阈值先用一组起点值def classify_ball(contour, min_area12000, max_area60000): area cv2.contourArea(contour) if not (min_area area max_area): return ignored perimeter cv2.arcLength(contour, True) if perimeter 50: return ignored # 圆度正圆为 1边缘锯齿会显著压低 circularity 4.0 * np.pi * area / (perimeter * perimeter) # 凸包比凹坑会让轮廓面积小于凸包面积 hull cv2.convexHull(contour) hull_area cv2.contourArea(hull) convexity area / hull_area if hull_area 0 else 0.0 # 多边形拟合顶点数凹坑越多顶点数越多 epsilon 0.01 * perimeter approx cv2.approxPolyDP(contour, epsilon, True) vertex_count len(approx) if circularity 0.90 and convexity 0.97: return pingpong if circularity 0.88 and convexity 0.96: return golf # 边界修正两个指标不一致时用顶点数仲裁 if circularity 0.88 and convexity 0.96 and vertex_count 25: return golf if circularity 0.92 and convexity 0.98 and vertex_count 20: return pingpong return uncertain逻辑说明先过面积范围再过周长然后计算三个特征前两个主条件负责大头最后一个仲裁条件只处理临界样本。这样做的意义是避免单一指标在边缘噪声下误判。阈值起点是我在固定工位、侧光条件下统计出来的值你要在自己的光照和分辨率下重新采样校准。“总实验成功”不等于一次调参通杀这些数字必须在自己的数据上重新统计。5. 轮廓检测的 5 个踩坑点反光、阴影与阈值翻车排查任何轮廓识别方案最后几乎都死在预处理上。代码跑通只说明流程通不能说明稳定性。下面五类问题是我做过球类轮廓检测后最常遇到的按现象、原因、解决三条线写每一条都值得在实验记录里单独留档。5.1 反光把轮廓“掏空”成同心圆现象乒乓球轮廓内部出现一个更小的圆形轮廓外圈有时还不连续用 RETR_TREE 提取时一个小球被检出好几个轮廓。原因乒乓球表面高光在图像里是一圈亮到暗的快速梯度Canny 把它和边缘同等看待于是多出了一圈内部边缘。解决检索模式统一用 RETR_EXTERNAL只保留最外层轮廓。如果高光仍然严重加偏振片比调 Canny 阈值更根治因为那是在源头削减反光不是靠阈值硬挡。5.2 阈值一刀切导致球和阴影粘连现象球下方阴影和球体边缘连成一片轮廓从圆变成葫芦面积和圆度一起偏掉。原因Canny 的 low 设得太低阴影边缘的弱梯度被当成有效边缘闭运算又把它和球边缘焊在一起。解决先把 canny_low 从 50 提到 80看阴影是否消失再把闭运算 iterations 降到 1。这两个动作按顺序做不要同时改否则不知道是谁的功劳。5.3 圆度阈值过严高尔夫球被误判成乒乓球现象强光下高尔夫球一侧凹坑细节被抹平圆度算出来 0.90直接被分到乒乓球。原因凹坑产生的梯度在亮部被淹没Canny 只反应梯度幅值不反应“这里有没有坑”。解决不要用单一圆度。把凸包比和拟合顶点数加进组合判定如果多个指标都卡在边界上先输出 uncertain 而不是硬归后续加一张掩膜或换侧光角度再补判断。5.4 背景圆形干扰物混入现象暖气管横截面、瓶盖、圆形夹具孔被识别成球圆度和凸包比都达标。原因这些物体同样满足高圆度、高凸度面积也可能落在判定区间内几何特征相似度太高。解决在特征判定前先走面积范围再结合拟合顶点数。如果还是误判用 ROI 限定检测区域只保留传送带中线附近的目标比单纯堆阈值更有效。5.5 运动模糊让边缘定位漂移现象球在运动状态下边缘出现 3 到 5 像素宽的渐变Canny 提取的轮廓比真实边界偏大或偏内圆度波动很大。原因曝光时间太长球在积分时间内移动了几个像素边缘空间频率被抹掉。解决这是硬件问题先缩短曝光时间到 500 微秒量级亮度不够就补光。任何后期算法都补不回被快门抹掉的空间分辨率不要在这个问题上浪费调参时间。6. 参数固化与批量验证把同一个实验成功复制到明天6.1 参数表先固定下来再谈优化轮廓检测的“可复现性”全在参数表里。我习惯把每次实验的参数存成一个配置而不是只记识别率参数建议起点调整方向ksize5反光严重时调到 7不要超过 9canny_low50阴影混入时调到 80canny_high150随 low 按 1:2 到 1:3 同步调close_iter2断点多时用 2粘连时改 1min_area / max_area实测统计 ±30%相机距离改变时重新统计circularity0.90 / 0.88用标注结果微调convexity0.97 / 0.96用标注结果微调参数固化是“后悔药”改崩了能回滚不存参数只存识别率的实验重新复现时基本靠玄学。6.2 批量验证脚本用几十张图找出边界单张图调通不算数要拿一批不同姿态、不同亮度的样本跑一遍import glob import cv2 from pathlib import Path param { ksize: 5, canny_low: 50, canny_high: 150, close_iter: 2, min_area: 12000, max_area: 60000, } for path in sorted(glob.glob(dataset/*.jpg)): img cv2.imread(str(path)) if img is None: continue contours, _ extract_ball_contours(img, **param) if not contours: print(f{Path(path).name}: none) continue cnt max(contours, keycv2.contourArea) label classify_ball(cnt, min_areaparam[min_area], max_areaparam[max_area]) print(f{Path(path).name}: {label})这段脚本的作用是把“我猜它差不多能行”变成“每个样本有明确输出”。运行后不要只看准确率要看 uncertain 占比uncertain 从 5% 降到 1%通常比准确率从 92% 提到 93% 更重要因为工业现场宁可让人复核也不能把高尔夫球当成乒乓球放过去。最后说一个我的习惯每次改参数我都会把输入图和输出标签拼在一个窗口里看一眼而不是只看 print 出来的字符串。轮廓检测的失败往往集中在一个小区域比如球的右下侧缺了一小段边缘字符串只会告诉你 golf不会告诉你为什么只有可视化图会暴露是阴影还是反光在作祟。我最早只按直径分类结果被 2.7 毫米的直径差坑得翻车后来改成圆度加凸度的组合才稳定。调参路上多存几组配置、多换几批光照比追求一次到位实用得多。希望帮到你。本文还有配套的精品资源点击获取 轮廓检测实战：用OpenCV区分乒乓球与高尔夫球
简介这是一份基于OpenCV的乒乓球轮廓检测实验代码资源面向计算机视觉入门者和机器人/自动化项目开发者解决球形目标如乒乓球、高尔夫球的轮廓识别与中心定位问题为机械臂抓取、移动或击打操作提供视觉引导。压缩包内共1个文件为单个Python脚本文件整体仅2KB体积虽小但完整覆盖了图像读取、色彩空间转换、高斯模糊/中值滤波去噪、Canny边缘检测、findContours轮廓提取、contourArea与approxPolyDP过滤、Moments质心计算等关键环节。脚本设计简洁适合直接运行观察效果也可作为模板迁移到其他圆形物体检测场景。通过该脚本读者能快速掌握轮廓检测的基本流程与参数调节思路理解如何将二维图像坐标转换为机械臂可用的位置信息对完成课程实验或初步视觉定位项目均有直接帮助。目前已有227人学习下载。1. 只靠轮廓检测分拣两种球实验成功背后的三个判断依据轮廓检测这四个字在深度学习时代听起来有点“老派”但在高尔夫球和乒乓球的分类场景里它把活干得明明白白不训练、不调显卡、不依赖颜色只靠物体边缘围出来的形状就能在普通工业相机下把两类球稳定区分开。标题里那句“总实验成功”说的就是这件事这里我把判断依据、参数用法和踩坑点拆开讲。适合正在做球类分拣、计数或形状分类选型的人。先说一个反直觉结论乒乓球和高尔夫球的直径只差2.7毫米左右靠“尺寸”去分是第一个坑真正拉开差距的是轮廓的圆度、凸包比以及表面凹坑在边缘上留下的微小起伏这些都来自轮廓不来自颜色和纹理。2. 边缘检测路径怎么选Canny 与二值化对轮廓质量的直接影响2.1 为什么轮廓信息够用凹坑才是真正的分水岭标准乒乓球直径40毫米高尔夫球直径42.67毫米差值约2.7毫米相当于直径差不到7%。如果视野中球的直径只占50像素那么两类球的像素直径就差3像素左右边缘模糊一阵子就分不出来。所以“只看直径”是第一次做这个实验时最容易踩的坑很多人在思维里把它当成“大球对小球”真正拿到图像上根本不是那么回事。真正能把两类球分开的是轮廓质量。高尔夫球表面满布凹坑在侧光下凹坑边缘形成梯度反映在Canny边缘图上就是球轮廓边缘附近有一些细小的齿状起伏乒乓球表面光滑轮廓是一条近乎完美的弧线。两类球直径差可能只有几个像素但圆度和凸包比的差别是系统性的。换句话说这个任务本质上是“轮廓质量检测”不是“轮廓尺寸检测”。这个认知决定了后续所有参数怎么设。另外凹坑在球内部也会形成额外的边缘碎片反光时尤其明显但这些碎片不应该参与分类。轮廓提取真正需要关心的是最外层那一圈内部边缘对分类没有帮助反而会把高光区域误识别成另一个同心圆这就是后面要用 RETR_EXTERNAL 而不是 RETR_TREE 的原因。2.2 Canny 与二值化两套边缘路径的取舍常见做法不止一条。一条是“灰度 → 高斯模糊 → Canny → 闭运算 → findContours”另一条是“灰度 → 高斯模糊 → OTSU 二值化 → 闭运算 → findContours”。两条路线的差别在于边缘定位精度和受光照影响程度。Canny 定位细能给出单像素边缘缺点是高低阈值得手动调光照变了要重新设。OTSU 二值化自动算阈值省事但对光照不均很敏感球体本身是曲面明暗过渡大一个全局阈值很容易把球的一侧切成黑色、另一侧切成白色轮廓直接缺一块。所以我一般默认走 Canny。Canny 只是算子选择不算玄学高低阈值的比例按 1:2 到 1:3 来设比较稳比如 low50、high150。low 太低会让梯度平缓的噪声全部变成边缘比如阴影边缘和地面纹理high 太低则会切出很多细碎轮廓。高斯模糊的 ksize 也不是随便填的。ksize 越大边缘定位越偏圆度计算越吃亏太小又压不掉反光区的椒盐噪声。5x5 是我的起点乒乓球高光强烈时偶尔用 7x7再往上就会明显削弱凹坑边缘信息高尔夫球的特征反而没了。还有人用 Sobel 或 Laplacian 加阈值但这两者更敏感在球体轮廓任务上没有优势。做轮廓分类边缘“连续、闭合、位置准”比“边缘响应强”重要得多Canny 基于双阈值做滞后连接天然对边缘断裂更友好。2.3 为什么不用深度学习和霍夫圆检测技术选型不是越先进越好。训练一个球类检测网络标注几百张图只是起步还要处理类别不平衡、光照泛化和部署依赖。轮廓检测的好处在于每个判断都可解释把圆度算一遍、凸包比算一遍就能知道模型为什么把某个目标判成乒乓球工业现场出了问题能定位到具体参数而黑盒模型出了问题只能重采数据。霍夫圆检测是另一个常被提起的方案但我一般不会把它当主力。霍夫圆需要给定半径范围和投票阈值对球的大小变化敏感高尔夫球表面凹坑会让霍夫拟合出的圆心发生偏移反而把原本有用的边缘起伏抹平。轮廓检测直接给你一条完整边界后续圆度估算都基于真实边缘而不是拟合结果。当然深度学习在遮挡严重、多目标交错时确实更强。如果只是“高尔夫球和乒乓球逐个经过固定工位”轮廓检测可以把推理放到 CPU 上不用换硬件。这个方案的边界很明确单目标或稀疏多目标、背景基本可控、球体完整可见。一旦出现互相遮挡或者强反光抹平凹坑轮廓方案就会漏判那时候再考虑上模型而不是一开始就上模型。3. 用 OpenCV 提取球体轮廓预处理、检索模式与闭运算的取值边界3.1 最小跑通的轮廓提取代码先给一份可以直接跑的提取函数它把“读图到出轮廓”完整走了一遍import cv2 import numpy as np def extract_ball_contours(image, ksize5, canny_low50, canny_high150, close_iter2): if image.ndim 3: gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) else: gray image # 高斯模糊ksize 决定边缘定位偏差 blurred cv2.GaussianBlur(gray, (ksize, ksize), 0) # Canny 双阈值low 影响阴影等弱边缘是否进入 edges cv2.Canny(blurred, canny_low, canny_high) # 闭运算先连接断边再交给 findContours kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) edges_closed cv2.morphologyEx( edges, cv2.MORPH_CLOSE, kernel, iterationsclose_iter ) # 只取最外层轮廓丢掉内部高光边缘 contours, hierarchy cv2.findContours( edges_closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) # 按周长过滤灰尘点 filtered [ cnt for cnt in contours if cv2.arcLength(cnt, True) 50 ] return filtered, hierarchy逻辑说明cvtColor 把 BGR 转灰度整个过程只依赖亮度梯度不依赖色彩这正是“只检测轮廓”的起点。如果后面发现边缘不完整不要把彩色图直接丢给 Canny三个通道混入会让高光区域产生额外的彩色梯度边缘鬼影更多。参数说明GaussianBlur 的 sigma 参数这里用 0OpenCV 会根据 ksize 自动算够用。Canny 的两个阈值保持 1:2 到 1:3 的比例不要单独调 high。最后的 arcLength 过滤是为了去掉灰尘点长度阈值 50 是起步值分辨率变了要跟着改如果真实球轮廓也被过滤掉说明问题出在预处理断边而不是过滤阈值。3.2 检索模式与存储模式RETR_EXTERNAL 与 CHAIN_APPROX_SIMPLE乒乓球在高光下Canny 会在球内部再产生一个亮斑边缘形成类似同心圆的结构。如果使用 RETR_TREE 或 RETR_LIST它会被当成两个轮廓RETR_EXTERNAL 只返回最外层直接把高光内圆丢弃。这就是“只检测轮廓”在实现上不只是把所有边缘找出来还要主动丢弃内部边缘。CHAIN_APPROX_SIMPLE 的作用是压缩边界上共线的点只保留转折点计算量更小对圆度估算几乎没有影响。如果你担心精度可以换 CHAIN_APPROX_NONE但后续 contourArea 和 arcLength 的差异通常在 0.1% 以内不值得为它增加内存占用。另外注意 findContours 在旧版本 OpenCV 里只有两个返回值新版本有三个老代码直接解包会报 not enough values to unpack这是一个很隐蔽的兼容坑。3.3 闭运算的位置与迭代次数闭运算时先做后做差别很大。先把闭运算用在边缘图上断开的边缘会被焊起来findContours 拿到的是“已经连好的图”如果反过来先 findContours 再做形态学就得遍历轮廓段手动拼接代码复杂度高还容易拼错。闭运算的 kernel 形状用 MORPH_ELLIPSE 比矩形好因为球体边缘是弧线椭圆核贴合弧线方向矩形核容易在轮廓拐角留下方形凸角直接影响后续圆度计算。iterations 参数含义是连续执行两次膨胀和腐蚀不是把核放大。我一般控制在 2 以内如果发现球和阴影连在一起先把 iterations 改成 1同时检查光照别直接改成 3改 3 大概率把阴影也焊进来。3.4 光照方向对轮廓连续性的影响侧光能让高尔夫球凹坑边缘产生梯度正面光会把凹坑抹平单侧强光会导致球的暗侧边缘梯度不足Canny 直接漏掉一小段轮廓圆度算出来偏低。最常见做法是左右各加一个漫反射 LED让球体明暗过渡均匀。轮廓检测对光亮非常敏感前后两次实验的识别率差异往往来自打光变了而不是代码变了。4. 区分乒乓球与高尔夫球的轮廓指标圆度、凸包比与拟合顶点数4.1 面积筛选像素面积是第一道闸门背景中总会有圆形干扰物比如螺丝垫片、瓶盖甚至夹具圆孔第一道闸门应该是面积范围而不是圆度。面积用 cv2.contourArea 计算单位是像素面积。如果球在图像中的直径约 240 像素理想面积约 45200 像素²因为有边缘毛刺通常会把上下限设在理想值的 ±30% 区间。这个区间不是算出来的而是要在第一批图上统计所有球的最小和最大像素面积然后留出余量。min_area 设太小阴影、亮斑会混进来设太大离相机稍远的球会被丢掉。最常见的翻车方式是拿一张图的经验值套所有距离球离镜头远 10 厘米面积立刻缩小 20% 以上。如果工位固定最好先把球的位置约束好再定面积范围不要试图用面积来区分两个球——它们本身面积只差约 14%在边缘毛刺影响下很容易重叠。4.2 圆度与凸包比两个互补的“圆不圆”判断圆度公式是 4πA/P²正圆为 1边缘锯齿或凹陷都会让它下降。高尔夫球凹坑使周长略涨、面积略缩圆度会从乒乓球的 0.90 以上掉到 0.82 到 0.88。不过圆度对边缘噪声敏感Canny 如果边缘放大了一圈周长变大圆度也会异常所以算圆度之前要保证边缘足够贴边。凸包比是轮廓面积除以凸包面积。高尔夫球边缘的凹坑会被凸包补成直线因此凸包面积大于轮廓面积凸度小于 1乒乓球几乎没内凹凸度接近 0.98。凸包比对小幅边缘缺口不如圆度敏感适合和圆度相互验证。我通常把两者组合成判定矩阵而不是各自设独立阈值乒乓球要求圆度 ≥ 0.90 且凸度 ≥ 0.97高尔夫球要求圆度 ≤ 0.88 且凸度 ≤ 0.96中间输出 uncertain。uncertain 不是失败是告诉你这个样本需要人工复核。4.3 多边形拟合顶点数凹坑在轮廓上的直接度量approxPolyDP 用指定 epsilon 把曲线简化成多边形epsilon 取 0.01 × perimeter 时乒乓球边缘平滑拟合后顶点数通常在 10 到 18 个高尔夫球边缘有细微凹坑拟合后顶点数超过 18经常到三四十个。顶点数不是绝对指标但在圆度和凸度接近边界时它可以当裁判。需要注意分辨率的影响分辨率越高乒乓球轮廓也会出现小锯齿顶点数上升分辨率越低凹坑细节被抹平高尔夫球会被拟合成接近圆。如果发现某一批图里两类球顶点数完全重叠说明该分辨率已经保不住凹坑信息只有两条路拉近相机或加侧光别指望靠调 epsilon 解决。4.4 组合判定代码与阈值校准把上面的特征整合成一个分类函数阈值先用一组起点值def classify_ball(contour, min_area12000, max_area60000): area cv2.contourArea(contour) if not (min_area area max_area): return ignored perimeter cv2.arcLength(contour, True) if perimeter 50: return ignored # 圆度正圆为 1边缘锯齿会显著压低 circularity 4.0 * np.pi * area / (perimeter * perimeter) # 凸包比凹坑会让轮廓面积小于凸包面积 hull cv2.convexHull(contour) hull_area cv2.contourArea(hull) convexity area / hull_area if hull_area 0 else 0.0 # 多边形拟合顶点数凹坑越多顶点数越多 epsilon 0.01 * perimeter approx cv2.approxPolyDP(contour, epsilon, True) vertex_count len(approx) if circularity 0.90 and convexity 0.97: return pingpong if circularity 0.88 and convexity 0.96: return golf # 边界修正两个指标不一致时用顶点数仲裁 if circularity 0.88 and convexity 0.96 and vertex_count 25: return golf if circularity 0.92 and convexity 0.98 and vertex_count 20: return pingpong return uncertain逻辑说明先过面积范围再过周长然后计算三个特征前两个主条件负责大头最后一个仲裁条件只处理临界样本。这样做的意义是避免单一指标在边缘噪声下误判。阈值起点是我在固定工位、侧光条件下统计出来的值你要在自己的光照和分辨率下重新采样校准。“总实验成功”不等于一次调参通杀这些数字必须在自己的数据上重新统计。5. 轮廓检测的 5 个踩坑点反光、阴影与阈值翻车排查任何轮廓识别方案最后几乎都死在预处理上。代码跑通只说明流程通不能说明稳定性。下面五类问题是我做过球类轮廓检测后最常遇到的按现象、原因、解决三条线写每一条都值得在实验记录里单独留档。5.1 反光把轮廓“掏空”成同心圆现象乒乓球轮廓内部出现一个更小的圆形轮廓外圈有时还不连续用 RETR_TREE 提取时一个小球被检出好几个轮廓。原因乒乓球表面高光在图像里是一圈亮到暗的快速梯度Canny 把它和边缘同等看待于是多出了一圈内部边缘。解决检索模式统一用 RETR_EXTERNAL只保留最外层轮廓。如果高光仍然严重加偏振片比调 Canny 阈值更根治因为那是在源头削减反光不是靠阈值硬挡。5.2 阈值一刀切导致球和阴影粘连现象球下方阴影和球体边缘连成一片轮廓从圆变成葫芦面积和圆度一起偏掉。原因Canny 的 low 设得太低阴影边缘的弱梯度被当成有效边缘闭运算又把它和球边缘焊在一起。解决先把 canny_low 从 50 提到 80看阴影是否消失再把闭运算 iterations 降到 1。这两个动作按顺序做不要同时改否则不知道是谁的功劳。5.3 圆度阈值过严高尔夫球被误判成乒乓球现象强光下高尔夫球一侧凹坑细节被抹平圆度算出来 0.90直接被分到乒乓球。原因凹坑产生的梯度在亮部被淹没Canny 只反应梯度幅值不反应“这里有没有坑”。解决不要用单一圆度。把凸包比和拟合顶点数加进组合判定如果多个指标都卡在边界上先输出 uncertain 而不是硬归后续加一张掩膜或换侧光角度再补判断。5.4 背景圆形干扰物混入现象暖气管横截面、瓶盖、圆形夹具孔被识别成球圆度和凸包比都达标。原因这些物体同样满足高圆度、高凸度面积也可能落在判定区间内几何特征相似度太高。解决在特征判定前先走面积范围再结合拟合顶点数。如果还是误判用 ROI 限定检测区域只保留传送带中线附近的目标比单纯堆阈值更有效。5.5 运动模糊让边缘定位漂移现象球在运动状态下边缘出现 3 到 5 像素宽的渐变Canny 提取的轮廓比真实边界偏大或偏内圆度波动很大。原因曝光时间太长球在积分时间内移动了几个像素边缘空间频率被抹掉。解决这是硬件问题先缩短曝光时间到 500 微秒量级亮度不够就补光。任何后期算法都补不回被快门抹掉的空间分辨率不要在这个问题上浪费调参时间。6. 参数固化与批量验证把同一个实验成功复制到明天6.1 参数表先固定下来再谈优化轮廓检测的“可复现性”全在参数表里。我习惯把每次实验的参数存成一个配置而不是只记识别率参数建议起点调整方向ksize5反光严重时调到 7不要超过 9canny_low50阴影混入时调到 80canny_high150随 low 按 1:2 到 1:3 同步调close_iter2断点多时用 2粘连时改 1min_area / max_area实测统计 ±30%相机距离改变时重新统计circularity0.90 / 0.88用标注结果微调convexity0.97 / 0.96用标注结果微调参数固化是“后悔药”改崩了能回滚不存参数只存识别率的实验重新复现时基本靠玄学。6.2 批量验证脚本用几十张图找出边界单张图调通不算数要拿一批不同姿态、不同亮度的样本跑一遍import glob import cv2 from pathlib import Path param { ksize: 5, canny_low: 50, canny_high: 150, close_iter: 2, min_area: 12000, max_area: 60000, } for path in sorted(glob.glob(dataset/*.jpg)): img cv2.imread(str(path)) if img is None: continue contours, _ extract_ball_contours(img, **param) if not contours: print(f{Path(path).name}: none) continue cnt max(contours, keycv2.contourArea) label classify_ball(cnt, min_areaparam[min_area], max_areaparam[max_area]) print(f{Path(path).name}: {label})这段脚本的作用是把“我猜它差不多能行”变成“每个样本有明确输出”。运行后不要只看准确率要看 uncertain 占比uncertain 从 5% 降到 1%通常比准确率从 92% 提到 93% 更重要因为工业现场宁可让人复核也不能把高尔夫球当成乒乓球放过去。最后说一个我的习惯每次改参数我都会把输入图和输出标签拼在一个窗口里看一眼而不是只看 print 出来的字符串。轮廓检测的失败往往集中在一个小区域比如球的右下侧缺了一小段边缘字符串只会告诉你 golf不会告诉你为什么只有可视化图会暴露是阴影还是反光在作祟。我最早只按直径分类结果被 2.7 毫米的直径差坑得翻车后来改成圆度加凸度的组合才稳定。调参路上多存几组配置、多换几批光照比追求一次到位实用得多。希望帮到你。本文还有配套的精品资源点击获取