簡(jiǎn)介這份文檔面向計(jì)算機(jī)視覺入門者與本科課程設(shè)計(jì)學(xué)生主題為基于OpenCV的物體計(jì)數(shù)與表單信息系統(tǒng)解決圖像中目標(biāo)自動(dòng)框選、計(jì)數(shù)及檢測(cè)信息表格化記錄的問題可服務(wù)于零售、安防、交通監(jiān)控等場(chǎng)景的入門實(shí)踐也可作為軟件技術(shù)項(xiàng)目設(shè)計(jì)的報(bào)告范例。壓縮包約19.51MB內(nèi)含1個(gè)docx正文覆蓋任務(wù)書、摘要、需求分析、系統(tǒng)功能模塊圖、實(shí)現(xiàn)過程、學(xué)生日志與綜合評(píng)價(jià)表完整呈現(xiàn)從圖像預(yù)處理、邊緣檢測(cè)、目標(biāo)檢測(cè)到軌跡欄參數(shù)調(diào)節(jié)、圖片與視頻雙模式及控制臺(tái)交互檢測(cè)的推進(jìn)脈絡(luò)并附答辯評(píng)分維度方便對(duì)照梳理報(bào)告結(jié)構(gòu)與復(fù)現(xiàn)思路。目前已有215人學(xué)習(xí)適合需要理解輪廓檢測(cè)、Canny、Haar級(jí)聯(lián)等基礎(chǔ)方法并參考課程設(shè)計(jì)寫作與項(xiàng)目排期的讀者。1. 從一張數(shù)不準(zhǔn)的零件圖說起OpenCV 物體計(jì)數(shù)為什么先調(diào)預(yù)處理產(chǎn)線上要數(shù)一批散放的零件攝像頭架好、畫面也清楚但腳本一跑兩個(gè)挨著的零件被數(shù)成一個(gè)換個(gè)工位光照一變閾值就全廢。這類問題往往不是換個(gè)模型能解決的先把 OpenCV 的預(yù)處理鏈路和計(jì)數(shù)判定規(guī)則理清楚比直接上深度學(xué)習(xí)見效更快。這份課程設(shè)計(jì)做的就是這件事基于 OpenCV 的物體計(jì)數(shù)與表單信息系統(tǒng)用軌跡欄實(shí)時(shí)調(diào)參用輪廓加外接矩形把物體框出來計(jì)數(shù)按s鍵把時(shí)間、文件名、數(shù)量寫進(jìn) Excel。全部邏輯收在一個(gè)tally.py里分實(shí)時(shí)檢測(cè)、圖片檢測(cè)、控制臺(tái)交互三種模式。適合剛接觸 OpenCV、需要一套能跑通又能改參數(shù)的計(jì)數(shù)基線的人也適合拿它當(dāng)課程設(shè)計(jì)或小工具原型的從業(yè)者。2. 環(huán)境與模塊骨架tally.py 該拆成哪幾層、軌跡欄怎么掛2.1 依賴與版本把 opencv-python 釘在 4.x這套代碼對(duì) OpenCV 版本敏感最典型的是cv2.findContours的返回值個(gè)數(shù)。3.x 返回三個(gè)值image、contours、hierarchy4.x 只返回兩個(gè)contours、hierarchy。如果你從舊環(huán)境拷代碼過來第一處報(bào)錯(cuò)大概率在這里。所以先把版本釘死虛擬環(huán)境里裝python -m venv venv # Windows venv\Scripts\activate # Linux / macOS source venv/bin/activate pip install opencv-python4.9.0.80 pip install pandas2.1.4 openpyxl3.1.2 numpy1.26.2opencv-python選主包就夠了這個(gè)項(xiàng)目只用到imgproc、highgui、videoio三個(gè)模塊。opencv-contrib-python里的 SIFT 那套在方案對(duì)比階段試過最終沒走特征匹配路線裝上只是增加體積。openpyxl必須顯式安裝pandas.to_excel寫.xlsx時(shí)靠它做引擎不裝會(huì)在運(yùn)行時(shí)報(bào)ImportError: Missing optional dependency openpyxl。numpy和 OpenCV 有 ABI 依賴關(guān)系1.26 與 4.9 搭配比較穩(wěn)別隨手升到 2.x。提示如果機(jī)器上已經(jīng)有別的項(xiàng)目在用 OpenCV 3.x不要?jiǎng)尤汁h(huán)境給這套代碼單獨(dú)建 venv否則改一個(gè)版本會(huì)連帶把老項(xiàng)目搞崩。2.2 模塊劃分六個(gè)職責(zé)一個(gè)文件課程設(shè)計(jì)規(guī)模不大全部塞進(jìn)tally.py是合理的拆成包反而多出一堆 import 路徑問題。但函數(shù)邊界要清楚后面想把檢測(cè)層換成模型只改一處就行。模塊關(guān)鍵函數(shù) / 入口輸入 → 輸出職責(zé)采集data_collection.py主循環(huán)、cv2.VideoCapture攝像頭幀 → 圖片文件拍照并落盤按s保存預(yù)處理preProcessing(img)BGR 圖 → 單通道邊緣圖灰度、模糊、Canny、膨脹、閉運(yùn)算檢測(cè)計(jì)數(shù)findContours(img, imgPre, ...)原圖 邊緣圖 → 畫框圖、輪廓列表、數(shù)量篩輪廓、畫框、計(jì)數(shù)表單寫入readPath、excelmation、ImagePath數(shù)據(jù)字典 → Excel 行路徑解析、追加寫入交互軌跡欄回調(diào)、cv2.waitKey鼠標(biāo)/鍵盤 → 參數(shù)值實(shí)時(shí)調(diào)參、保存觸發(fā)調(diào)度控制臺(tái)main()菜單輸入 → 模式分支實(shí)時(shí) / 多圖 / 單圖切換readPath(folder_path)負(fù)責(zé)把文件夾里的圖片路徑讀成列表只保留.jpg、.png后綴避免把臨時(shí)文件混進(jìn)去。ImagePath(recongnitionMode)根據(jù)模式字符串長(zhǎng)度決定保存目錄實(shí)時(shí)模式和多圖模式寫到不同文件夾防止圖片和表格互相覆蓋。excelmation(excel_path, data)是寫入入口輸入是一個(gè)字段有序的字典。這幾個(gè)函數(shù)看著瑣碎但它們是「檢測(cè)結(jié)果能不能變成可查數(shù)據(jù)」的關(guān)鍵比檢測(cè)本身更容易翻車。常見的目錄結(jié)構(gòu)是這樣project/ tally.py # 核心模塊 data_collection.py # 拍照腳本 images/ # 采集圖 output/ realtime/ # 實(shí)時(shí)模式截圖 multi/ # 多圖模式結(jié)果 records.xlsx # 表單2.3 軌跡欄綁定先建窗口再掛滑塊軌跡欄是這套系統(tǒng)能做參數(shù)實(shí)時(shí)修正的核心。它掛在窗口上窗口名必須和createTrackbar的目標(biāo)完全一致包括大小寫和空格。順序錯(cuò)了會(huì)直接拋cv2.error: ... window not found。import cv2 import numpy as np WINDOW counter def nothing(x): pass # 必須先建窗口再創(chuàng)建軌跡欄 cv2.namedWindow(WINDOW, cv2.WINDOW_NORMAL) cv2.resizeWindow(WINDOW, 960, 540) cv2.createTrackbar(Threshold1, WINDOW, 30, 255, nothing) cv2.createTrackbar(Threshold2, WINDOW, 80, 255, nothing) cv2.createTrackbar(MinArea, WINDOW, 1000, 20000, nothing) cv2.createTrackbar(BoxScale, WINDOW, 50, 100, nothing) # 實(shí)際值 讀數(shù) / 100邏輯上createTrackbar的第四個(gè)參數(shù)是滑塊最大值第五個(gè)是回調(diào)函數(shù)?；卣{(diào)體可以是空的因?yàn)樽x取靠getTrackbarPos輪詢回調(diào)只在需要「拖動(dòng)即觸發(fā)」的場(chǎng)景下才寫邏輯。BoxScale之所以用 0 到 100 的整數(shù)是因?yàn)檐壽E欄只接受整數(shù)實(shí)際使用時(shí)除以 100 得到 0.0 到 1.0 的比例。參數(shù)上限不是隨便給的。Threshold1、Threshold2的上限 255 對(duì)應(yīng) Canny 的 8 位輸入范圍MinArea上限 20000 是按 640×480 畫面里最大物體約占 16000 像素估的如果換成 1280×720上限要同步放大到 60000 左右否則滑塊一拉就頂?shù)筋^調(diào)不出有效區(qū)間。主循環(huán)的骨架大致是while True: ok, frame cap.read() if not ok: break imgPre preProcessing(frame) imgBox, conFound, total findContours(frame, imgPre, minAreacv2.getTrackbarPos(MinArea, WINDOW)) cv2.putText(imgBox, fcount{total}, (20, 40), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 0, 255), 2) cv2.imshow(WINDOW, imgBox) key cv2.waitKey(1) 0xFF if key ord(s): # 保存截圖并寫一行表單 pass elif key ord(q): break每幀都重新讀一遍軌跡欄這是參數(shù)能「實(shí)時(shí)生效」的原因也是后面跨圖調(diào)參殘留問題的根源第 5 章會(huì)細(xì)說。waitKey(1)里的 1 是毫秒給 0 會(huì)阻塞到按鍵視頻流就卡住了 0xFF是為了消掉某些平臺(tái)上返回值的高位不寫這一句在部分環(huán)境里按s沒反應(yīng)。3. 預(yù)處理鏈路高斯模糊、Canny 雙閾值與形態(tài)學(xué)閉運(yùn)算的先后順序3.1 preProcessing 的固定順序預(yù)處理函數(shù)看著只有幾行但順序換了結(jié)果差很多這條鏈路基本是玄學(xué)重災(zāi)區(qū)。項(xiàng)目里的實(shí)現(xiàn)是灰度化 → 高斯模糊 → Canny → 膨脹 → 閉運(yùn)算每一步都為下一步服務(wù)。def preProcessing(img): imgGray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 核 5x5sigmaX 顯式給 3模糊強(qiáng)度不隨核大小漂移 imgBlur cv2.GaussianBlur(imgGray, (5, 5), 3) t1 cv2.getTrackbarPos(Threshold1, WINDOW) t2 cv2.getTrackbarPos(Threshold2, WINDOW) imgCanny cv2.Canny(imgBlur, t1, t2) kernel np.ones((3, 3), np.uint8) # 先膨脹接斷口再閉運(yùn)算填內(nèi)部小洞 imgDil cv2.dilate(imgCanny, kernel, iterations1) imgClose cv2.morphologyEx(imgDil, cv2.MORPH_CLOSE, kernel, iterations1) return imgClose灰度化丟掉顏色是因?yàn)橛?jì)數(shù)場(chǎng)景里判據(jù)通常是形狀和面積不是顏色。高斯模糊的sigmaX給 0 時(shí) OpenCV 會(huì)按核大小自動(dòng)推算這里顯式寫 3 是為了讓模糊強(qiáng)度固定下來?yè)Q核大小的時(shí)候不至于一起漂。Canny 的雙閾值分工是低閾值決定邊緣的延續(xù)高閾值決定邊緣的起點(diǎn)兩者比值落在 1:2 到 1:3 之間比較穩(wěn)。膨脹一次把 Canny 斷開的邊緣接上閉運(yùn)算填掉物體內(nèi)部的小空洞避免一個(gè)物體被拆成兩個(gè)輪廓。參數(shù)上(5, 5)和sigmaX3是一組匹配值核半徑約 2sigma 取 1.5 到 3 都合理。kernel用 3×3 是起點(diǎn)如果物體邊緣在 640 寬度下斷口超過 6 像素可以換 5×5但迭代次數(shù)保持 1。迭代次數(shù)加到 2 以上相鄰物體之間的窄縫會(huì)被填平兩個(gè)物體粘成一個(gè)計(jì)數(shù)直接少一半。3.2 雙閾值怎么調(diào)先定高閾值再放低閾值調(diào)參順序很關(guān)鍵反過來調(diào)會(huì)一直在噪聲里打轉(zhuǎn)。我的習(xí)慣是先用 Single-image 模式加載一張有代表性的圖按下面的步驟走把Threshold2拉到 150 以上觀察邊緣是否只剩物體外輪廓背景紋理應(yīng)該基本消失。逐步降Threshold2直到物體輪廓連續(xù)但背景還沒起大片噪點(diǎn)記下這個(gè)值。把Threshold1從 30 開始往上加觀察輪廓是否閉合成環(huán)閉合即可停。切換到 Multi-image 跑 20 到 30 張看計(jì)數(shù)波動(dòng)波動(dòng)大的圖回單圖模式復(fù)查。不同場(chǎng)景的起點(diǎn)值差別不小可以拿這張表做參考再按實(shí)際畫面微調(diào)場(chǎng)景Threshold1Threshold2說明室內(nèi)白底小零件2570對(duì)比度高閾值可以壓低逆光傳送帶45120背景亮高閾值要抬高抑制反光低對(duì)比度泡沫件1550邊緣弱雙閾值都要降深色臺(tái)面金屬件3590反光點(diǎn)多配合面積過濾只調(diào)一個(gè)閾值的后果很明確Threshold2過高邊緣斷裂輪廓面積偏小會(huì)被minArea整片篩掉Threshold1過低背景噪點(diǎn)連成片閉運(yùn)算之后糊成一個(gè)大塊計(jì)數(shù)虛高。3.3 形態(tài)學(xué)核尺寸與物體間隙的關(guān)系膨脹和閉運(yùn)算都用同一個(gè) 3×3 核看起來省事但這里有個(gè)硬約束核的直徑必須小于相鄰物體的最小間隙。3×3 核膨脹一次物體邊緣向外擴(kuò)約 1 像素兩個(gè)物體間距小于 2 像素時(shí)就會(huì)粘上。如果現(xiàn)場(chǎng)零件挨得很近要么把核降到 2×2要么在預(yù)處理前先做一次腐蝕把間隙拉開代價(jià)是弱邊緣會(huì)丟。閉運(yùn)算的作用和膨脹不同它先膨脹后腐蝕填的是輪廓內(nèi)部的小孔對(duì)外輪廓的擴(kuò)張比純膨脹小。順序不能反先閉運(yùn)算再膨脹孔是填了但后續(xù)膨脹仍會(huì)把物體撐大先膨脹再閉運(yùn)算斷口接上之后閉運(yùn)算只處理內(nèi)部外形更接近真實(shí)邊界。注意形態(tài)學(xué)操作對(duì)二值圖有效Canny輸出是單通道 8 位圖值只有 0 和 255可以直接進(jìn)dilate。如果中間插了一步歸一化或者浮點(diǎn)轉(zhuǎn)換形態(tài)學(xué)函數(shù)會(huì)報(bào)類型錯(cuò)誤。3.4 拍照腳本與 ROI 遮罩圖像檢測(cè)模式的素材不是隨手拍的采集階段就要把背景干擾壓下去。data_collection.py里用了三個(gè)輔助函數(shù)Bbox_img在畫面中央畫紅框maskBbox對(duì)框外做高斯模糊Adjusted_image調(diào)亮度。def Bbox_img(img, bbox_scale0.5, bbox_color(0, 0, 255)): h, w img.shape[:2] bw, bh int(w * bbox_scale), int(h * bbox_scale) x1, y1 (w - bw) // 2, (h - bh) // 2 cv2.rectangle(img, (x1, y1), (x1 bw, y1 bh), bbox_color, 2) return img, (x1, y1, bw, bh) def maskBbox(img, position): x, y, w, h position mask np.zeros(img.shape[:2], np.uint8) mask[y:y h, x:x w] 255 # 大核模糊目的是讓框外失去高頻信息不是去噪 blur cv2.GaussianBlur(img, (21, 21), 0) return np.where(mask[..., None] 255, img, blur) def Adjusted_image(img, brightness_factor1.5): # 查表比逐像素乘法快uint8 溢出由 min 截?cái)?table np.array([min(255, int(i * brightness_factor)) for i in range(256)], np.uint8) return cv2.LUT(img, table)Bbox_img返回的元組必須原樣傳給maskBbox否則掩膜和紅框錯(cuò)位框外該糊的地方?jīng)]糊。bbox_scale取 0.5 表示框占畫面一半小零件調(diào)到 0.2 到 0.3讓物體盡量填滿框。GaussianBlur的 21×21 是刻意給的大核作用是讓框外的紋理徹底消失不是常規(guī)去噪核小了背景邊緣還會(huì)殘留。Adjusted_image用cv2.LUT而不是img * 1.5差別在視頻流里很明顯后者每幀都要產(chǎn)生一個(gè)浮點(diǎn)臨時(shí)數(shù)組再轉(zhuǎn)回uint8兩次內(nèi)存拷貝幀率會(huì)掉。brightness_factor1.5是經(jīng)驗(yàn)值畫面偏暗時(shí)給 1.8過曝時(shí)降到 0.8靠第二個(gè)軌跡欄實(shí)時(shí)調(diào)。4. 從輪廓到計(jì)數(shù)findContours 封裝與最大邊界框的三個(gè)參數(shù)4.1 封裝函數(shù)的簽名與參數(shù)含義原生的cv2.findContours只負(fù)責(zé)找輪廓篩面積、篩形狀、畫框、排序都得自己補(bǔ)。tally.py里把它封成一個(gè)函數(shù)簽名帶了六個(gè)參數(shù)每個(gè)都對(duì)應(yīng)一類現(xiàn)場(chǎng)問題。def findContours(img, imgPre, minArea1000, sortTrue, filter0, c(255, 0, 0)): conFound [] imgContours img.copy() # OpenCV 4.x 返回兩個(gè)值 contours, _ cv2.findContours(imgPre, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) for cnt in contours: area cv2.contourArea(cnt) if area minArea: # 粗篩噪點(diǎn) continue peri cv2.arcLength(cnt, True) approx cv2.approxPolyDP(cnt, 0.02 * peri, True) # 多邊形近似 if filter 0 and len(approx) ! filter: # 按邊數(shù)篩形狀 continue x, y, w, h cv2.boundingRect(approx) cx, cy x w // 2, y h // 2 if 3000 area 16000: # 有效面積區(qū)間才畫框 cv2.rectangle(imgContours, (x, y), (x w, y h), c, 2) cv2.circle(imgContours, (cx, cy), 5, (0, 255, 0), -1) conFound.append({cnt: cnt, area: area, bbox: (x, y, w, h), center: (cx, cy)}) if sort: conFound sorted(conFound, keylambda x: x[area], reverseTrue) return imgContours, conFound, len(conFound)邏輯上有幾處取舍值得說。RETR_EXTERNAL只取最外層輪廓大物體內(nèi)部的小孔不會(huì)被當(dāng)成獨(dú)立物體這是輪廓計(jì)數(shù)不虛高的前提。CHAIN_APPROX_NONE存下輪廓上的所有點(diǎn)內(nèi)存占用大但approxPolyDP的精度依賴點(diǎn)的密度用CHAIN_APPROX_SIMPLE會(huì)丟掉直線段上的中間點(diǎn)近似結(jié)果偏向多邊形頂點(diǎn)。0.02 * peri是近似精度值越小越貼合原始輪廓越大越接近規(guī)則多邊形。filter參數(shù)按邊數(shù)篩形狀filter4只留四邊形適合方形容器圓形物體邊數(shù)在近似后不穩(wěn)定別用這個(gè)參數(shù)會(huì)漏計(jì)。boundingRect傳入的是近似后的approx而不是原始cnt目的是讓毛刺不把外接框撐大。4.2 為什么從輪廓計(jì)數(shù)改成 boundingRect 計(jì)數(shù)初版是用len(conFound)直接當(dāng)數(shù)量也就是數(shù)輪廓個(gè)數(shù)。實(shí)測(cè)下來無(wú)論怎么調(diào)軌跡欄誤差都?jí)翰蛔∫粋€(gè)物體的邊緣被 Canny 斷成兩段就數(shù)成兩個(gè)兩個(gè)物體在二值圖上粘連就數(shù)成一個(gè)背景反光形成的小閉合環(huán)面積過了minArea又被算進(jìn)去。這些誤差不是調(diào)參能消掉的因?yàn)榕袚?jù)本身就不穩(wěn)。改成以boundingRect為單位計(jì)數(shù)后情況好轉(zhuǎn)每個(gè)輪廓只產(chǎn)生一個(gè)外接矩形計(jì)數(shù)以矩形為單位至少不會(huì)因?yàn)檩喞扑槎粋€(gè)物體出兩個(gè)框。邊界也很清楚——兩個(gè)物體粘連時(shí)外接矩形會(huì)把它們框成一個(gè)大矩形仍然計(jì)成 1 個(gè)。所以這個(gè)方案的準(zhǔn)確率上限由預(yù)處理決定核尺寸和閾值調(diào)不好后面怎么改計(jì)數(shù)邏輯都救不回來。改進(jìn)后的寫法會(huì)把面積判據(jù)換成外接矩形面積再加一道長(zhǎng)寬比過濾valid [] for cnt in contours: area cv2.contourArea(cnt) if area minArea: continue x, y, w, h cv2.boundingRect(cnt) rect_area w * h # 用外接矩形面積做二次篩選對(duì)邊緣毛刺不敏感 if not (3000 rect_area 16000): continue # 長(zhǎng)寬比過濾排除條狀反光和細(xì)長(zhǎng)噪聲 aspect w / float(h) if aspect 0.3 or aspect 3.0: continue valid.append({bbox: (x, y, w, h), area: rect_area}) total len(valid)contourArea對(duì)斷口敏感rect_area對(duì)外形毛刺不敏感兩個(gè)都用一遍相當(dāng)于雙重過濾。長(zhǎng)寬比這一道是針對(duì)傳送帶上的條狀反光加的正常零件長(zhǎng)寬比落在 0.5 到 2.0 之間設(shè) 0.3 和 3.0 是留了余量。4.3 面積閾值區(qū)間的標(biāo)定方法3000 到 16000 這個(gè)區(qū)間不是拍腦袋定的是從數(shù)據(jù)里打出來的。步驟可以照抄用 Single-image 模式加載一張典型圖把MinArea軌跡欄拉到 0讓所有輪廓都進(jìn)列表。在循環(huán)里臨時(shí)打印每個(gè)輪廓的contourArea和w*h觀察目標(biāo)物體的面積分布。取目標(biāo)物體面積的 10 分位做下限、90 分位做上限上下限比值控制在 3 到 5 倍。用 Multi-image 跑 20 到 30 張人工核對(duì)計(jì)數(shù)誤差超過 2 的圖單獨(dú)拎出來復(fù)查。把區(qū)間寫進(jìn)代碼或者配置文件軌跡欄上限同步調(diào)整。臨時(shí)打印的代碼片段# 標(biāo)定階段打開跑完刪掉 for i, cnt in enumerate(contours): a cv2.contourArea(cnt) x, y, w, h cv2.boundingRect(cnt) print(f#{i} contour{a:.0f} rect{w*h} fbbox({x},{y},{w},{h}) aspect{w/h:.2f})區(qū)間太窄是常見誤用同一批零件因?yàn)榫嚯x鏡頭遠(yuǎn)近不同面積能差一倍閾值卡在 5000 到 6000 之間就會(huì)漏掉遠(yuǎn)處的小件。反過來區(qū)間太寬噪聲也放進(jìn)來計(jì)數(shù)虛高。如果物體尺度變化確實(shí)很大面積閾值就不是好判據(jù)得換輪廓周長(zhǎng)或者干脆上檢測(cè)模型。4.4 三種模式的調(diào)度控制臺(tái)入口把三種模式串起來實(shí)時(shí)模式走攝像頭多圖模式走文件夾批量單圖模式是多圖模式的子集用來先調(diào)參再批量跑。def main(): print(1) Real-time 2) Multi-image 3) Single-image) mode input(select: ).strip() if mode 1: cap cv2.VideoCapture(0) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) run_realtime(cap) elif mode in (2, 3): folder input(image folder: ).strip() paths readPath(folder) if mode 3: paths paths[:1] # 單圖只取第一張 run_batch(paths)Single-image存在的意義是省時(shí)間批量跑 30 張要幾分鐘單圖調(diào)參只要幾十秒調(diào)好之后再批量驗(yàn)證避免跑完一批才發(fā)現(xiàn)閾值全錯(cuò)。readPath返回的路徑列表要按文件名排序否則多圖模式的表單順序和人工核對(duì)順序?qū)Σ簧吓挪闀r(shí)很痛苦。5. 避坑與排查五個(gè)把計(jì)數(shù)結(jié)果帶偏的細(xì)節(jié)5.1 API 版本差異findContours 的返回值個(gè)數(shù)現(xiàn)象代碼在別人的機(jī)器上跑得好好的換一臺(tái)就報(bào)ValueError: too many values to unpack (expected 2)指向contours, hierarchy cv2.findContours(...)這一行。原因OpenCV 3.x 的findContours返回三個(gè)值第一個(gè)是處理后的圖像后兩個(gè)才是輪廓和層級(jí)4.x 把圖像那個(gè)返回值去掉了只剩兩個(gè)。版本不同解包個(gè)數(shù)就不同。解決不想釘版本就寫兼容寫法用負(fù)索引取輪廓兩個(gè)版本都能對(duì)上found cv2.findContours(imgPre, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) contours found[-2] # 4.x 取 contours3.x 也取 contoursfound[-2]在 4.x 里是第一個(gè)元素在 3.x 里是第二個(gè)元素正好都是輪廓列表。另一處版本差異是cv2.CAP_PROP_FRAME_WIDTH這類常量3.x 里叫CV_CAP_PROP_FRAME_WIDTH新代碼統(tǒng)一用帶CAP_前綴的寫法。5.2 窗口與參數(shù)軌跡欄的三個(gè)典型翻車點(diǎn)現(xiàn)象一啟動(dòng)直接拋cv2.error: OpenCV(4.9.0) ... window not found。原因createTrackbar寫在namedWindow之前。軌跡欄必須掛到一個(gè)已經(jīng)存在的窗口上窗口沒建掛載就失敗。解決把namedWindow提到最前面所有createTrackbar跟在后面。切換圖片時(shí)不要重復(fù)調(diào)namedWindow用setTrackbarPos重置滑塊位置就行?，F(xiàn)象二上一張圖把Threshold1調(diào)到 60換一張圖后沒動(dòng)滑塊計(jì)數(shù)全錯(cuò)。原因軌跡欄是窗口級(jí)狀態(tài)不是每張圖獨(dú)立。批量模式下窗口只建一次滑塊值會(huì)一直沿用。解決單圖模式每次加載新圖后顯式把參數(shù)重置到默認(rèn)值def reset_trackbars(defaults: dict): for name, val in defaults.items(): cv2.setTrackbarPos(name, WINDOW, val) reset_trackbars({Threshold1: 30, Threshold2: 80, MinArea: 1000})更穩(wěn)的做法是把每張圖調(diào)好的最優(yōu)參數(shù)連同文件名一起記進(jìn)表單下次遇到同類圖直接查表設(shè)參不用重新試。現(xiàn)象三按s沒反應(yīng)或者要連按好幾下才觸發(fā)一次保存。原因cv2.waitKey(1)的返回值在某些平臺(tái)帶高位直接和ord(s)比較可能不相等另一種情況是waitKey寫在imshow之前窗口還沒刷新按鍵事件丟了。解決判斷寫成cv2.waitKey(1) 0xFF ord(s)并且保證imshow在前、waitKey在后。視頻流里waitKey的參數(shù)給 1 到 10 毫秒給 0 會(huì)阻塞。5.3 數(shù)據(jù)落盤中文路徑與 Excel 追加現(xiàn)象一readPath返回的路徑明明存在cv2.imread讀出來全是None后面cvtColor報(bào)斷言失敗。原因cv2.imread底層用 C 字符串打開文件路徑里有中文或特殊字符時(shí)打不開而且不拋異常靜默返回None。解決用numpy讀字節(jié)流再解碼寫文件同理def imread_unicode(path): data np.fromfile(path, dtypenp.uint8) return cv2.imdecode(data, cv2.IMREAD_COLOR) def imwrite_unicode(path, img): ext os.path.splitext(path)[1] ok, buf cv2.imencode(ext, img) if ok: buf.tofile(path) return okimdecode的第二個(gè)參數(shù)用IMREAD_COLOR保持三通道和后續(xù)處理鏈一致如果用IMREAD_UNCHANGED帶透明通道的 PNG 會(huì)變成四通道cvtColor的轉(zhuǎn)換碼要跟著改?，F(xiàn)象二第二次按s保存打開表格發(fā)現(xiàn)只剩一行之前的數(shù)據(jù)沒了。原因DataFrame.to_excel默認(rèn)modew每次寫都重建文件。哪怕傳的是已有文件路徑也是覆蓋。解決要么先讀舊表再concat要么直接用openpyxl追加行from openpyxl import load_workbook, Workbook def append_row(xlsx_path, row: dict): if os.path.exists(xlsx_path): wb load_workbook(xlsx_path) ws wb.active else: wb Workbook() ws wb.active ws.append(list(row.keys())) # 首行寫表頭 ws.append(list(row.values())) wb.save(xlsx_path)字典的鍵順序在 Python 3.7 以后是插入序表頭和數(shù)據(jù)的列能對(duì)上。追加前最好用絕對(duì)路徑查一遍已有表里的文件名避免同一張圖按兩次s寫兩行。這一點(diǎn)在批量模式里尤其重要重復(fù)行會(huì)讓后續(xù)統(tǒng)計(jì)的數(shù)量翻倍。6. 進(jìn)階用法把表單反哺成數(shù)據(jù)集標(biāo)注與參數(shù)回歸驗(yàn)證表單寫順了之后它的價(jià)值就不只是「記錄一下」而是變成一份可回歸的驗(yàn)證集。命名規(guī)則里如果帶上數(shù)量比如類別_日期_序號(hào)_數(shù)量.jpg文件名本身就是弱標(biāo)注不用再手工標(biāo)一遍。import pandas as pd df pd.read_excel(records.xlsx) # 從文件名尾部解析數(shù)量例如 part_20230618_001_12.jpg df[label] df[filename].str.extract(r_(\d)\.jpg$).astype(int) df[err] (df[count] - df[label]).abs() print(df.groupby(label)[err].agg([mean, max, count])) hard df[df[err] 2]err的均值看整體偏移max看最壞情況count看樣本量夠不夠。均值在 0.5 以內(nèi)、最大值不超過 2說明當(dāng)前參數(shù)在這一批圖上基本可用hard里拎出來的圖回去用 Single-image 模式逐張看面積分布和閾值調(diào)完再批量跑一遍形成「調(diào)參 → 批量 → 回歸」的閉環(huán)。這一步比盲目拖滑塊有效得多因?yàn)槊看胃膭?dòng)都有量化反饋。再往下走可以把hard里的圖當(dāng)成失敗集單獨(dú)統(tǒng)計(jì)它們的共同特征是面積偏小被minArea篩掉了還是長(zhǎng)寬比超限被過濾了。如果是前者說明面積區(qū)間下限要往下放如果是后者說明長(zhǎng)寬比閾值太緊。參數(shù)和失敗樣本對(duì)上號(hào)之后下一次換場(chǎng)景就有據(jù)可依不用從零試。從那以后我每次動(dòng)面積閾值或者形態(tài)學(xué)核尺寸都強(qiáng)制先用 Single-image 把面積分布打印一遍再跑 20 張批量看err分布最后才把參數(shù)寫死。省下來的返工時(shí)間比調(diào)參本身多得多。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取