简介这是一套面向精密制造与质检场景的超精密工件小孔几何尺寸自动化测量Python解决方案适合具备一定Python基础、希望快速落地视觉测量项目的工程师或研究者。代码包含完整测量流程支持数据采集、处理、结果分析与报告生成内置测试数据并附带模型与推理相关配置文件解压后即可运行验证。压缩包共389个文件约221.02MB主要涵盖41个py脚本、44个yaml配置、6个pt权重、216个jpg图像及若干xml、txt等辅助文件结构清晰便于按模块阅读与二次开发。目前已有82人学习使用实测运行顺畅可大幅减少人工测量误差提升小孔尺寸检测效率尤其适合引入自动化产线或作为研究基线参考。1. 超精密工件小孔几何尺寸测量为什么卡在“人手一测结果各异”产线质检最磨人的不是设备不够贵而是同一批微孔工件上午测一个值下午换个人测又差出好几微米。孔径小到零点几毫米时对焦稍微偏一点、光源亮度变一档、卡尺读数估算位置差一个像素结果就完全不一样。这种重复性差的问题本质不在量具而在测量链路里有太多“人工决定”的环节。把对焦、取图、边缘判定、尺寸换算全部交给脚本才能让结果跟着算法走而不是跟着人手走。这套基于 OpenCV Python 的自动化小孔几何尺寸测量方案就是围绕这条链路设计的固定光源和相机自动拍图、自动找边缘、自动拟合圆并输出尺寸到报表。适合小批量多批次的精密零件检测也适合产线质检员把日常抽检交给脚本自己复核。这套方案解决的不是“测得更精准”的玄学而是把测量过程变成可复现、可追溯、可批量跑的标准化步骤。只要你手里有工业相机或者高倍率显微摄像头哪怕没有专门的图像测量软件也能用 Python 脚本把孔径测量做起来。全文的思路是先标定像素当量再做图像预处理然后提取亚像素边缘并拟合几何形状最后批量跑数据和验证精度。2. 像素标定与图像预处理把“微米”和“像素”之间先搭好桥2.1 硬件摆放与标定原理先让像素和微米建立换算关系小孔测量的第一步不是写识别算法而是确定每个像素对应多少微米这个值叫像素当量Pixel Calibration Factor。计算方法简单拿一个已知直径的校准环或标准量块放在被测工件同等高度拍一张图用同样的边缘提取代码量出校准件的像素直径然后用真实直径除以像素直径得到每像素的微米数。这套方案里建议使用背光照明光源放在工件下方相机从上往下拍小孔区域表现为亮场中的暗圆。这样孔边缘的灰度变化最陡便于后续提取亚像素边缘。如果现场只有环形光或同轴光要注意反光产生的亮斑会直接影响边缘位置。# calibration.py - 像素当量标定脚本 import cv2 import numpy as np def calc_pixel_per_mm(image_path, known_diameter_mm): img cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) _, binary cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU) contours, _ cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) contour max(contours, keycv2.contourArea) _, radius cv2.minEnclosingCircle(contour) pixel_diameter radius * 2 return known_diameter_mm / pixel_diameter # 单位: mm/pixel # 用直径2.000mm的标准校准环得到每像素毫米数 mm_per_pixel calc_pixel_per_mm(calib_ring.png, 2.000) print(f像素当量: {mm_per_pixel:.6f} mm/pixel)这段代码先用 Otsu 自适应阈值做二值化再筛选出面积最大的轮廓用最小外接圆算出直径。逻辑上有一点要注意cv2.minEnclosingCircle是基于轮廓像素点集的如果校准件边缘存在毛刺会对结果产生零点几个像素的扰动。所以标定时尽量让工件表面干净、光源均匀。2.2 测试数据目录组织脚本跑起来前先让文件结构固定自动化方案里文件命名和目录结构就是隐形的接口。我一般这样组织measurement_project/ ├── images/ │ ├── raw/ # 原始拍摄图像 │ └── test_data/ # 内置测试数据模拟不同光照和位置 ├── outputs/ # 测量结果 CSV 和标注图 ├── config.yaml # 测量参数配置 ├── calibrate.py # 标定脚本 └── measure_batch.py # 批量测量脚本测试数据在项目里很重要直接决定脚本能不能一跑就通。内置测试数据至少应包含三种情况正常光照下的清晰孔、轻微欠曝的图像、带轻微噪声的图。这样能验证脚本在非理想条件下不会崩。当测试数据全部跑通后再把相机架到产线上拍真实工件替换 raw 目录里的图片即可。2.3 预处理中值滤波和形态学开运算的取舍小孔图像的噪声主要来自传感器暗电流和光源纹波。直接对原图做边缘提取会把噪声当边缘导致拟合出的圆直径偏大。常见的预处理组合是先做中值滤波去除椒盐噪声再做一次高斯滤波平滑灰度梯度。如果孔边缘存在轻微毛刺或灰尘可以用形态学开运算去除小凸起。import cv2 import numpy as np def preprocess_image(gray_img, median_ksize5, gaussian_sigma1.0): # 中值滤波去孤立噪点ksize必须是奇数 filtered cv2.medianBlur(gray_img, median_ksize) # 高斯滤波平滑灰度过渡带sigma控制平滑程度 blurred cv2.GaussianBlur(filtered, (0, 0), sigmaXgaussian_sigma) return blurred img cv2.imread(images/test_data/aperture_01.png, cv2.IMREAD_GRAYSCALE) processed preprocess_image(img) cv2.imwrite(outputs/processed_preview.png, processed)中值滤波的核大小建议从 3 开始试5 是常用值。核太大会把边缘真实位置“抹”掉因为中值滤波在边缘附近会改变灰度分布。高斯滤波的 sigma 不宜超过 2.0否则边缘过渡带变宽亚像素定位的梯度峰值会变得不明显。3. 边缘提取与几何拟合把像素级的圆变成微米级的直径3.1 像素级边缘 vs 亚像素边缘为什么直接量轮廓不靠谱直接用cv2.findContours找边缘精度上限是 1 个像素。在像素当量为 0.005 mm/px 的成像条件下±1 像素的误差是 ±0.005 mm也就是 ±5 微米。精密小孔的尺寸公差经常是 ±10 微米以内这意味着像素级检测占了公差的一半以上不能接受。亚像素边缘提取常用灰度矩法或高斯拟合。核心思想是边缘不是落在某一个像素上而是落在一段灰度斜坡上。用灰度梯度方向上的像素灰度值做一个加权拟合找到梯度变化的极值点这个点的坐标是浮点数。# subpixel_edge.py - 沿某方向做亚像素边缘定位 import cv2 import numpy as np def subpixel_edge_position(profile): profile: 沿边缘法线方向提取的灰度数组长度5 返回: 亚像素边缘位置浮点数单位: px # 计算一阶导数使用中心差分 grad np.gradient(profile.astype(np.float32)) # 找梯度绝对值最大的点作为初始位置 peak_idx int(np.argmax(np.abs(grad))) # 在峰值附近做三点抛物线插值得到更精确的位置 idx_range slice(max(0, peak_idx-1), min(len(profile), peak_idx2)) x np.array([peak_idx-1, peak_idx, peak_idx1], dtypenp.float32) y grad[idx_range] # 抛物线顶点公式: x_vertex x1 - 0.5 * ((y2-y1)*(x2-x1)^2 / ... ) 简化处理 denom (y[0] - y[2]) / (y[0] - 2*y[1] y[2] 1e-12) subpixel_offset 0.5 * denom return peak_idx subpixel_offset这个函数是个简化的抛物线插值逻辑实际工程中更稳妥的做法是用 OpenCV 的cv2.findContours拿到像素级轮廓后沿每个轮廓点的法线方向再执行一次上述亚像素细化。这样每个轮廓点都变成亚像素坐标再送进拟合环节。3.2 拟合圆而不是拟合轮廓最小二乘法的抗噪能力边缘提取后得到一坨轮廓点不能直接取这些点的平均直径。因为某个局部毛刺会拉偏最小值某个凹坑又会让最大值失真。常见做法是使用最小二乘法拟合圆让所有边缘点共同决定圆心和半径这样单个异常点的影响权重被摊薄。下面直接给出一个可运行的测量核心代码# measure_single.py - 单张图像的孔径测量 import cv2 import numpy as np from scipy import optimize def fit_circle_least_squares(points): points: (N, 2) 的亚像素边缘点数组 返回 (cx, cy, radius) def residuals(params): cx, cy, r params return np.sqrt((points[:, 0] - cx)**2 (points[:, 1] - cy)**2) - r # 初始值用轮廓的均值作为圆心平均距离作为半径 xm np.mean(points[:, 0]) ym np.mean(points[:, 1]) rm np.mean(np.sqrt((points[:, 0] - xm)**2 (points[:, 1] - ym)**2)) result optimize.least_squares(residuals, x0[xm, ym, rm]) return result.x # cx, cy, radius # 主流程 img cv2.imread(images/test_data/aperture_01.png, cv2.IMREAD_GRAYSCALE) img cv2.medianBlur(img, 5) _, binary cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU) contours, _ cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) contour max(contours, keycv2.contourArea) pts contour.reshape(-1, 2).astype(np.float64) cx, cy, r_pix fit_circle_least_squares(pts) diameter_mm 2 * r_pix * mm_per_pixel # mm_per_pixel 来自标定结果 print(f圆心: ({cx:.2f}, {cy:.2f}), 直径: {diameter_mm:.4f} mm)用scipy.optimize.least_squares做非线性拟合比直接做代数最小二乘更稳定因为它迭代优化的是真实的几何距离残差。这段代码里把contour.reshape(-1, 2)直接把轮廓点展开省去对每个点做亚像素细化实际精度会稍低一点但胜在代码简洁。正式测量时把fit_circle_least_squares的输入替换成亚像素细化后的点集即可。3.3 核心参数速查表边缘提取时大概率会动的几个数参数位置常见取值偏离后果median_ksizemedianBlur3~7过大边缘模糊过小噪声残留THRESH_OTSU 阈值系数threshold自动背光不足时可改为手动阈值 80~120轮廓面积筛选下限max(contours, key)最大面积图片中有杂质时需要用面积阈值排除干扰拟合算法least_squares-换成 RANSAC 可进一步抗离群点像素当量标定值随倍率变化每调一次镜头必须重新标定一个容易被忽略的坑Otsu 阈值在孔与背景对比度变化时自动阈值会漂移导致边缘外扩或内缩几个像素。解决办法是固定光源亮度后手动指定阈值区间用cv2.threshold(img, 100, 255, cv2.THRESH_BINARY_INV)这类方式做硬阈值而不是每次都靠 Otsu 自动算。4. 批量自动化测量参数外置、结果导出与异常兜底4.1 用配置参数控制每一次测量而不是靠改代码自动化脚本一旦跑在产线上就不该有人天天去改 Python 源码。常见做法是把测量参数放在config.yaml里脚本启动时读入每次换产品型号只改配置文件不动代码。# config.yaml camera: pixel_per_mm: 0.005 # 由标定获得换镜头或变倍后必须更新 exposure_auto: false measure: median_ksize: 5 gaussian_sigma: 1.0 threshold_method: otsu # 可选: otsu 或 manual manual_threshold: 120 # threshold_methodmanual 时生效 min_area_ratio: 0.7 # 相对于最大轮廓面积的比例阈值 output: csv_path: outputs/measurement_results.csv save_overlay: true # 是否保存标注圆心的预览图配置文件的好处是同一个脚本可以应对不同孔径范围的产品。如果你这边测的孔是 0.3 mm那边是 5 mm只需要重新标定pixel_per_mm再把min_area_ratio调一下脚本主体完全不动。4.2 遍历目录批量测量并写 CSV有了配置和单张测量函数后批量测量就是把目录里的图片全部跑一遍然后把结果累加进表格。# measure_batch.py import cv2 import numpy as np import os import glob import csv import yaml from scipy import optimize def measure_image(img_path, cfg): img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) if img is None: return None img cv2.medianBlur(img, cfg[measure][median_ksize]) gaussian_sigma cfg[measure][gaussian_sigma] img cv2.GaussianBlur(img, (0, 0), sigmaXgaussian_sigma) if cfg[measure][threshold_method] otsu: _, binary cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU) else: _, binary cv2.threshold(img, cfg[measure][manual_threshold], 255, cv2.THRESH_BINARY_INV) contours, _ cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) if not contours: return None contour max(contours, keycv2.contourArea) pts contour.reshape(-1, 2).astype(np.float64) cx, cy, r fit_circle_least_squares(pts) diameter_mm 2 * r * cfg[camera][pixel_per_mm] return cx, cy, diameter_mm with open(config.yaml, r, encodingutf-8) as f: cfg yaml.safe_load(f) images sorted(glob.glob(images/raw/*.png) glob.glob(images/raw/*.jpg)) with open(cfg[output][csv_path], w, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerow([image, cx_px, cy_px, diameter_mm]) for img_path in images: result measure_image(img_path, cfg) if result is None: writer.writerow([os.path.basename(img_path), , , ERROR]) continue cx, cy, dia result writer.writerow([os.path.basename(img_path), f{cx:.2f}, f{cy:.2f}, f{dia:.4f}]) print(f{os.path.basename(img_path)}: {dia:.4f} mm)glob是读取整个目录图片最省事的工具配合sorted能保证处理顺序稳定。csv.writer把结果逐行写入避免了 pandas 在无 GUI 环境下偶尔遇到的打印截断和依赖问题。4.3 异常兜底不是每张图都能测出直径产线上拍摄的照片不会张张完美常见的异常有三种图像全黑或全白导致找不到轮廓、多孔重叠导致面积最大的轮廓不是目标孔、孔边缘被油污遮盖导致拟合半径异常偏大。# 在批量测量循环里加上简单判定 if result is None: continue cx, cy, dia result if not (min_d dia max_d): # 根据产品公差设定上下限 print(fWARNING: {img_path} 直径 {dia:.4f}mm 超出范围)这个上下限判断很重要孔径测量最怕的不是测不准而是测出一个大小差不多的错误值还没人发现。给直径设定合理的上下限可以把拟合失败的图自动过滤出来留给人工复查而不是让错误数据混进报表。5. 用测试数据验证精度标定件法实测重复性误差自动化脚本写完后不能直接拉去测产品。先用内置测试数据反复跑再用标准件做重复性验证测出这个系统在当前硬件条件下的真实误差范围之后才好判断测量数据是否可信。5.1 重复性验证套路同一张图连测 20 次把同一张测试图像复制到images/test_data/目录下命名成 20 个不同文件名跑一遍批量脚本然后看输出直径的最大值与最小值之差。如果差值超过 1 微米问题多半出在阈值或滤波环节而不是拟合算法。# 用shell快速生成重复文件做测试 for i in $(seq -w 1 20); do cp images/test_data/aperture_01.png images/test_data/repeat_$i.png; done python measure_batch.py跑完后打开outputs/measurement_results.csv只关注diameter_mm列的极差。同一张图理论上是同一组边缘结果应该完全一致如果出现波动说明预处理环节引入了随机性检查滤波核大小和阈值是否固定。5.2 不同位置、不同光照下的鲁棒性测试测试数据的价值在于覆盖边缘情况。把工件稍微平移、旋转、调低亮度各拍几张然后跑同一套脚本。鲁棒性好的系统直径结果应该稳定在 ±3 微米以内。如果亮度变化导致结果漂移明显优先把 Otsu 改成固定阈值或者增加一个归一化预处理把图像灰度线性拉伸到固定范围。常见测量误来源还有反光造成的边缘虚化、孔口倒角造成的边缘过渡带增宽、灰尘在孔内形成的假轮廓。遇到倒角孔时边缘位置本来就存在过渡区域所谓的“真实直径”取决于你定义边缘在过渡带的哪个位置。工业上一般约定用灰度梯度峰值点作为边缘这样不同工件之间才有可比性。这套方案不是万能的它依赖稳定光源和固定物距。如果你现场装的是变倍镜头每次变倍后必须重新标定否则误差会直接翻倍。如果小孔直径小于 0.1 mm建议先确认成像系统的光学分辨率是否支持不要指望软件算法弥补硬件物理极限。把自动化和人工复核结合起来才是小孔尺寸测量最稳妥的落地方式。本文还有配套的精品资源点击获取
基于OpenCV与Python的小孔几何尺寸自动化测量方案
简介这是一套面向精密制造与质检场景的超精密工件小孔几何尺寸自动化测量Python解决方案适合具备一定Python基础、希望快速落地视觉测量项目的工程师或研究者。代码包含完整测量流程支持数据采集、处理、结果分析与报告生成内置测试数据并附带模型与推理相关配置文件解压后即可运行验证。压缩包共389个文件约221.02MB主要涵盖41个py脚本、44个yaml配置、6个pt权重、216个jpg图像及若干xml、txt等辅助文件结构清晰便于按模块阅读与二次开发。目前已有82人学习使用实测运行顺畅可大幅减少人工测量误差提升小孔尺寸检测效率尤其适合引入自动化产线或作为研究基线参考。1. 超精密工件小孔几何尺寸测量为什么卡在“人手一测结果各异”产线质检最磨人的不是设备不够贵而是同一批微孔工件上午测一个值下午换个人测又差出好几微米。孔径小到零点几毫米时对焦稍微偏一点、光源亮度变一档、卡尺读数估算位置差一个像素结果就完全不一样。这种重复性差的问题本质不在量具而在测量链路里有太多“人工决定”的环节。把对焦、取图、边缘判定、尺寸换算全部交给脚本才能让结果跟着算法走而不是跟着人手走。这套基于 OpenCV Python 的自动化小孔几何尺寸测量方案就是围绕这条链路设计的固定光源和相机自动拍图、自动找边缘、自动拟合圆并输出尺寸到报表。适合小批量多批次的精密零件检测也适合产线质检员把日常抽检交给脚本自己复核。这套方案解决的不是“测得更精准”的玄学而是把测量过程变成可复现、可追溯、可批量跑的标准化步骤。只要你手里有工业相机或者高倍率显微摄像头哪怕没有专门的图像测量软件也能用 Python 脚本把孔径测量做起来。全文的思路是先标定像素当量再做图像预处理然后提取亚像素边缘并拟合几何形状最后批量跑数据和验证精度。2. 像素标定与图像预处理把“微米”和“像素”之间先搭好桥2.1 硬件摆放与标定原理先让像素和微米建立换算关系小孔测量的第一步不是写识别算法而是确定每个像素对应多少微米这个值叫像素当量Pixel Calibration Factor。计算方法简单拿一个已知直径的校准环或标准量块放在被测工件同等高度拍一张图用同样的边缘提取代码量出校准件的像素直径然后用真实直径除以像素直径得到每像素的微米数。这套方案里建议使用背光照明光源放在工件下方相机从上往下拍小孔区域表现为亮场中的暗圆。这样孔边缘的灰度变化最陡便于后续提取亚像素边缘。如果现场只有环形光或同轴光要注意反光产生的亮斑会直接影响边缘位置。# calibration.py - 像素当量标定脚本 import cv2 import numpy as np def calc_pixel_per_mm(image_path, known_diameter_mm): img cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) _, binary cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU) contours, _ cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) contour max(contours, keycv2.contourArea) _, radius cv2.minEnclosingCircle(contour) pixel_diameter radius * 2 return known_diameter_mm / pixel_diameter # 单位: mm/pixel # 用直径2.000mm的标准校准环得到每像素毫米数 mm_per_pixel calc_pixel_per_mm(calib_ring.png, 2.000) print(f像素当量: {mm_per_pixel:.6f} mm/pixel)这段代码先用 Otsu 自适应阈值做二值化再筛选出面积最大的轮廓用最小外接圆算出直径。逻辑上有一点要注意cv2.minEnclosingCircle是基于轮廓像素点集的如果校准件边缘存在毛刺会对结果产生零点几个像素的扰动。所以标定时尽量让工件表面干净、光源均匀。2.2 测试数据目录组织脚本跑起来前先让文件结构固定自动化方案里文件命名和目录结构就是隐形的接口。我一般这样组织measurement_project/ ├── images/ │ ├── raw/ # 原始拍摄图像 │ └── test_data/ # 内置测试数据模拟不同光照和位置 ├── outputs/ # 测量结果 CSV 和标注图 ├── config.yaml # 测量参数配置 ├── calibrate.py # 标定脚本 └── measure_batch.py # 批量测量脚本测试数据在项目里很重要直接决定脚本能不能一跑就通。内置测试数据至少应包含三种情况正常光照下的清晰孔、轻微欠曝的图像、带轻微噪声的图。这样能验证脚本在非理想条件下不会崩。当测试数据全部跑通后再把相机架到产线上拍真实工件替换 raw 目录里的图片即可。2.3 预处理中值滤波和形态学开运算的取舍小孔图像的噪声主要来自传感器暗电流和光源纹波。直接对原图做边缘提取会把噪声当边缘导致拟合出的圆直径偏大。常见的预处理组合是先做中值滤波去除椒盐噪声再做一次高斯滤波平滑灰度梯度。如果孔边缘存在轻微毛刺或灰尘可以用形态学开运算去除小凸起。import cv2 import numpy as np def preprocess_image(gray_img, median_ksize5, gaussian_sigma1.0): # 中值滤波去孤立噪点ksize必须是奇数 filtered cv2.medianBlur(gray_img, median_ksize) # 高斯滤波平滑灰度过渡带sigma控制平滑程度 blurred cv2.GaussianBlur(filtered, (0, 0), sigmaXgaussian_sigma) return blurred img cv2.imread(images/test_data/aperture_01.png, cv2.IMREAD_GRAYSCALE) processed preprocess_image(img) cv2.imwrite(outputs/processed_preview.png, processed)中值滤波的核大小建议从 3 开始试5 是常用值。核太大会把边缘真实位置“抹”掉因为中值滤波在边缘附近会改变灰度分布。高斯滤波的 sigma 不宜超过 2.0否则边缘过渡带变宽亚像素定位的梯度峰值会变得不明显。3. 边缘提取与几何拟合把像素级的圆变成微米级的直径3.1 像素级边缘 vs 亚像素边缘为什么直接量轮廓不靠谱直接用cv2.findContours找边缘精度上限是 1 个像素。在像素当量为 0.005 mm/px 的成像条件下±1 像素的误差是 ±0.005 mm也就是 ±5 微米。精密小孔的尺寸公差经常是 ±10 微米以内这意味着像素级检测占了公差的一半以上不能接受。亚像素边缘提取常用灰度矩法或高斯拟合。核心思想是边缘不是落在某一个像素上而是落在一段灰度斜坡上。用灰度梯度方向上的像素灰度值做一个加权拟合找到梯度变化的极值点这个点的坐标是浮点数。# subpixel_edge.py - 沿某方向做亚像素边缘定位 import cv2 import numpy as np def subpixel_edge_position(profile): profile: 沿边缘法线方向提取的灰度数组长度5 返回: 亚像素边缘位置浮点数单位: px # 计算一阶导数使用中心差分 grad np.gradient(profile.astype(np.float32)) # 找梯度绝对值最大的点作为初始位置 peak_idx int(np.argmax(np.abs(grad))) # 在峰值附近做三点抛物线插值得到更精确的位置 idx_range slice(max(0, peak_idx-1), min(len(profile), peak_idx2)) x np.array([peak_idx-1, peak_idx, peak_idx1], dtypenp.float32) y grad[idx_range] # 抛物线顶点公式: x_vertex x1 - 0.5 * ((y2-y1)*(x2-x1)^2 / ... ) 简化处理 denom (y[0] - y[2]) / (y[0] - 2*y[1] y[2] 1e-12) subpixel_offset 0.5 * denom return peak_idx subpixel_offset这个函数是个简化的抛物线插值逻辑实际工程中更稳妥的做法是用 OpenCV 的cv2.findContours拿到像素级轮廓后沿每个轮廓点的法线方向再执行一次上述亚像素细化。这样每个轮廓点都变成亚像素坐标再送进拟合环节。3.2 拟合圆而不是拟合轮廓最小二乘法的抗噪能力边缘提取后得到一坨轮廓点不能直接取这些点的平均直径。因为某个局部毛刺会拉偏最小值某个凹坑又会让最大值失真。常见做法是使用最小二乘法拟合圆让所有边缘点共同决定圆心和半径这样单个异常点的影响权重被摊薄。下面直接给出一个可运行的测量核心代码# measure_single.py - 单张图像的孔径测量 import cv2 import numpy as np from scipy import optimize def fit_circle_least_squares(points): points: (N, 2) 的亚像素边缘点数组 返回 (cx, cy, radius) def residuals(params): cx, cy, r params return np.sqrt((points[:, 0] - cx)**2 (points[:, 1] - cy)**2) - r # 初始值用轮廓的均值作为圆心平均距离作为半径 xm np.mean(points[:, 0]) ym np.mean(points[:, 1]) rm np.mean(np.sqrt((points[:, 0] - xm)**2 (points[:, 1] - ym)**2)) result optimize.least_squares(residuals, x0[xm, ym, rm]) return result.x # cx, cy, radius # 主流程 img cv2.imread(images/test_data/aperture_01.png, cv2.IMREAD_GRAYSCALE) img cv2.medianBlur(img, 5) _, binary cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU) contours, _ cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) contour max(contours, keycv2.contourArea) pts contour.reshape(-1, 2).astype(np.float64) cx, cy, r_pix fit_circle_least_squares(pts) diameter_mm 2 * r_pix * mm_per_pixel # mm_per_pixel 来自标定结果 print(f圆心: ({cx:.2f}, {cy:.2f}), 直径: {diameter_mm:.4f} mm)用scipy.optimize.least_squares做非线性拟合比直接做代数最小二乘更稳定因为它迭代优化的是真实的几何距离残差。这段代码里把contour.reshape(-1, 2)直接把轮廓点展开省去对每个点做亚像素细化实际精度会稍低一点但胜在代码简洁。正式测量时把fit_circle_least_squares的输入替换成亚像素细化后的点集即可。3.3 核心参数速查表边缘提取时大概率会动的几个数参数位置常见取值偏离后果median_ksizemedianBlur3~7过大边缘模糊过小噪声残留THRESH_OTSU 阈值系数threshold自动背光不足时可改为手动阈值 80~120轮廓面积筛选下限max(contours, key)最大面积图片中有杂质时需要用面积阈值排除干扰拟合算法least_squares-换成 RANSAC 可进一步抗离群点像素当量标定值随倍率变化每调一次镜头必须重新标定一个容易被忽略的坑Otsu 阈值在孔与背景对比度变化时自动阈值会漂移导致边缘外扩或内缩几个像素。解决办法是固定光源亮度后手动指定阈值区间用cv2.threshold(img, 100, 255, cv2.THRESH_BINARY_INV)这类方式做硬阈值而不是每次都靠 Otsu 自动算。4. 批量自动化测量参数外置、结果导出与异常兜底4.1 用配置参数控制每一次测量而不是靠改代码自动化脚本一旦跑在产线上就不该有人天天去改 Python 源码。常见做法是把测量参数放在config.yaml里脚本启动时读入每次换产品型号只改配置文件不动代码。# config.yaml camera: pixel_per_mm: 0.005 # 由标定获得换镜头或变倍后必须更新 exposure_auto: false measure: median_ksize: 5 gaussian_sigma: 1.0 threshold_method: otsu # 可选: otsu 或 manual manual_threshold: 120 # threshold_methodmanual 时生效 min_area_ratio: 0.7 # 相对于最大轮廓面积的比例阈值 output: csv_path: outputs/measurement_results.csv save_overlay: true # 是否保存标注圆心的预览图配置文件的好处是同一个脚本可以应对不同孔径范围的产品。如果你这边测的孔是 0.3 mm那边是 5 mm只需要重新标定pixel_per_mm再把min_area_ratio调一下脚本主体完全不动。4.2 遍历目录批量测量并写 CSV有了配置和单张测量函数后批量测量就是把目录里的图片全部跑一遍然后把结果累加进表格。# measure_batch.py import cv2 import numpy as np import os import glob import csv import yaml from scipy import optimize def measure_image(img_path, cfg): img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) if img is None: return None img cv2.medianBlur(img, cfg[measure][median_ksize]) gaussian_sigma cfg[measure][gaussian_sigma] img cv2.GaussianBlur(img, (0, 0), sigmaXgaussian_sigma) if cfg[measure][threshold_method] otsu: _, binary cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU) else: _, binary cv2.threshold(img, cfg[measure][manual_threshold], 255, cv2.THRESH_BINARY_INV) contours, _ cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) if not contours: return None contour max(contours, keycv2.contourArea) pts contour.reshape(-1, 2).astype(np.float64) cx, cy, r fit_circle_least_squares(pts) diameter_mm 2 * r * cfg[camera][pixel_per_mm] return cx, cy, diameter_mm with open(config.yaml, r, encodingutf-8) as f: cfg yaml.safe_load(f) images sorted(glob.glob(images/raw/*.png) glob.glob(images/raw/*.jpg)) with open(cfg[output][csv_path], w, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerow([image, cx_px, cy_px, diameter_mm]) for img_path in images: result measure_image(img_path, cfg) if result is None: writer.writerow([os.path.basename(img_path), , , ERROR]) continue cx, cy, dia result writer.writerow([os.path.basename(img_path), f{cx:.2f}, f{cy:.2f}, f{dia:.4f}]) print(f{os.path.basename(img_path)}: {dia:.4f} mm)glob是读取整个目录图片最省事的工具配合sorted能保证处理顺序稳定。csv.writer把结果逐行写入避免了 pandas 在无 GUI 环境下偶尔遇到的打印截断和依赖问题。4.3 异常兜底不是每张图都能测出直径产线上拍摄的照片不会张张完美常见的异常有三种图像全黑或全白导致找不到轮廓、多孔重叠导致面积最大的轮廓不是目标孔、孔边缘被油污遮盖导致拟合半径异常偏大。# 在批量测量循环里加上简单判定 if result is None: continue cx, cy, dia result if not (min_d dia max_d): # 根据产品公差设定上下限 print(fWARNING: {img_path} 直径 {dia:.4f}mm 超出范围)这个上下限判断很重要孔径测量最怕的不是测不准而是测出一个大小差不多的错误值还没人发现。给直径设定合理的上下限可以把拟合失败的图自动过滤出来留给人工复查而不是让错误数据混进报表。5. 用测试数据验证精度标定件法实测重复性误差自动化脚本写完后不能直接拉去测产品。先用内置测试数据反复跑再用标准件做重复性验证测出这个系统在当前硬件条件下的真实误差范围之后才好判断测量数据是否可信。5.1 重复性验证套路同一张图连测 20 次把同一张测试图像复制到images/test_data/目录下命名成 20 个不同文件名跑一遍批量脚本然后看输出直径的最大值与最小值之差。如果差值超过 1 微米问题多半出在阈值或滤波环节而不是拟合算法。# 用shell快速生成重复文件做测试 for i in $(seq -w 1 20); do cp images/test_data/aperture_01.png images/test_data/repeat_$i.png; done python measure_batch.py跑完后打开outputs/measurement_results.csv只关注diameter_mm列的极差。同一张图理论上是同一组边缘结果应该完全一致如果出现波动说明预处理环节引入了随机性检查滤波核大小和阈值是否固定。5.2 不同位置、不同光照下的鲁棒性测试测试数据的价值在于覆盖边缘情况。把工件稍微平移、旋转、调低亮度各拍几张然后跑同一套脚本。鲁棒性好的系统直径结果应该稳定在 ±3 微米以内。如果亮度变化导致结果漂移明显优先把 Otsu 改成固定阈值或者增加一个归一化预处理把图像灰度线性拉伸到固定范围。常见测量误来源还有反光造成的边缘虚化、孔口倒角造成的边缘过渡带增宽、灰尘在孔内形成的假轮廓。遇到倒角孔时边缘位置本来就存在过渡区域所谓的“真实直径”取决于你定义边缘在过渡带的哪个位置。工业上一般约定用灰度梯度峰值点作为边缘这样不同工件之间才有可比性。这套方案不是万能的它依赖稳定光源和固定物距。如果你现场装的是变倍镜头每次变倍后必须重新标定否则误差会直接翻倍。如果小孔直径小于 0.1 mm建议先确认成像系统的光学分辨率是否支持不要指望软件算法弥补硬件物理极限。把自动化和人工复核结合起来才是小孔尺寸测量最稳妥的落地方式。本文还有配套的精品资源点击获取
