鋰電池極片裁切毛刺檢測這件事我在視覺檢測這一行摸爬滾打了十多年真正把它當作一個嚴肅的課題來研究是從一次產線上的短路事故分析開始的。那批電芯在化成分容階段出現了不少低壓不良拆解后確認是負極片邊緣的金屬毛刺刺穿了隔膜。從那以后我花了大量時間在Baumer相機、OpenCV和Halcon這套組合上專門對付極片毛刺。極片裁切毛刺之所以讓人頭疼是因為它不像表面劃傷那樣肉眼可辨。裁切邊緣的毛刺可能只有幾微米到幾十微米形態上可能是豎立的尖刺、翻卷的金屬屑甚至是藕斷絲連的“拖尾”。這些毛刺在后續卷繞或疊片工藝中一旦刺穿隔膜正負極直接接觸內部短路就發生了。輕則電芯自放電率超標重則引發熱失控這不是鬧著玩的。所以產線上對極片裁切質量的管控毛刺檢測是剛需中的剛需。這篇文章我不打算泛泛而談而是把我在實際項目中驗證過的5個核心方法完整拆解出來配上Baumer相機的選型思路、OpenCV的快速驗證代碼和Halcon的工程化實現。適合正在做鋰電視覺檢測的工程師、準備入行機器視覺的開發者以及產線上被毛刺問題困擾的工藝人員參考。內容會涉及具體的參數和算法邏輯有些地方會比較硬核但我盡量把每一步的為什么講清楚。1. 極片裁切毛刺的物理特性與光學成像難點為什么這活兒不好干搞視覺檢測的人第一反應往往是“不就檢測個毛刺嗎拍清楚不就完了”。真上了產線你會發現極片毛刺檢測是視覺檢測里的硬骨頭難點不在于“看到”而在于“看得準”和“看得快”。1.1 毛刺的尺寸量級與形態分類極片裁切后的邊緣毛刺按照行業通行標準一般分為幾種形態。豎立毛刺垂直于極片表面方向生長尺寸通常在5到50微米之間最危險因為它的方向正好對著隔膜卷邊毛刺裁切時金屬延展形成翻卷形狀像鉤子容易在卷繞時刮傷隔膜還有金屬屑殘留這是裁切刀磨損后掉落的碎屑可能粘附在極片邊緣或表面。這里要說一個關鍵點電芯廠對毛刺的管控尺寸不同工藝段要求不同。分切工序的毛刺標準一般控制在15微米以內模切工序要求更嚴有些高端動力電池廠已經要求控制在8微米以內。這意味著視覺系統的分辨率設計至少要能穩定分辨5微米以下的缺陷。按照像素精度經驗公式要穩定檢測一個目標至少需要3到5個像素覆蓋其最小尺寸。也就是說檢測5微米毛刺單個像素對應的物理尺寸要到1微米左右。以Baumer相機為例如果使用500萬像素相機分辨率2448×2048要覆蓋的視野如果是24mm×20mm那像素精度正好是10微米這只能檢測30微米以上的毛刺。要檢測5微米的毛刺要么縮小視野要么上更高分辨率的相機。我在項目中常用的是Baumer的LX系列或VLXT系列搭配高倍率遠心鏡頭把視野控制在10mm×8mm左右像素精度能做到2微米級別。1.2 光學成像的三大干擾源毛刺檢測的光學方案最怕三件事極片表面紋理干擾、金屬反光過曝、環境光波動。極片是涂布后經過輥壓的表面有碳酸鈣或導電炭黑顆粒形成的微觀起伏在背光照射下會呈現出類似“噪點”的紋理。這些紋理的灰度變化常常比毛刺本身的灰度變化還明顯。如果用簡單的全局閾值分割紋理就會被當成缺陷檢出來造成大量的過殺。金屬反光是另一個大問題。極片裁切邊緣是裸露的金屬斷面對光線的反射率極高尤其是鋁箔正極片和銅箔負極片。如果是明場照明邊緣區域容易出現高光飽和毛刺完全淹沒在白光里如果是暗場照明金屬反光又會形成耀眼的亮點同樣干擾判斷。環境光波動在產線上幾乎無法完全避免。設備周圍的照明燈、車間的自然光、相機鏡頭上的灰塵都會導致圖像整體灰度漂移。這就要求算法本身具備一定的灰度自適應能力不能依賴固定的閾值。1.3 相機選型與采集鏈路的關鍵參數Baumer相機在鋰電視覺檢測領域用得比較多原因無非是穩定可靠、SDK完善、GigE Vision接口兼容性好。選型時我重點看幾個參數。分辨率決定了檢測精度的上限前面已經說了不再重復。傳感器類型上全局快門是必須的極片在高速運動中即使有輕微震動全局快門也能保證圖像不畸變卷簾快門在運動場景下會出拖影。幀率方面假設產線速度是30米/分鐘極片寬度200mm要檢測整幅極片相機幀率至少需要保證在觸發頻率的1.2倍以上否則會丟幀。我常用Baumer的VLXT-500C幀率能做到24fps2448×2048配合硬件觸發完全夠用。鏡頭選擇上遠心鏡頭是毛刺檢測的首選。普通工業鏡頭存在視差問題極片邊緣在不同高度時會成像在不同的位置影響測量精度。遠心鏡頭的光線是平行光成像不隨物距變化特別適合做高精度尺寸測量。我常用的是0.5倍或1倍遠心鏡頭搭配環形光源或同軸光源。采集鏈路還有一個容易被忽視的環節網卡和驅動。Baumer相機走GigE Vision協議網卡推薦使用Intel服務器級網卡開啟巨幀(Jumbo Frame)功能包大小設為9000字節可以減少網絡傳輸延遲和丟包率。同時要關閉網卡的節能模式Windows系統下還要把相機的中斷調節改為“關閉”否則會不定期出現幀率波動。2. 五個核心方法拆解從圖像預處理到毛刺量化這一章是整個項目的核心。我根據實際項目經驗把毛刺檢測拆成了5個環環相扣的方法每一個解決一個具體環節的問題。需要說明的是這5個方法在實際工程中通常是組合使用的并不是獨立的選擇題。方法目標解決的核心問題關鍵工具方法一高對比度光學成像讓毛刺從背景中“跳出來”背光源、遠心鏡頭、Baumer相機方法二多尺度背景抑制消除極片紋理干擾OpenCV頂帽變換、DoG方法三亞像素邊緣定位精確測量毛刺尺寸Halcon亞像素提取、卡尺工具方法四動態閾值分割適應環境光波動與灰度漂移OpenCV自適應閾值、OTSU方法五形態學毛刺量化區分真實毛刺與噪聲開運算、閉運算、Blob特征篩2.1 方法一背光照明下的高對比度成像毛刺檢測的光學方案我首選背光照明原因很簡單背光能創造出“剪影”效果。極片本身不透明在背光照射下極片區域是黑色的背景是白色的。如果邊緣有毛刺毛刺會遮擋光線在亮背景上形成暗色的凸起。這種對比度方案比任何明場或暗場方案都要穩定得多。背光光源的選擇有講究。LED背光源分為平行光和漫射光兩種。平行光配合遠心鏡頭可以得到邊緣銳利的圖像適合做精確的毛刺尺寸測量漫射光的均勻性好適合檢測表面缺陷但邊緣銳度不如平行光。毛刺檢測是邊緣檢測所以平行光是首選。光源顏色方面極片材料對紅光的透過率低對藍光的透過率也不高但紅光在金屬表面的衍射效應更明顯藍光的波長更短對細小毛刺的分辨能力更強。實際項目里我更喜歡用藍色背光450nm到470nm波段的配合相機前加裝對應波段的帶通濾光片可以有效濾除環境光干擾讓圖像信噪比提升一個檔次。這是一個性價比極高的做法很多工程師想不到。還有一個細節是光源的亮度調節。背光亮度不是越亮越好而是要讓背景灰度穩定在200左右極片區域灰度在20以下這樣動態范圍最大后續閾值分割的余量也最大。Baumer相機的曝光時間設置我通常設為50到100微秒配合光源控制器調節亮度保證信噪比最優。2.2 方法二頂帽變換與多尺度背景抑制背光圖像拍出來極片紋理依然會干擾毛刺檢測。極片表面不是絕對平整的涂層顆粒會在背光下產生明暗不均的斑點灰度波動范圍可以達到30到50個灰度級。而毛刺的灰度差異在背光下其實是“黑色物體在亮背景上的小突起引起的灰度凹陷”差別往往只有20到30個灰度級。紋理干擾和毛刺信號混在一起直接閾值分割必然出錯。頂帽變換是解決這個問題的利器。頂帽變換的定義是原圖減去形態學開運算的結果。開運算是先腐蝕后膨脹會消除圖像中小于結構元素尺寸的亮細節保留下大尺寸的背景。用原圖減去開運算結果剩下的就是小于結構元素尺寸的亮細節。但毛刺在背光圖像里是暗細節不是亮細節所以要用黑帽變換也就是原圖減去閉運算結果的絕對值。我實際用的處理流程是這樣的先對ROI區域做高斯模糊降噪然后用80×80像素的矩形結構元素做黑帽變換提取暗細節。結構元素的尺寸選擇要略大于毛刺的最大寬度這樣毛刺整體被保留而大面積的紋理起伏被當作背景消除。實戰經驗是單一尺度的結構元素往往不夠。極片紋理的尺度范圍很寬有些極片的大顆粒炭黑在圖像上是3到5個像素的亮點有些則是20到30個像素的暗斑。我通常做多尺度黑帽變換分別用15×15和40×40的結構元素各做一次然后把兩次結果取最大值合并。這樣就兼顧了小毛刺和大毛刺的檢測。在OpenCV里實現很簡單// C OpenCV多尺度黑帽變換 cv::Mat gray, kernel1, kernel2, blackhat1, blackhat2, combined; // gray為輸入灰度圖 cv::blur(gray, gray, cv::Size(3, 3)); cv::Mat kernel1_ cv::getStructuringElement(cv::MORPH_RECT, cv::Size(15, 15)); cv::morphologyEx(gray, blackhat1, cv::MORPH_BLACKHAT, kernel1_); cv::Mat kernel2_ cv::getStructuringElement(cv::MORPH_RECT, cv::Size(40, 40)); cv::morphologyEx(gray, blackhat2, cv::MORPH_BLACKHAT, kernel2_); cv::max(blackhat1, blackhat2, combined);這段代碼跑完后毛刺和細小紋理的暗細節都被強化了大面積的不均勻背景被消除。這個步驟做完后面所有判斷都是在這個“干凈”的圖上進行的。2.3 方法三亞像素邊緣坐標的精確提取毛刺尺寸的量化靠像素級別的邊緣檢測是不夠的。一個5微米的毛刺在2微米像素精度的圖像上也才2.5個像素寬。像素級邊緣提取的誤差在正負0.5像素也就是正負1微米對于8微米標準的判定來說誤差已經相當可觀了。這時候要用亞像素邊緣提取。Halcon在這方面做得非常成熟它的亞像素邊緣提取基于邊緣灰度曲線的插值擬合精度可以達到0.1像素甚至更高。具體操作上我不直接用edges_sub_pix拿全部邊緣而是用卡尺工具(measure_pos)沿著極片邊緣的法線方向逐段測量。卡尺工具的原理是在ROI內定義一條測量線沿著測量線的方向取左右一定寬度的灰度剖面然后用高斯濾波平滑再通過曲線梯度求極值點。這個極值點就是邊緣的亞像素位置。Halcon的measure_pos可以返回每個測量點的邊緣位置坐標和邊緣幅度配合極片邊緣的直線擬合毛刺引起的邊緣偏移就一目了然。用Halcon實現的步驟是先從圖像中提取極片邊緣的大致直線區域擬合出邊緣的基準直線然后計算邊緣上每個像素點到基準線的距離。如果距離超過閾值就判定為毛刺候選點。距離的連續區域就是毛刺的范圍最大距離就是毛刺的高度。具體代碼邏輯* 假設輸入圖像是Image極片邊緣在圖像中是一個豎直邊 * 1. 提取邊緣亞像素區域 edges_sub_pix (Image, Edges, canny, 1.5, 20, 40) * 2. 選擇豎直方向的邊緣 select_shape_xld (Edges, SelectedEdges, phi, and, -0.2, 0.2) * 3. 擬合直線得到基準線 fit_line_contour_xld (SelectedEdges, tukey, -1, 0, 5, 2, RowBegin, ColBegin, RowEnd, ColEnd, Nr, Nc, Dist) * 4. 測量點到基準線的距離 distance_pl (ContourRow, ContourCol, RowBegin, ColBegin, RowEnd, ColEnd, Distance)這段代碼里擬合直線選用‘tukey’權重是為了剔除毛刺點對直線擬合的影響。如果用最小二乘法擬合毛刺點的距離會被平均掉一部分導致基準線偏移影響毛刺高度的判定。2.4 方法四動態閾值分割的自適應策略很多項目在實驗室里跑得好好的一上產線就頻繁誤報。最大的原因就是環境光波動導致圖像灰度整體漂移。比如車間燈光閃爍、早晚陽光照射角度變化、光源衰減等都會讓背景灰度從200漂到180或者220。固定閾值的分割方案在這種情況下必然失效。動態閾值的思路是不用固定值而是根據圖像局部的灰度統計來生成閾值。局部自適應閾值的基本原理是對每個像素計算其鄰域內的灰度均值或高斯加權均值然后將原始灰度與這個局部均值比較若差值超過一個相對值就判定為前景。在OpenCV里自適應閾值函數adaptiveThreshold可以直接使用但它的參數調節比較敏感。blockSize鄰域尺寸比毛刺的尺寸大2到5倍效果最好C值偏移量通常取5到15之間需要根據實際圖像調試。我個人的方案是結合全局OTSU和局部自適應先對整幅圖計算OTSU閾值判斷圖像整體灰度水平。如果整體灰度水平在合理范圍內波動就用局部自適應閾值細分割。這種兩級策略既保證了穩定性又避免了單一自適應閾值在某些區域產生噪聲。還有一種做法是為每個ROI區域動態計算閾值這在對多片極片同時檢測的整幅圖像中效果很好。具體而言將圖像分成若干個固定大小的子塊對每個子塊單獨做OTSU然后對閾值矩陣進行插值平滑得到平滑的閾值面。這樣做的好處是即使極片表面不同位置的反光特性不同也能保證分割效果一致。2.5 方法五形態學操作與拓撲特征篩選的毛刺量化分割出來的二值圖里除了真實毛刺還有極片邊緣的微小翻邊、顆粒殘留、噪點等。要把真正的毛刺挑出來不能只看面積還要看形態和分布位置。我總結了三個關鍵特征毛刺凸出于極片輪廓之外的面積、毛刺的徑向長度從輪廓線到毛刺尖端、以及毛刺的寬高比。形態學操作在這個階段主要用來整理分割結果。先用閉運算把斷裂的毛刺連接成完整的連通域再用開運算去除細小的孤立噪點。注意這里的開運算結構元素尺寸要小于最小毛刺尺寸否則會把真毛刺也去掉。拓撲特征篩選是整個方法鏈里最需要經驗和技巧的地方。我來看一個實際的例子極片裁切邊緣如果產生卷邊毛刺它可能是一個又寬又扁的形狀面積不小但高度不高這種毛刺危險度中等而豎立毛刺面積可能很小但高度突出危險度極高。如果只看面積豎立毛刺可能被當成噪點漏掉卷邊毛刺可能被當成大缺陷報警。所以必須結合邊緣位置信息來判斷。正確的做法是先找到極片的主體輪廓然后計算輪廓的凸缺陷(凸包與輪廓之間的差異區域)。毛刺本質上就是邊緣上的凸缺陷。凸缺陷的幾個屬性——起始點、結束點、最遠點以及到凸包的距離——正好對應毛刺的位置、寬度和高度。OpenCV的convexityDefects函數可以直接返回這些數據。// OpenCV凸缺陷檢測毛刺 std::vectorcv::Vec4i defects; cv::convexityDefects(contour, hull, defects); for (const auto d : defects) { int startIdx d[0], endIdx d[1], farIdx d[2]; double depth d[3] / 256.0; // 到凸包的距離即毛刺高度 // 根據depth閾值篩選 if (depth minBurrHeight) { // 記錄毛刺位置與高度 } }這里minBurrHeight就是根據電芯廠工藝要求換算出來的像素閾值。比如要求8微米像素精度2微米/像素那么minBurrHeight就等于4個像素。但是要注意如果極片邊緣本身有一定的粗糙度凸缺陷距離會頻繁超過閾值這時候需要再增加一個限制條件——凸缺陷在邊緣上的橫向跨距。豎立毛刺的橫向跨距通常只有幾個像素而邊緣粗糙造成的凸缺陷橫向跨距往往更大且深度分布均勻。3. OpenCV實戰用C快速驗證毛刺檢測算法OpenCV在這套檢測方案里的定位是快速驗證和原型開發。前面已經陸續給出了一些代碼片段這一章我把完整的檢測流程串起來給出一套可以直接跑的實驗代碼。需要說明的是這套代碼解決的是“從單張極片圖像中檢測邊緣毛刺”的核心邏輯實際產線上還需要考慮多ROI、觸發、通信等工程問題。3.1 完整檢測流程的OpenCV實現整個流程分成5步圖像讀取與ROI裁剪、灰度化與去噪、多尺度黑帽變換、自適應閾值分割、凸缺陷分析與毛刺標記。代碼里我用cv::Mat全程操作并注釋了每個步驟的意圖。#include opencv2/opencv.hpp #include iostream #include vector using namespace cv; using namespace std; int main() { // 1. 讀取圖像灰度化 Mat src imread(pole_sheet.bmp, IMREAD_GRAYSCALE); if (src.empty()) { cerr Failed to load image! endl; return -1; } // 2. 裁剪ROI只保留包含極片邊緣的區域 // 視現場情況設置這里假設邊緣在圖像左側1/4區域 Rect roi(0, 0, src.cols / 2, src.rows); Mat roiImg src(roi).clone(); // 3. 高斯濾波去噪 Mat blurred; GaussianBlur(roiImg, blurred, Size(3, 3), 0); // 4. 多尺度黑帽變換 Mat blackhat1, blackhat2, combined; Mat kernel1 getStructuringElement(MORPH_RECT, Size(15, 15)); Mat kernel2 getStructuringElement(MORPH_RECT, Size(40, 40)); morphologyEx(blurred, blackhat1, MORPH_BLACKHAT, kernel1); morphologyEx(blurred, blackhat2, MORPH_BLACKHAT, kernel2); max(blackhat1, blackhat2, combined); // 5. 自適應閾值分割 Mat binary; adaptiveThreshold(combined, binary, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY_INV, 31, 10); // 6. 形態學清理閉運算連接斷裂開運算去除孤立噪聲 Mat cleaned; Mat closeKernel getStructuringElement(MORPH_RECT, Size(5, 5)); Mat openKernel getStructuringElement(MORPH_RECT, Size(3, 3)); morphologyEx(binary, cleaned, MORPH_CLOSE, closeKernel); morphologyEx(cleaned, cleaned, MORPH_OPEN, openKernel); // 7. 找輪廓并計算凸缺陷 vectorvectorPoint contours; findContours(cleaned, contours, RETR_EXTERNAL, CHAIN_APPROX_NONE); // 8. 遍歷輪廓檢測毛刺 for (size_t i 0; i contours.size(); i) { vectorPoint hull; convexHull(contours[i], hull, false); vectorVec4i defects; convexityDefects(contours[i], hull, defects); for (const auto d : defects) { double depth d[3] / 256.0; if (depth 4.0) { // 4像素對應8微米像素精度2um/px cout Burr detected, depth depth px endl; } } } return 0; }這段代碼跑通之后你就有了一個毛刺檢測的最小可行版本。我建議你在自己的樣本上跑一遍記錄不同毛刺形態下的檢測結果然后根據誤報和漏報情況調整三個參數黑帽變換的結構元素尺寸、自適應閾值的blockSize和C值、凸缺陷的depth閾值。3.2 算法參數調優經驗過殺與漏檢的平衡這里的過殺指把合格的極片邊緣誤判為毛刺漏檢指真正有害的毛刺沒被檢測出來。兩者互為代價參數調優就是把平衡點壓到客戶能接受的范圍。從項目實施角度我建議按照“先保證不漏檢再逐步降低過殺”的原則來調參。先把depth閾值調低到3像素此時可能會有大量邊緣粗糙點被標記為毛刺形成過殺然后逐步提高閾值同時觀察被標記為毛刺的區域的形態特征。如果某個候選毛刺的橫向跨距明顯大于其深度例如深度5像素、橫向跨距30像素那大概率不是毛刺而是邊緣翹曲。相反如果深度5像素、橫向跨距只有6像素那就是典型的豎立毛刺必須判級。自適應閾值的blockSize對過殺的影響也很大。blockSize越小局部對比度變化越敏感細小紋理越容易被分割出來過殺越多。blockSize越大分割越粗糙細小毛刺可能被吞沒。我實測下來blockSize取31在大多數極片圖像上表現穩定C值控制在5到15之間。還有一點形態學開運算結構元素的尺寸一定不能設大了。很多人習慣用5×5或7×7去“清理噪聲”但對于5微米、8微米級別的毛刺3×3的開運算已經會削弱毛刺信號了。如果噪聲實在太多優先去調整照明和黑帽變換的參數而不是加大開運算結構元素。3.3 OpenCV檢測結果的可視化與Debug技巧調試毛刺檢測算法最忌諱直接看最終判定結果。正確的做法是可視化每一個中間步驟。我自己的調試流程是顯示原圖、顯示黑帽變換結果、顯示二值圖、顯示輪廓和凸缺陷標記圖。在這個基礎上把被判為毛刺的每個候選點用彩色圓圈標注出來同時打印出它的深度、橫向跨距等特征值。這樣參數調整就有了明確的依據。OpenCV里可視化凸缺陷的代碼非常簡單用circle函數在最遠點位置畫圓用line函數把起始點、結束點連接起來。我強烈建議你在開發階段把檢測到的毛刺區域放大顯示用resize函數放大10倍肉眼看清楚這個區域到底是不是真的毛刺。這個過程雖然原始但對提升算法的判斷力非常有效因為你會積累起對“各種毛刺在圖像上長什么樣”的直觀認知。另外如果需要在現場快速驗證一批樣本的檢測效果建議寫一個批量處理腳本遍歷文件夾里的所有測試圖把判定結果保存成一個CSV文件同時生成標注圖像方便和工藝工程師一起評審。4. Halcon工程化實現測量穩定性優先的場景OpenCV原型驗證通過后真正的產線項目我一般會用Halcon來做工程化實現原因有兩個一是Halcon的亞像素測量算子穩定性和精度確實做得更好二是在產線上要處理多相機、多ROI、與PLC通信等復雜邏輯Halcon的HDevelop環境和導出C#/C的能力讓部署變得高效。4.1 Halcon毛刺檢測的算子鏈設計Halcon處理毛刺檢測我的核心思路和OpenCV方案是一樣的先定位極片邊緣再沿邊緣法線方向做亞像素測量通過邊緣偏移量判斷毛刺。但Halcon的算子封裝度更高代碼更簡潔而且測量穩定性明顯更好。先看如何用Halcon動態定位極片邊緣并測量毛刺。這里有一個很實用的算子組合先用threshold把極片區域分割出來再用reduce_domain把檢測限定在邊緣附近最后用卡尺測量邊緣坐標。* 讀取圖像 read_image (Image, pole_sheet.bmp) * 1. 分割極片區域背光下極片為暗區域 threshold (Image, Region, 0, 80) * 2. 提取極片邊緣區域 boundary (Region, Border, inner) * 3. 膨脹邊緣區域創建測量ROI dilation_circle (Border, ROIBorder, 15.5) * 4. 在ROI內提取邊緣亞像素輪廓 reduce_domain (Image, ROIBorder, ImageROI) edges_sub_pix (ImageROI, Edges, canny, 1.5, 20, 40) * 5. 按方向篩選豎直邊緣 select_shape_xld (Edges, SelectedEdges, phi, and, -0.3, 0.3) * 6. 擬合基準直線剔除毛刺點影響 fit_line_contour_xld (SelectedEdges, tukey, -1, 0, 5, 2, RowBegin, ColBegin, RowEnd, ColEnd, Nr, Nc, Dist)這個流程里fit_line_contour_xld的權重參數選了‘tukey’這個選擇很關鍵。Tukey權重對離群點也就是毛刺點的加權極小幾乎不影響擬合結果所以基準線是“干凈”的。如果選‘least_squares’毛刺點會把基準線往外拉導致毛刺高度被低估。得到基準線后怎么測量毛刺我的做法是生成一條垂直于基準線的測量線序列均勻分布在邊緣的整個長度范圍內然后用measure_pos逐條測量。測量線之間的距離一般是5到10個像素太密則重復計算太稀則可能漏掉短小毛刺。每條測量線得到的邊緣點與基準線的偏移距離就是該位置的毛刺高度。4.2 Halcon與C/C#混合開發的部署要點Halcon的算法在HDevelop里開發調試最終要部署到產線設備上。常見的模式是導出為C#或C代碼嵌入到上位機軟件中與相機采集、PLC信號、數據庫等模塊聯動。Baumer相機與Halcon的集成主要通過GenICam接口。Halcon從17.12版本開始通過GenICamTL支持Baumer相機在HDevelop里直接用open_framegrabber (‘GigEVision2’, ...) 或者更簡單地用‘Baumer’接口名直接打開相機。實際上Halcon原生支持的相機接口列表里包含Baumer這意味著你不需要額外的SDK封裝就能在Halcon里直接采圖。采圖與檢測的典型流程是open_framegrabber打開相機set_framegrabber_param設置曝光和觸發模式grab_image循環采圖然后調用檢測過程。這個流程的好處是采圖和檢測在同一樣本空間里避免圖像數據在不同庫之間轉換的開銷。部署時我要提醒幾個容易踩坑的地方。第一個是許可證問題Halcon的加密狗如果沒插好或者license到期整個檢測程序會直接崩潰或無法啟動。產線上最好配置雙狗冗余一個主狗一個備狗同時建立license到期預警機制。第二個是Halcon的runtime版本要和開發版本匹配否則導出的程序在新機器上跑不起來。第三個是內存釋放長時間連續運行Halcon程序如果不注意clear_*算子的調用內存會緩慢增長運行一周后可能出現內存不足。解決方法是定期重啟檢測線程或者在每個檢測循環中顯式釋放不再使用的圖像和區域對象。4.3 Halcon的標定與測量精度驗證Halcon算子再強如果相機沒標定測出來的數據也是不可信的。毛刺檢測對精度要求極高標定必須做扎實。Halcon標定分兩部分相機內參標定和像素當量標定。內參標定用Halcon的標準標定板例如30mm×30mm7×7圓點陣列通過find_calib_object算子自動提取標定板圖像然后用calibrate_cameras計算相機內參。這一步能校正鏡頭畸變讓圖像中的直線在物理空間中也是直線。像素當量標定則更簡單直接用已知物理尺寸的標準件比如量塊放在視野里測出它在圖像中占據的像素數用物理尺寸除以像素數得到每個像素對應的物理尺寸。但這個標定有一個前提就是鏡頭必須是遠心鏡頭或者物距固定不變。普通FA鏡頭在不同物距下像素當量的變化很敏感這就回到前面強調的毛刺檢測必須用遠心鏡頭。標定做完后我用一組已知毛刺高度的標準樣件做驗證。標準樣件可以通過線切割或精密加工制作在極片邊緣預制不同高度的凸起。實測值與標準值對比偏移在0.5微米以內才算合格。我在項目中常用這樣的驗證流程每隔4小時點檢一次標準樣件如果測量結果漂移超過1微米就觸發校準提示。這個點檢流程能有效防止因相機松動、光源衰減、鏡頭污染等引起的系統偏差。5. 從實驗室到產線的工程化落地現場問題與性能優化算法在實驗室跑通只是第一步真正讓它在產線上穩定運行還會遇到一堆實驗室里想象不到的問題。這一章我重點說說現場落地中我踩過的坑和對應的解決方案。5.1 相機觸發與極片運動的同步控制產線上的極片是連續運動的相機必須在極片到達視野的特定位置時觸發拍攝。這個觸發信號通常來自編碼器或接近傳感器。如果觸發時機不準確拍攝到的極片位置飄忽不定ROI設置就會失效。Baumer相機通過GigE Vision的硬件觸發接口Line0或Line1接收外部觸發信號。我建議在配置時將trigger source設置為Line0trigger mode設置為on然后用PLC或運動控制卡在極片到達指定位置時發一個5V的脈沖。關鍵點是脈沖寬度不能太短Baumer相機要求觸發信號至少保持一定時間寬度才能被可靠接收一般建議不小于10微秒。編碼器觸發則要處理脈沖頻率與相機幀率的匹配問題。如果極片速度突變編碼器脈沖頻率也會變化相機可能會因為來不及處理而丟幀。解決方案有兩種一種是設置相機的幀率上限超過上限的觸發脈沖自動忽略另一種是在軟件層面加入緩沖隊列但要注意隊列深度不能太大否則實時性變差。5.2 光照一致性維護與圖像質量監控產線是24小時運行的LED光源會有衰減鏡頭上會落灰塵極片的批次變化也會影響圖像質量。如果不做監控可能運行三個月之后檢測精度已經下降了很多但沒人發現。我建議在軟件里加一個圖像質量監控模塊每采集一張圖像就計算幾個統計量背景區域的平均灰度、極片區域的灰度標準差、邊緣區域的對比度。這些統計量一旦超出預設范圍系統自動報警提醒維護人員檢查光源、鏡頭或相機。這個模塊開發成本很低但對保障檢測穩定性貢獻極大。另一個實用做法是在產線無產品運行時讓相機拍一張空背景圖像與標準背景圖對比。如果灰度差異超過閾值說明鏡頭或光源可能污染了。這個“空跑自檢”可以定時執行比如每小時一次完全不影響生產。5.3 檢測速度優化并行處理與硬件加速高速產線對檢測速度的要求是無止境的。我遇到過產線速度提升后原來200毫秒的檢測時間壓縮到80毫秒的情況。Halcon在這方面有一些優化空間。首先Halcon自帶并行處理機制默認情況下會自動使用多核CPU。但要注意如果算法中使用了大量的全局操作比如全圖閾值、全圖濾波并行效率反而不高。折中方案是把圖像分成若干子區域每個子區域獨立處理最后合并結果。我在多片極片同時檢測的場景里就是按極片數量切分子區域用parallel_for并行調用檢測流程速度幾乎線性提升。其次ROI之外不做無效計算。很多時候一幅2000萬像素的圖像里真正需要處理的邊緣區域只占不到10%。在檢測前先定位極片位置用reduce_domain把計算限定在邊緣附近運算量能減少一個數量級。第三GPU加速是最后的武器。Halcon的Filter、Morphology等算子支持OpenCL加速配置好OpenCL環境后部分算子的執行時間可以縮短到原來的三分之一。但GPU加速不是銀彈算子切換和數據傳輸的開銷在部分場景下反而更慢。我建議先用profiler分析算子的耗時分布如果瓶頸在有OpenCL版本的算子上再考慮啟用GPU。6. 實戰代碼整合OpenCV與Halcon雙軌方案的完整示例前面的內容都是分步講解這一章給出一套相對完整的代碼框架你可以把它當成腳手架根據實際場景修改參數。6.1 OpenCV版本完整示例適用于算法驗證與教學演示// burr_detection_opencv.cpp // 功能鋰電池極片裁切毛刺檢測OpenCV實現 // 環境OpenCV 4.5 / C11 #include opencv2/opencv.hpp #include iostream #include fstream #include vector using namespace cv; using namespace std; struct BurrInfo { Point farPoint; double depthPx; // 毛刺深度像素 double widthPx; // 毛刺橫向跨距像素 double startAngle; // 起始點角度調試用 }; vectorBurrInfo detectBurrs(const Mat gray, double minDepthPx) { vectorBurrInfo result; Mat blurred, blackhat1, blackhat2, combined; // 預處理 GaussianBlur(gray, blurred, Size(3, 3), 0); Mat k1 getStructuringElement(MORPH_RECT, Size(15, 15)); Mat k2 getStructuringElement(MORPH_RECT, Size(40, 40)); morphologyEx(blurred, blackhat1, MORPH_BLACKHAT, k1); morphologyEx(blurred, blackhat2, MORPH_BLACKHAT, k2); max(blackhat1, blackhat2, combined); // 動態閾值 Mat binary; adaptiveThreshold(combined, binary, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY_INV, 31, 10); // 形態學清理 Mat cleaned; morphologyEx(binary, cleaned, MORPH_CLOSE, getStructuringElement(MORPH_RECT, Size(5, 5))); morphologyEx(cleaned, cleaned, MORPH_OPEN, getStructuringElement(MORPH_RECT, Size(3, 3))); // 輪廓分析 vectorvectorPoint contours; findContours(cleaned, contours, RETR_EXTERNAL, CHAIN_APPROX_NONE); for (size_t i 0; i contours.size(); i) { if (contours[i].size() 50) continue; // 過小輪廓跳過 vectorPoint hull; convexHull(contours[i], hull, false); vectorVec4i defects; convexityDefects(contours[i], hull, defects); for (const auto d : defects) { double depth d[3] / 256.0; if (depth minDepthPx) continue; int startIdx d[0], endIdx d[1], farIdx d[2]; Point startPt contours[i][startIdx]; Point endPt contours[i][endIdx]; Point farPt contours[i][farIdx]; double width norm(startPt - endPt); // 過濾橫向跨距明顯大于深度的非毛刺凸起 if (width depth * 5) continue; result.push_back({farPt, depth, width, 0.0}); } } return result; } int main(int argc, char** argv) { string imgPath (argc 1) ? argv[1] : test.bmp; Mat src imread(imgPath, IMREAD_GRAYSCALE); if (src.empty()) { cerr Cannot open image! endl; return -1; } double pixelSizeUm 2.0; // 像素當量單位um/px double burrSpecUm 8.0; // 工藝標準單位um double minDepthPx burrSpecUm / pixelSizeUm; // 最小檢測深度像素 Rect roi(0, 0, src.cols / 2, src.rows); // 假設邊緣在左半幅 Mat roiImg src(roi).clone(); auto burrs detectBurrs(roiImg, minDepthPx); Mat color; cvtColor(roiImg, color, COLOR_GRAY2BGR); for (auto b : burrs) { double depthUm b.depthPx * pixelSizeUm; circle(color, b.farPoint, 4, Scalar(0, 0, 255), -1); putText(color, format(%.1fum, depthUm), b.farPoint Point(5, -5), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 255, 255), 1); } imwrite(result_opencv.png, color); cout Detected burrs: burrs.size() endl; return 0; }這段代碼在真正投入產線前還需要補充多ROI管理和統計報表功能。但作為算法驗證和演示它已經能完整跑通毛刺檢測的處理流程。6.2 Halcon版本完整示例產線級穩定測量Halcon版本我給出一個完整的HDevelop工程操作步驟從相機采集到輸出檢測結果包含關鍵參數的實際取值。* burr_detection_halcon.hdev * 1. 打開Baumer相機 open_framegrabber (Baumer, 1, 1, 0, 0, 0, 0, default, 8, rgb, -1, false, auto, GigE, 0, Camera_1, 0, -1, AcqHandle) set_framegrabber_param (AcqHandle, ExposureTime, 80.0) set_framegrabber_param (AcqHandle, TriggerMode, On) * 2. 主循環 for Idx : 1 to 10000 by 1 grab_image (Image, AcqHandle) * 3. 檢測毛刺調用自定義過程 detect_burrs_halcon (Image, BurrRegions, BurrHeights, BurrCount) * 4. 視覺輸出與判級 if (BurrCount 0) * 保存不合格圖片及毛刺信息 write_image (Image, bmp, 0, NG_ Idx .bmp) endif * 5. 與PLC通信邏輯在此處通過異步處理完成 endfor close_framegrabber (AcqHandle) * 自定義檢測過程 * detect_burrs_halcon (Image, BurrRegions, BurrHeights, BurrCount) * 輸入灰度圖Image * 輸出毛刺區域、毛刺高度數組、毛刺數量 * 實現要點 threshold (Image, DarkRegion, 0, 80) boundary (DarkRegion, Border, inner) dilation_circle (Border, RoiRegion, 15.5) reduce_domain (Image, RoiRegion, ImageRoi) edges_sub_pix (ImageRoi, Edges, canny, 1.5, 20, 40) select_shape_xld (Edges, VEdges, phi, and, -0.3, 0.3) fit_line_contour_xld (VEdges, tukey, -1, 0, 5, 2, RowBegin, ColBegin, RowEnd, ColEnd, Nr, Nc, Dist) * 生成測量線 gen_measure_rectangle2 (MidRow, MidCol, Phi, Length1, Length2, Width, Height, nearest_neighbor, MeasureHandle) measure_pos (Image, MeasureHandle, 1, 30, all, all, RowEdge, ColEdge, Amplitude, Distance) * 計算邊緣偏移 distance_pl (RowEdge, ColEdge, RowBegin, ColBegin, RowEnd, ColEnd, DistArr) * 超過閾值的點即為毛刺候選 BurrIndices : abs(DistArr) 4.0這段Halcon代碼的特點是把測量過程完全建立在亞像素基礎上穩定性比OpenCV版本高一個檔次但同時對標定和相機參數的要求也更嚴格。在項目初期我通常先用OpenCV版本做快速驗證確認算法思路可行后再切換到Halcon版本做工程化部署。6.3 兩套方案的優劣對比與選型建議篇幅有限我只說結論性建議。如果項目處于預研階段需要在幾天內驗證算法可行性用OpenCV開發速度快可視化調試方便社區資料多。如果項目進入量產交付階段對測量精度、穩定性、以及與PLC/MES系統交互有嚴格要求用Halcon它的亞像素算子和標定工具更成熟部署形態更靈活。從成本角度OpenCV免費Halcon需要購買license。但工業項目里的成本大頭從來不是軟件license而是現場調試時間和停機損失。一個穩定可靠的Halcon方案省下的調試時間成本可能遠超license費用。所以我不建議在毛刺檢測這種高精度場景下一味追求免費方案。還有一個折中路線視覺算法用OpenCV跑但測量部分的關鍵算子自己用C實現亞像素邊緣提取。這條路對團隊的綜合能力要求較高適合有資深算法工程師的團隊。我個人在幾個項目里用過這種方案效果也不錯但開發周期明顯更長。7. 我的實測心得那些軟件教程里不會告訴你的細節最后這一章我想說說代碼之外的東西。毛刺檢測這個項目最難的部分往往不在算法本身而在你對整個系統的判斷和經驗積累。7.1 毛刺樣本的積累比算法更值錢我見過不少團隊一上來就寫代碼跑幾張圖覺得效果不錯就敢上產線。結果現場一跑各種漏檢、誤報加班排查發現是樣本覆蓋不夠。毛刺的形態千變萬化豎立毛刺、卷邊毛刺、拖尾毛刺、根部凹陷、邊緣撕裂不同刀具狀態、不同材料批次、不同裁切速度產生的缺陷形態都不同。正確做法是在項目啟動初期就建立缺陷樣本庫。找工藝同事要歷史的不合格品用顯微鏡拍下每種毛刺的形態照片按危險等級分類。然后針對每一類樣本做算法調優保證算法對每一類都有足夠的檢測余量。這個工作看起來很笨但它是檢測穩定性的根本。算法工程師的真正的功力不在代碼寫得多花哨而在對各種缺陷形態的理解深度。我自己的習慣是每次到現場出差都會把當天的檢測NG圖導出按缺陷類型分類歸檔。半年下來樣本庫積累了數千張真實缺陷圖后續算法優化都有了依據。7.2 誤殺率與漏檢率的權衡和工藝部門達成共識毛刺檢測的判定標準不是算法自己定的而是要和工藝部門反復對齊的。電芯廠對毛刺的要求“內短風險低”往往是一個模糊的概念需要把它量化成具體的尺寸閾值。這個過程中算法工程師要主動提供數據支持比如給出不同閾值下的漏檢率和誤殺率曲線讓工藝和品質部門基于數據做決策。實測中我發現誤殺率太高會直接影響產線效率因為每次報警都要停機人工確認頻繁的誤報會讓操作工產生“狼來了”心理反而可能無視真實報警。所以寧可閾值設置得稍寬松一些優先把真正的危險毛刺全部檢出來然后把可能誤判的邊緣粗糙區域歸為“警告”級別讓人工復核而不是直接判不合格。7.3 備用方案永遠是工程素養的一部分最后分享一個實際教訓。有一次項目調試期間Halcon的license突然到期檢測程序直接罷工產線停了兩個小時。從那以后我在所有Halcon項目里都強制要求客戶配備雙license狗并且在上位機軟件里加入license到期前7天的預警提示。這種看似不起眼的細節往往決定了你在客戶那里的專業口碑。另外整個檢測系統的備用方案也很重要。最好能實現雙相機互為備份主相機故障時備用相機自動接替。雖然成本增加了但對于24小時不停機的產線來說系統可用性的價值遠超設備成本。我在方案設計階段就把這個因素考慮進去避免后期改造的麻煩。毛刺檢測這條路技術難點是可以通過學習和實踐克服的但對現場的敬畏和對細節的偏執才是真正決定項目成敗的東西。希望這篇文章能讓你在自己項目里少走一些彎路。 鋰電池極片毛刺檢測實戰：OpenCV與Halcon視覺方案解析
鋰電池極片裁切毛刺檢測這件事我在視覺檢測這一行摸爬滾打了十多年真正把它當作一個嚴肅的課題來研究是從一次產線上的短路事故分析開始的。那批電芯在化成分容階段出現了不少低壓不良拆解后確認是負極片邊緣的金屬毛刺刺穿了隔膜。從那以后我花了大量時間在Baumer相機、OpenCV和Halcon這套組合上專門對付極片毛刺。極片裁切毛刺之所以讓人頭疼是因為它不像表面劃傷那樣肉眼可辨。裁切邊緣的毛刺可能只有幾微米到幾十微米形態上可能是豎立的尖刺、翻卷的金屬屑甚至是藕斷絲連的“拖尾”。這些毛刺在后續卷繞或疊片工藝中一旦刺穿隔膜正負極直接接觸內部短路就發生了。輕則電芯自放電率超標重則引發熱失控這不是鬧著玩的。所以產線上對極片裁切質量的管控毛刺檢測是剛需中的剛需。這篇文章我不打算泛泛而談而是把我在實際項目中驗證過的5個核心方法完整拆解出來配上Baumer相機的選型思路、OpenCV的快速驗證代碼和Halcon的工程化實現。適合正在做鋰電視覺檢測的工程師、準備入行機器視覺的開發者以及產線上被毛刺問題困擾的工藝人員參考。內容會涉及具體的參數和算法邏輯有些地方會比較硬核但我盡量把每一步的為什么講清楚。1. 極片裁切毛刺的物理特性與光學成像難點為什么這活兒不好干搞視覺檢測的人第一反應往往是“不就檢測個毛刺嗎拍清楚不就完了”。真上了產線你會發現極片毛刺檢測是視覺檢測里的硬骨頭難點不在于“看到”而在于“看得準”和“看得快”。1.1 毛刺的尺寸量級與形態分類極片裁切后的邊緣毛刺按照行業通行標準一般分為幾種形態。豎立毛刺垂直于極片表面方向生長尺寸通常在5到50微米之間最危險因為它的方向正好對著隔膜卷邊毛刺裁切時金屬延展形成翻卷形狀像鉤子容易在卷繞時刮傷隔膜還有金屬屑殘留這是裁切刀磨損后掉落的碎屑可能粘附在極片邊緣或表面。這里要說一個關鍵點電芯廠對毛刺的管控尺寸不同工藝段要求不同。分切工序的毛刺標準一般控制在15微米以內模切工序要求更嚴有些高端動力電池廠已經要求控制在8微米以內。這意味著視覺系統的分辨率設計至少要能穩定分辨5微米以下的缺陷。按照像素精度經驗公式要穩定檢測一個目標至少需要3到5個像素覆蓋其最小尺寸。也就是說檢測5微米毛刺單個像素對應的物理尺寸要到1微米左右。以Baumer相機為例如果使用500萬像素相機分辨率2448×2048要覆蓋的視野如果是24mm×20mm那像素精度正好是10微米這只能檢測30微米以上的毛刺。要檢測5微米的毛刺要么縮小視野要么上更高分辨率的相機。我在項目中常用的是Baumer的LX系列或VLXT系列搭配高倍率遠心鏡頭把視野控制在10mm×8mm左右像素精度能做到2微米級別。1.2 光學成像的三大干擾源毛刺檢測的光學方案最怕三件事極片表面紋理干擾、金屬反光過曝、環境光波動。極片是涂布后經過輥壓的表面有碳酸鈣或導電炭黑顆粒形成的微觀起伏在背光照射下會呈現出類似“噪點”的紋理。這些紋理的灰度變化常常比毛刺本身的灰度變化還明顯。如果用簡單的全局閾值分割紋理就會被當成缺陷檢出來造成大量的過殺。金屬反光是另一個大問題。極片裁切邊緣是裸露的金屬斷面對光線的反射率極高尤其是鋁箔正極片和銅箔負極片。如果是明場照明邊緣區域容易出現高光飽和毛刺完全淹沒在白光里如果是暗場照明金屬反光又會形成耀眼的亮點同樣干擾判斷。環境光波動在產線上幾乎無法完全避免。設備周圍的照明燈、車間的自然光、相機鏡頭上的灰塵都會導致圖像整體灰度漂移。這就要求算法本身具備一定的灰度自適應能力不能依賴固定的閾值。1.3 相機選型與采集鏈路的關鍵參數Baumer相機在鋰電視覺檢測領域用得比較多原因無非是穩定可靠、SDK完善、GigE Vision接口兼容性好。選型時我重點看幾個參數。分辨率決定了檢測精度的上限前面已經說了不再重復。傳感器類型上全局快門是必須的極片在高速運動中即使有輕微震動全局快門也能保證圖像不畸變卷簾快門在運動場景下會出拖影。幀率方面假設產線速度是30米/分鐘極片寬度200mm要檢測整幅極片相機幀率至少需要保證在觸發頻率的1.2倍以上否則會丟幀。我常用Baumer的VLXT-500C幀率能做到24fps2448×2048配合硬件觸發完全夠用。鏡頭選擇上遠心鏡頭是毛刺檢測的首選。普通工業鏡頭存在視差問題極片邊緣在不同高度時會成像在不同的位置影響測量精度。遠心鏡頭的光線是平行光成像不隨物距變化特別適合做高精度尺寸測量。我常用的是0.5倍或1倍遠心鏡頭搭配環形光源或同軸光源。采集鏈路還有一個容易被忽視的環節網卡和驅動。Baumer相機走GigE Vision協議網卡推薦使用Intel服務器級網卡開啟巨幀(Jumbo Frame)功能包大小設為9000字節可以減少網絡傳輸延遲和丟包率。同時要關閉網卡的節能模式Windows系統下還要把相機的中斷調節改為“關閉”否則會不定期出現幀率波動。2. 五個核心方法拆解從圖像預處理到毛刺量化這一章是整個項目的核心。我根據實際項目經驗把毛刺檢測拆成了5個環環相扣的方法每一個解決一個具體環節的問題。需要說明的是這5個方法在實際工程中通常是組合使用的并不是獨立的選擇題。方法目標解決的核心問題關鍵工具方法一高對比度光學成像讓毛刺從背景中“跳出來”背光源、遠心鏡頭、Baumer相機方法二多尺度背景抑制消除極片紋理干擾OpenCV頂帽變換、DoG方法三亞像素邊緣定位精確測量毛刺尺寸Halcon亞像素提取、卡尺工具方法四動態閾值分割適應環境光波動與灰度漂移OpenCV自適應閾值、OTSU方法五形態學毛刺量化區分真實毛刺與噪聲開運算、閉運算、Blob特征篩2.1 方法一背光照明下的高對比度成像毛刺檢測的光學方案我首選背光照明原因很簡單背光能創造出“剪影”效果。極片本身不透明在背光照射下極片區域是黑色的背景是白色的。如果邊緣有毛刺毛刺會遮擋光線在亮背景上形成暗色的凸起。這種對比度方案比任何明場或暗場方案都要穩定得多。背光光源的選擇有講究。LED背光源分為平行光和漫射光兩種。平行光配合遠心鏡頭可以得到邊緣銳利的圖像適合做精確的毛刺尺寸測量漫射光的均勻性好適合檢測表面缺陷但邊緣銳度不如平行光。毛刺檢測是邊緣檢測所以平行光是首選。光源顏色方面極片材料對紅光的透過率低對藍光的透過率也不高但紅光在金屬表面的衍射效應更明顯藍光的波長更短對細小毛刺的分辨能力更強。實際項目里我更喜歡用藍色背光450nm到470nm波段的配合相機前加裝對應波段的帶通濾光片可以有效濾除環境光干擾讓圖像信噪比提升一個檔次。這是一個性價比極高的做法很多工程師想不到。還有一個細節是光源的亮度調節。背光亮度不是越亮越好而是要讓背景灰度穩定在200左右極片區域灰度在20以下這樣動態范圍最大后續閾值分割的余量也最大。Baumer相機的曝光時間設置我通常設為50到100微秒配合光源控制器調節亮度保證信噪比最優。2.2 方法二頂帽變換與多尺度背景抑制背光圖像拍出來極片紋理依然會干擾毛刺檢測。極片表面不是絕對平整的涂層顆粒會在背光下產生明暗不均的斑點灰度波動范圍可以達到30到50個灰度級。而毛刺的灰度差異在背光下其實是“黑色物體在亮背景上的小突起引起的灰度凹陷”差別往往只有20到30個灰度級。紋理干擾和毛刺信號混在一起直接閾值分割必然出錯。頂帽變換是解決這個問題的利器。頂帽變換的定義是原圖減去形態學開運算的結果。開運算是先腐蝕后膨脹會消除圖像中小于結構元素尺寸的亮細節保留下大尺寸的背景。用原圖減去開運算結果剩下的就是小于結構元素尺寸的亮細節。但毛刺在背光圖像里是暗細節不是亮細節所以要用黑帽變換也就是原圖減去閉運算結果的絕對值。我實際用的處理流程是這樣的先對ROI區域做高斯模糊降噪然后用80×80像素的矩形結構元素做黑帽變換提取暗細節。結構元素的尺寸選擇要略大于毛刺的最大寬度這樣毛刺整體被保留而大面積的紋理起伏被當作背景消除。實戰經驗是單一尺度的結構元素往往不夠。極片紋理的尺度范圍很寬有些極片的大顆粒炭黑在圖像上是3到5個像素的亮點有些則是20到30個像素的暗斑。我通常做多尺度黑帽變換分別用15×15和40×40的結構元素各做一次然后把兩次結果取最大值合并。這樣就兼顧了小毛刺和大毛刺的檢測。在OpenCV里實現很簡單// C OpenCV多尺度黑帽變換 cv::Mat gray, kernel1, kernel2, blackhat1, blackhat2, combined; // gray為輸入灰度圖 cv::blur(gray, gray, cv::Size(3, 3)); cv::Mat kernel1_ cv::getStructuringElement(cv::MORPH_RECT, cv::Size(15, 15)); cv::morphologyEx(gray, blackhat1, cv::MORPH_BLACKHAT, kernel1_); cv::Mat kernel2_ cv::getStructuringElement(cv::MORPH_RECT, cv::Size(40, 40)); cv::morphologyEx(gray, blackhat2, cv::MORPH_BLACKHAT, kernel2_); cv::max(blackhat1, blackhat2, combined);這段代碼跑完后毛刺和細小紋理的暗細節都被強化了大面積的不均勻背景被消除。這個步驟做完后面所有判斷都是在這個“干凈”的圖上進行的。2.3 方法三亞像素邊緣坐標的精確提取毛刺尺寸的量化靠像素級別的邊緣檢測是不夠的。一個5微米的毛刺在2微米像素精度的圖像上也才2.5個像素寬。像素級邊緣提取的誤差在正負0.5像素也就是正負1微米對于8微米標準的判定來說誤差已經相當可觀了。這時候要用亞像素邊緣提取。Halcon在這方面做得非常成熟它的亞像素邊緣提取基于邊緣灰度曲線的插值擬合精度可以達到0.1像素甚至更高。具體操作上我不直接用edges_sub_pix拿全部邊緣而是用卡尺工具(measure_pos)沿著極片邊緣的法線方向逐段測量。卡尺工具的原理是在ROI內定義一條測量線沿著測量線的方向取左右一定寬度的灰度剖面然后用高斯濾波平滑再通過曲線梯度求極值點。這個極值點就是邊緣的亞像素位置。Halcon的measure_pos可以返回每個測量點的邊緣位置坐標和邊緣幅度配合極片邊緣的直線擬合毛刺引起的邊緣偏移就一目了然。用Halcon實現的步驟是先從圖像中提取極片邊緣的大致直線區域擬合出邊緣的基準直線然后計算邊緣上每個像素點到基準線的距離。如果距離超過閾值就判定為毛刺候選點。距離的連續區域就是毛刺的范圍最大距離就是毛刺的高度。具體代碼邏輯* 假設輸入圖像是Image極片邊緣在圖像中是一個豎直邊 * 1. 提取邊緣亞像素區域 edges_sub_pix (Image, Edges, canny, 1.5, 20, 40) * 2. 選擇豎直方向的邊緣 select_shape_xld (Edges, SelectedEdges, phi, and, -0.2, 0.2) * 3. 擬合直線得到基準線 fit_line_contour_xld (SelectedEdges, tukey, -1, 0, 5, 2, RowBegin, ColBegin, RowEnd, ColEnd, Nr, Nc, Dist) * 4. 測量點到基準線的距離 distance_pl (ContourRow, ContourCol, RowBegin, ColBegin, RowEnd, ColEnd, Distance)這段代碼里擬合直線選用‘tukey’權重是為了剔除毛刺點對直線擬合的影響。如果用最小二乘法擬合毛刺點的距離會被平均掉一部分導致基準線偏移影響毛刺高度的判定。2.4 方法四動態閾值分割的自適應策略很多項目在實驗室里跑得好好的一上產線就頻繁誤報。最大的原因就是環境光波動導致圖像灰度整體漂移。比如車間燈光閃爍、早晚陽光照射角度變化、光源衰減等都會讓背景灰度從200漂到180或者220。固定閾值的分割方案在這種情況下必然失效。動態閾值的思路是不用固定值而是根據圖像局部的灰度統計來生成閾值。局部自適應閾值的基本原理是對每個像素計算其鄰域內的灰度均值或高斯加權均值然后將原始灰度與這個局部均值比較若差值超過一個相對值就判定為前景。在OpenCV里自適應閾值函數adaptiveThreshold可以直接使用但它的參數調節比較敏感。blockSize鄰域尺寸比毛刺的尺寸大2到5倍效果最好C值偏移量通常取5到15之間需要根據實際圖像調試。我個人的方案是結合全局OTSU和局部自適應先對整幅圖計算OTSU閾值判斷圖像整體灰度水平。如果整體灰度水平在合理范圍內波動就用局部自適應閾值細分割。這種兩級策略既保證了穩定性又避免了單一自適應閾值在某些區域產生噪聲。還有一種做法是為每個ROI區域動態計算閾值這在對多片極片同時檢測的整幅圖像中效果很好。具體而言將圖像分成若干個固定大小的子塊對每個子塊單獨做OTSU然后對閾值矩陣進行插值平滑得到平滑的閾值面。這樣做的好處是即使極片表面不同位置的反光特性不同也能保證分割效果一致。2.5 方法五形態學操作與拓撲特征篩選的毛刺量化分割出來的二值圖里除了真實毛刺還有極片邊緣的微小翻邊、顆粒殘留、噪點等。要把真正的毛刺挑出來不能只看面積還要看形態和分布位置。我總結了三個關鍵特征毛刺凸出于極片輪廓之外的面積、毛刺的徑向長度從輪廓線到毛刺尖端、以及毛刺的寬高比。形態學操作在這個階段主要用來整理分割結果。先用閉運算把斷裂的毛刺連接成完整的連通域再用開運算去除細小的孤立噪點。注意這里的開運算結構元素尺寸要小于最小毛刺尺寸否則會把真毛刺也去掉。拓撲特征篩選是整個方法鏈里最需要經驗和技巧的地方。我來看一個實際的例子極片裁切邊緣如果產生卷邊毛刺它可能是一個又寬又扁的形狀面積不小但高度不高這種毛刺危險度中等而豎立毛刺面積可能很小但高度突出危險度極高。如果只看面積豎立毛刺可能被當成噪點漏掉卷邊毛刺可能被當成大缺陷報警。所以必須結合邊緣位置信息來判斷。正確的做法是先找到極片的主體輪廓然后計算輪廓的凸缺陷(凸包與輪廓之間的差異區域)。毛刺本質上就是邊緣上的凸缺陷。凸缺陷的幾個屬性——起始點、結束點、最遠點以及到凸包的距離——正好對應毛刺的位置、寬度和高度。OpenCV的convexityDefects函數可以直接返回這些數據。// OpenCV凸缺陷檢測毛刺 std::vectorcv::Vec4i defects; cv::convexityDefects(contour, hull, defects); for (const auto d : defects) { int startIdx d[0], endIdx d[1], farIdx d[2]; double depth d[3] / 256.0; // 到凸包的距離即毛刺高度 // 根據depth閾值篩選 if (depth minBurrHeight) { // 記錄毛刺位置與高度 } }這里minBurrHeight就是根據電芯廠工藝要求換算出來的像素閾值。比如要求8微米像素精度2微米/像素那么minBurrHeight就等于4個像素。但是要注意如果極片邊緣本身有一定的粗糙度凸缺陷距離會頻繁超過閾值這時候需要再增加一個限制條件——凸缺陷在邊緣上的橫向跨距。豎立毛刺的橫向跨距通常只有幾個像素而邊緣粗糙造成的凸缺陷橫向跨距往往更大且深度分布均勻。3. OpenCV實戰用C快速驗證毛刺檢測算法OpenCV在這套檢測方案里的定位是快速驗證和原型開發。前面已經陸續給出了一些代碼片段這一章我把完整的檢測流程串起來給出一套可以直接跑的實驗代碼。需要說明的是這套代碼解決的是“從單張極片圖像中檢測邊緣毛刺”的核心邏輯實際產線上還需要考慮多ROI、觸發、通信等工程問題。3.1 完整檢測流程的OpenCV實現整個流程分成5步圖像讀取與ROI裁剪、灰度化與去噪、多尺度黑帽變換、自適應閾值分割、凸缺陷分析與毛刺標記。代碼里我用cv::Mat全程操作并注釋了每個步驟的意圖。#include opencv2/opencv.hpp #include iostream #include vector using namespace cv; using namespace std; int main() { // 1. 讀取圖像灰度化 Mat src imread(pole_sheet.bmp, IMREAD_GRAYSCALE); if (src.empty()) { cerr Failed to load image! endl; return -1; } // 2. 裁剪ROI只保留包含極片邊緣的區域 // 視現場情況設置這里假設邊緣在圖像左側1/4區域 Rect roi(0, 0, src.cols / 2, src.rows); Mat roiImg src(roi).clone(); // 3. 高斯濾波去噪 Mat blurred; GaussianBlur(roiImg, blurred, Size(3, 3), 0); // 4. 多尺度黑帽變換 Mat blackhat1, blackhat2, combined; Mat kernel1 getStructuringElement(MORPH_RECT, Size(15, 15)); Mat kernel2 getStructuringElement(MORPH_RECT, Size(40, 40)); morphologyEx(blurred, blackhat1, MORPH_BLACKHAT, kernel1); morphologyEx(blurred, blackhat2, MORPH_BLACKHAT, kernel2); max(blackhat1, blackhat2, combined); // 5. 自適應閾值分割 Mat binary; adaptiveThreshold(combined, binary, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY_INV, 31, 10); // 6. 形態學清理閉運算連接斷裂開運算去除孤立噪聲 Mat cleaned; Mat closeKernel getStructuringElement(MORPH_RECT, Size(5, 5)); Mat openKernel getStructuringElement(MORPH_RECT, Size(3, 3)); morphologyEx(binary, cleaned, MORPH_CLOSE, closeKernel); morphologyEx(cleaned, cleaned, MORPH_OPEN, openKernel); // 7. 找輪廓并計算凸缺陷 vectorvectorPoint contours; findContours(cleaned, contours, RETR_EXTERNAL, CHAIN_APPROX_NONE); // 8. 遍歷輪廓檢測毛刺 for (size_t i 0; i contours.size(); i) { vectorPoint hull; convexHull(contours[i], hull, false); vectorVec4i defects; convexityDefects(contours[i], hull, defects); for (const auto d : defects) { double depth d[3] / 256.0; if (depth 4.0) { // 4像素對應8微米像素精度2um/px cout Burr detected, depth depth px endl; } } } return 0; }這段代碼跑通之后你就有了一個毛刺檢測的最小可行版本。我建議你在自己的樣本上跑一遍記錄不同毛刺形態下的檢測結果然后根據誤報和漏報情況調整三個參數黑帽變換的結構元素尺寸、自適應閾值的blockSize和C值、凸缺陷的depth閾值。3.2 算法參數調優經驗過殺與漏檢的平衡這里的過殺指把合格的極片邊緣誤判為毛刺漏檢指真正有害的毛刺沒被檢測出來。兩者互為代價參數調優就是把平衡點壓到客戶能接受的范圍。從項目實施角度我建議按照“先保證不漏檢再逐步降低過殺”的原則來調參。先把depth閾值調低到3像素此時可能會有大量邊緣粗糙點被標記為毛刺形成過殺然后逐步提高閾值同時觀察被標記為毛刺的區域的形態特征。如果某個候選毛刺的橫向跨距明顯大于其深度例如深度5像素、橫向跨距30像素那大概率不是毛刺而是邊緣翹曲。相反如果深度5像素、橫向跨距只有6像素那就是典型的豎立毛刺必須判級。自適應閾值的blockSize對過殺的影響也很大。blockSize越小局部對比度變化越敏感細小紋理越容易被分割出來過殺越多。blockSize越大分割越粗糙細小毛刺可能被吞沒。我實測下來blockSize取31在大多數極片圖像上表現穩定C值控制在5到15之間。還有一點形態學開運算結構元素的尺寸一定不能設大了。很多人習慣用5×5或7×7去“清理噪聲”但對于5微米、8微米級別的毛刺3×3的開運算已經會削弱毛刺信號了。如果噪聲實在太多優先去調整照明和黑帽變換的參數而不是加大開運算結構元素。3.3 OpenCV檢測結果的可視化與Debug技巧調試毛刺檢測算法最忌諱直接看最終判定結果。正確的做法是可視化每一個中間步驟。我自己的調試流程是顯示原圖、顯示黑帽變換結果、顯示二值圖、顯示輪廓和凸缺陷標記圖。在這個基礎上把被判為毛刺的每個候選點用彩色圓圈標注出來同時打印出它的深度、橫向跨距等特征值。這樣參數調整就有了明確的依據。OpenCV里可視化凸缺陷的代碼非常簡單用circle函數在最遠點位置畫圓用line函數把起始點、結束點連接起來。我強烈建議你在開發階段把檢測到的毛刺區域放大顯示用resize函數放大10倍肉眼看清楚這個區域到底是不是真的毛刺。這個過程雖然原始但對提升算法的判斷力非常有效因為你會積累起對“各種毛刺在圖像上長什么樣”的直觀認知。另外如果需要在現場快速驗證一批樣本的檢測效果建議寫一個批量處理腳本遍歷文件夾里的所有測試圖把判定結果保存成一個CSV文件同時生成標注圖像方便和工藝工程師一起評審。4. Halcon工程化實現測量穩定性優先的場景OpenCV原型驗證通過后真正的產線項目我一般會用Halcon來做工程化實現原因有兩個一是Halcon的亞像素測量算子穩定性和精度確實做得更好二是在產線上要處理多相機、多ROI、與PLC通信等復雜邏輯Halcon的HDevelop環境和導出C#/C的能力讓部署變得高效。4.1 Halcon毛刺檢測的算子鏈設計Halcon處理毛刺檢測我的核心思路和OpenCV方案是一樣的先定位極片邊緣再沿邊緣法線方向做亞像素測量通過邊緣偏移量判斷毛刺。但Halcon的算子封裝度更高代碼更簡潔而且測量穩定性明顯更好。先看如何用Halcon動態定位極片邊緣并測量毛刺。這里有一個很實用的算子組合先用threshold把極片區域分割出來再用reduce_domain把檢測限定在邊緣附近最后用卡尺測量邊緣坐標。* 讀取圖像 read_image (Image, pole_sheet.bmp) * 1. 分割極片區域背光下極片為暗區域 threshold (Image, Region, 0, 80) * 2. 提取極片邊緣區域 boundary (Region, Border, inner) * 3. 膨脹邊緣區域創建測量ROI dilation_circle (Border, ROIBorder, 15.5) * 4. 在ROI內提取邊緣亞像素輪廓 reduce_domain (Image, ROIBorder, ImageROI) edges_sub_pix (ImageROI, Edges, canny, 1.5, 20, 40) * 5. 按方向篩選豎直邊緣 select_shape_xld (Edges, SelectedEdges, phi, and, -0.3, 0.3) * 6. 擬合基準直線剔除毛刺點影響 fit_line_contour_xld (SelectedEdges, tukey, -1, 0, 5, 2, RowBegin, ColBegin, RowEnd, ColEnd, Nr, Nc, Dist)這個流程里fit_line_contour_xld的權重參數選了‘tukey’這個選擇很關鍵。Tukey權重對離群點也就是毛刺點的加權極小幾乎不影響擬合結果所以基準線是“干凈”的。如果選‘least_squares’毛刺點會把基準線往外拉導致毛刺高度被低估。得到基準線后怎么測量毛刺我的做法是生成一條垂直于基準線的測量線序列均勻分布在邊緣的整個長度范圍內然后用measure_pos逐條測量。測量線之間的距離一般是5到10個像素太密則重復計算太稀則可能漏掉短小毛刺。每條測量線得到的邊緣點與基準線的偏移距離就是該位置的毛刺高度。4.2 Halcon與C/C#混合開發的部署要點Halcon的算法在HDevelop里開發調試最終要部署到產線設備上。常見的模式是導出為C#或C代碼嵌入到上位機軟件中與相機采集、PLC信號、數據庫等模塊聯動。Baumer相機與Halcon的集成主要通過GenICam接口。Halcon從17.12版本開始通過GenICamTL支持Baumer相機在HDevelop里直接用open_framegrabber (‘GigEVision2’, ...) 或者更簡單地用‘Baumer’接口名直接打開相機。實際上Halcon原生支持的相機接口列表里包含Baumer這意味著你不需要額外的SDK封裝就能在Halcon里直接采圖。采圖與檢測的典型流程是open_framegrabber打開相機set_framegrabber_param設置曝光和觸發模式grab_image循環采圖然后調用檢測過程。這個流程的好處是采圖和檢測在同一樣本空間里避免圖像數據在不同庫之間轉換的開銷。部署時我要提醒幾個容易踩坑的地方。第一個是許可證問題Halcon的加密狗如果沒插好或者license到期整個檢測程序會直接崩潰或無法啟動。產線上最好配置雙狗冗余一個主狗一個備狗同時建立license到期預警機制。第二個是Halcon的runtime版本要和開發版本匹配否則導出的程序在新機器上跑不起來。第三個是內存釋放長時間連續運行Halcon程序如果不注意clear_*算子的調用內存會緩慢增長運行一周后可能出現內存不足。解決方法是定期重啟檢測線程或者在每個檢測循環中顯式釋放不再使用的圖像和區域對象。4.3 Halcon的標定與測量精度驗證Halcon算子再強如果相機沒標定測出來的數據也是不可信的。毛刺檢測對精度要求極高標定必須做扎實。Halcon標定分兩部分相機內參標定和像素當量標定。內參標定用Halcon的標準標定板例如30mm×30mm7×7圓點陣列通過find_calib_object算子自動提取標定板圖像然后用calibrate_cameras計算相機內參。這一步能校正鏡頭畸變讓圖像中的直線在物理空間中也是直線。像素當量標定則更簡單直接用已知物理尺寸的標準件比如量塊放在視野里測出它在圖像中占據的像素數用物理尺寸除以像素數得到每個像素對應的物理尺寸。但這個標定有一個前提就是鏡頭必須是遠心鏡頭或者物距固定不變。普通FA鏡頭在不同物距下像素當量的變化很敏感這就回到前面強調的毛刺檢測必須用遠心鏡頭。標定做完后我用一組已知毛刺高度的標準樣件做驗證。標準樣件可以通過線切割或精密加工制作在極片邊緣預制不同高度的凸起。實測值與標準值對比偏移在0.5微米以內才算合格。我在項目中常用這樣的驗證流程每隔4小時點檢一次標準樣件如果測量結果漂移超過1微米就觸發校準提示。這個點檢流程能有效防止因相機松動、光源衰減、鏡頭污染等引起的系統偏差。5. 從實驗室到產線的工程化落地現場問題與性能優化算法在實驗室跑通只是第一步真正讓它在產線上穩定運行還會遇到一堆實驗室里想象不到的問題。這一章我重點說說現場落地中我踩過的坑和對應的解決方案。5.1 相機觸發與極片運動的同步控制產線上的極片是連續運動的相機必須在極片到達視野的特定位置時觸發拍攝。這個觸發信號通常來自編碼器或接近傳感器。如果觸發時機不準確拍攝到的極片位置飄忽不定ROI設置就會失效。Baumer相機通過GigE Vision的硬件觸發接口Line0或Line1接收外部觸發信號。我建議在配置時將trigger source設置為Line0trigger mode設置為on然后用PLC或運動控制卡在極片到達指定位置時發一個5V的脈沖。關鍵點是脈沖寬度不能太短Baumer相機要求觸發信號至少保持一定時間寬度才能被可靠接收一般建議不小于10微秒。編碼器觸發則要處理脈沖頻率與相機幀率的匹配問題。如果極片速度突變編碼器脈沖頻率也會變化相機可能會因為來不及處理而丟幀。解決方案有兩種一種是設置相機的幀率上限超過上限的觸發脈沖自動忽略另一種是在軟件層面加入緩沖隊列但要注意隊列深度不能太大否則實時性變差。5.2 光照一致性維護與圖像質量監控產線是24小時運行的LED光源會有衰減鏡頭上會落灰塵極片的批次變化也會影響圖像質量。如果不做監控可能運行三個月之后檢測精度已經下降了很多但沒人發現。我建議在軟件里加一個圖像質量監控模塊每采集一張圖像就計算幾個統計量背景區域的平均灰度、極片區域的灰度標準差、邊緣區域的對比度。這些統計量一旦超出預設范圍系統自動報警提醒維護人員檢查光源、鏡頭或相機。這個模塊開發成本很低但對保障檢測穩定性貢獻極大。另一個實用做法是在產線無產品運行時讓相機拍一張空背景圖像與標準背景圖對比。如果灰度差異超過閾值說明鏡頭或光源可能污染了。這個“空跑自檢”可以定時執行比如每小時一次完全不影響生產。5.3 檢測速度優化并行處理與硬件加速高速產線對檢測速度的要求是無止境的。我遇到過產線速度提升后原來200毫秒的檢測時間壓縮到80毫秒的情況。Halcon在這方面有一些優化空間。首先Halcon自帶并行處理機制默認情況下會自動使用多核CPU。但要注意如果算法中使用了大量的全局操作比如全圖閾值、全圖濾波并行效率反而不高。折中方案是把圖像分成若干子區域每個子區域獨立處理最后合并結果。我在多片極片同時檢測的場景里就是按極片數量切分子區域用parallel_for并行調用檢測流程速度幾乎線性提升。其次ROI之外不做無效計算。很多時候一幅2000萬像素的圖像里真正需要處理的邊緣區域只占不到10%。在檢測前先定位極片位置用reduce_domain把計算限定在邊緣附近運算量能減少一個數量級。第三GPU加速是最后的武器。Halcon的Filter、Morphology等算子支持OpenCL加速配置好OpenCL環境后部分算子的執行時間可以縮短到原來的三分之一。但GPU加速不是銀彈算子切換和數據傳輸的開銷在部分場景下反而更慢。我建議先用profiler分析算子的耗時分布如果瓶頸在有OpenCL版本的算子上再考慮啟用GPU。6. 實戰代碼整合OpenCV與Halcon雙軌方案的完整示例前面的內容都是分步講解這一章給出一套相對完整的代碼框架你可以把它當成腳手架根據實際場景修改參數。6.1 OpenCV版本完整示例適用于算法驗證與教學演示// burr_detection_opencv.cpp // 功能鋰電池極片裁切毛刺檢測OpenCV實現 // 環境OpenCV 4.5 / C11 #include opencv2/opencv.hpp #include iostream #include fstream #include vector using namespace cv; using namespace std; struct BurrInfo { Point farPoint; double depthPx; // 毛刺深度像素 double widthPx; // 毛刺橫向跨距像素 double startAngle; // 起始點角度調試用 }; vectorBurrInfo detectBurrs(const Mat gray, double minDepthPx) { vectorBurrInfo result; Mat blurred, blackhat1, blackhat2, combined; // 預處理 GaussianBlur(gray, blurred, Size(3, 3), 0); Mat k1 getStructuringElement(MORPH_RECT, Size(15, 15)); Mat k2 getStructuringElement(MORPH_RECT, Size(40, 40)); morphologyEx(blurred, blackhat1, MORPH_BLACKHAT, k1); morphologyEx(blurred, blackhat2, MORPH_BLACKHAT, k2); max(blackhat1, blackhat2, combined); // 動態閾值 Mat binary; adaptiveThreshold(combined, binary, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY_INV, 31, 10); // 形態學清理 Mat cleaned; morphologyEx(binary, cleaned, MORPH_CLOSE, getStructuringElement(MORPH_RECT, Size(5, 5))); morphologyEx(cleaned, cleaned, MORPH_OPEN, getStructuringElement(MORPH_RECT, Size(3, 3))); // 輪廓分析 vectorvectorPoint contours; findContours(cleaned, contours, RETR_EXTERNAL, CHAIN_APPROX_NONE); for (size_t i 0; i contours.size(); i) { if (contours[i].size() 50) continue; // 過小輪廓跳過 vectorPoint hull; convexHull(contours[i], hull, false); vectorVec4i defects; convexityDefects(contours[i], hull, defects); for (const auto d : defects) { double depth d[3] / 256.0; if (depth minDepthPx) continue; int startIdx d[0], endIdx d[1], farIdx d[2]; Point startPt contours[i][startIdx]; Point endPt contours[i][endIdx]; Point farPt contours[i][farIdx]; double width norm(startPt - endPt); // 過濾橫向跨距明顯大于深度的非毛刺凸起 if (width depth * 5) continue; result.push_back({farPt, depth, width, 0.0}); } } return result; } int main(int argc, char** argv) { string imgPath (argc 1) ? argv[1] : test.bmp; Mat src imread(imgPath, IMREAD_GRAYSCALE); if (src.empty()) { cerr Cannot open image! endl; return -1; } double pixelSizeUm 2.0; // 像素當量單位um/px double burrSpecUm 8.0; // 工藝標準單位um double minDepthPx burrSpecUm / pixelSizeUm; // 最小檢測深度像素 Rect roi(0, 0, src.cols / 2, src.rows); // 假設邊緣在左半幅 Mat roiImg src(roi).clone(); auto burrs detectBurrs(roiImg, minDepthPx); Mat color; cvtColor(roiImg, color, COLOR_GRAY2BGR); for (auto b : burrs) { double depthUm b.depthPx * pixelSizeUm; circle(color, b.farPoint, 4, Scalar(0, 0, 255), -1); putText(color, format(%.1fum, depthUm), b.farPoint Point(5, -5), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 255, 255), 1); } imwrite(result_opencv.png, color); cout Detected burrs: burrs.size() endl; return 0; }這段代碼在真正投入產線前還需要補充多ROI管理和統計報表功能。但作為算法驗證和演示它已經能完整跑通毛刺檢測的處理流程。6.2 Halcon版本完整示例產線級穩定測量Halcon版本我給出一個完整的HDevelop工程操作步驟從相機采集到輸出檢測結果包含關鍵參數的實際取值。* burr_detection_halcon.hdev * 1. 打開Baumer相機 open_framegrabber (Baumer, 1, 1, 0, 0, 0, 0, default, 8, rgb, -1, false, auto, GigE, 0, Camera_1, 0, -1, AcqHandle) set_framegrabber_param (AcqHandle, ExposureTime, 80.0) set_framegrabber_param (AcqHandle, TriggerMode, On) * 2. 主循環 for Idx : 1 to 10000 by 1 grab_image (Image, AcqHandle) * 3. 檢測毛刺調用自定義過程 detect_burrs_halcon (Image, BurrRegions, BurrHeights, BurrCount) * 4. 視覺輸出與判級 if (BurrCount 0) * 保存不合格圖片及毛刺信息 write_image (Image, bmp, 0, NG_ Idx .bmp) endif * 5. 與PLC通信邏輯在此處通過異步處理完成 endfor close_framegrabber (AcqHandle) * 自定義檢測過程 * detect_burrs_halcon (Image, BurrRegions, BurrHeights, BurrCount) * 輸入灰度圖Image * 輸出毛刺區域、毛刺高度數組、毛刺數量 * 實現要點 threshold (Image, DarkRegion, 0, 80) boundary (DarkRegion, Border, inner) dilation_circle (Border, RoiRegion, 15.5) reduce_domain (Image, RoiRegion, ImageRoi) edges_sub_pix (ImageRoi, Edges, canny, 1.5, 20, 40) select_shape_xld (Edges, VEdges, phi, and, -0.3, 0.3) fit_line_contour_xld (VEdges, tukey, -1, 0, 5, 2, RowBegin, ColBegin, RowEnd, ColEnd, Nr, Nc, Dist) * 生成測量線 gen_measure_rectangle2 (MidRow, MidCol, Phi, Length1, Length2, Width, Height, nearest_neighbor, MeasureHandle) measure_pos (Image, MeasureHandle, 1, 30, all, all, RowEdge, ColEdge, Amplitude, Distance) * 計算邊緣偏移 distance_pl (RowEdge, ColEdge, RowBegin, ColBegin, RowEnd, ColEnd, DistArr) * 超過閾值的點即為毛刺候選 BurrIndices : abs(DistArr) 4.0這段Halcon代碼的特點是把測量過程完全建立在亞像素基礎上穩定性比OpenCV版本高一個檔次但同時對標定和相機參數的要求也更嚴格。在項目初期我通常先用OpenCV版本做快速驗證確認算法思路可行后再切換到Halcon版本做工程化部署。6.3 兩套方案的優劣對比與選型建議篇幅有限我只說結論性建議。如果項目處于預研階段需要在幾天內驗證算法可行性用OpenCV開發速度快可視化調試方便社區資料多。如果項目進入量產交付階段對測量精度、穩定性、以及與PLC/MES系統交互有嚴格要求用Halcon它的亞像素算子和標定工具更成熟部署形態更靈活。從成本角度OpenCV免費Halcon需要購買license。但工業項目里的成本大頭從來不是軟件license而是現場調試時間和停機損失。一個穩定可靠的Halcon方案省下的調試時間成本可能遠超license費用。所以我不建議在毛刺檢測這種高精度場景下一味追求免費方案。還有一個折中路線視覺算法用OpenCV跑但測量部分的關鍵算子自己用C實現亞像素邊緣提取。這條路對團隊的綜合能力要求較高適合有資深算法工程師的團隊。我個人在幾個項目里用過這種方案效果也不錯但開發周期明顯更長。7. 我的實測心得那些軟件教程里不會告訴你的細節最后這一章我想說說代碼之外的東西。毛刺檢測這個項目最難的部分往往不在算法本身而在你對整個系統的判斷和經驗積累。7.1 毛刺樣本的積累比算法更值錢我見過不少團隊一上來就寫代碼跑幾張圖覺得效果不錯就敢上產線。結果現場一跑各種漏檢、誤報加班排查發現是樣本覆蓋不夠。毛刺的形態千變萬化豎立毛刺、卷邊毛刺、拖尾毛刺、根部凹陷、邊緣撕裂不同刀具狀態、不同材料批次、不同裁切速度產生的缺陷形態都不同。正確做法是在項目啟動初期就建立缺陷樣本庫。找工藝同事要歷史的不合格品用顯微鏡拍下每種毛刺的形態照片按危險等級分類。然后針對每一類樣本做算法調優保證算法對每一類都有足夠的檢測余量。這個工作看起來很笨但它是檢測穩定性的根本。算法工程師的真正的功力不在代碼寫得多花哨而在對各種缺陷形態的理解深度。我自己的習慣是每次到現場出差都會把當天的檢測NG圖導出按缺陷類型分類歸檔。半年下來樣本庫積累了數千張真實缺陷圖后續算法優化都有了依據。7.2 誤殺率與漏檢率的權衡和工藝部門達成共識毛刺檢測的判定標準不是算法自己定的而是要和工藝部門反復對齊的。電芯廠對毛刺的要求“內短風險低”往往是一個模糊的概念需要把它量化成具體的尺寸閾值。這個過程中算法工程師要主動提供數據支持比如給出不同閾值下的漏檢率和誤殺率曲線讓工藝和品質部門基于數據做決策。實測中我發現誤殺率太高會直接影響產線效率因為每次報警都要停機人工確認頻繁的誤報會讓操作工產生“狼來了”心理反而可能無視真實報警。所以寧可閾值設置得稍寬松一些優先把真正的危險毛刺全部檢出來然后把可能誤判的邊緣粗糙區域歸為“警告”級別讓人工復核而不是直接判不合格。7.3 備用方案永遠是工程素養的一部分最后分享一個實際教訓。有一次項目調試期間Halcon的license突然到期檢測程序直接罷工產線停了兩個小時。從那以后我在所有Halcon項目里都強制要求客戶配備雙license狗并且在上位機軟件里加入license到期前7天的預警提示。這種看似不起眼的細節往往決定了你在客戶那里的專業口碑。另外整個檢測系統的備用方案也很重要。最好能實現雙相機互為備份主相機故障時備用相機自動接替。雖然成本增加了但對于24小時不停機的產線來說系統可用性的價值遠超設備成本。我在方案設計階段就把這個因素考慮進去避免后期改造的麻煩。毛刺檢測這條路技術難點是可以通過學習和實踐克服的但對現場的敬畏和對細節的偏執才是真正決定項目成敗的東西。希望這篇文章能讓你在自己項目里少走一些彎路。