简介：这份资源面向计算机、人工智能、自动化、电子信息等专业的在校学生与嵌入式视觉初学者，提供一套基于Python与OpenCV的漆包线点焊焊盘状态识别完整项目源码及文档说明，可用于毕业设计、课程设计、作业或项目初期立项演示。压缩包共13个文件，包含5个Python脚本、7张jpg测试图像和1份md说明文档，整体约868KB，其中脚本覆盖主流程、图像处理、ROI提取与功能函数等模块，图片则用于焊盘正常、倾斜、偏位等状态的识别验证。目前已有107人学习关注。项目代码经过实际运行测试，配套README.md说明文档，读者可据此理解视觉传感器采集、图像预处理与焊盘状态分类的完整链路，并在此基础上修改扩展功能，适合作为视觉检测方向的入门实践参考。
1. 漆包线点焊焊盘状态识别：为什么值得用 Python+OpenCV 重做一遍
漆包线点焊的焊盘状态识别，说白了就是在焊完一瞬间判断这个焊点到底合不合格。做过产线的人都知道，漆包线细、焊盘小、反光强，人工目检盯半小时眼睛就花，漏检率还压不下去。传统做法靠操作员拿放大镜看，或者用接触式测阻，前者不稳定，后者慢且只能抽检。用 Python 加 OpenCV 搭一套视觉传感器方案，本质是把工业相机拍到的焊盘图像，经过预处理、特征提取、分类判断，输出 OK/NG 信号给 PLC 或分选机构。这套东西适合谁？适合手上已经有工业相机和光源、想低成本验证视觉检测可行性的产线工程师，也适合刚学 OpenCV 图像处理、想找一个真实工业场景练手的开发者。它不追求深度学习那种端到端黑盒，而是用传统图像处理把焊盘的面积、圆度、灰度均匀性这些可解释特征算出来，调试周期短，现场改参数不用重新训练模型。下面我把从环境搭建到参数调优的完整路径拆开讲，中间踩过的坑也一并说清楚。
2. 从相机到焊盘 ROI：图像采集与预处理的最小闭环
2.1 为什么选 OpenCV 而不是 Halcon
很多人一上来就问 Halcon 和 OpenCV 的区别。Halcon 在工业视觉里确实成熟，算子稳定，但它是商业授权，一套下来成本不低，而且部署到产线工控机上还要考虑授权绑定。OpenCV 是 BSD 协议，免费，Python 接口调用方便，社区资料多，遇到问题搜得到。对于焊盘状态识别这种特征相对明确的任务——焊盘基本是圆形或近似圆形，缺陷表现为缺焊、偏焊、虚焊、焊盘发黑——OpenCV 的轮廓分析、霍夫圆检测、灰度统计完全够用。我一般会先用 OpenCV 快速验证算法可行性，如果后面发现某些缺陷类型传统方法确实分不开，再考虑上深度学习，而不是一开始就堆模型。
选 OpenCV 还有一个现实原因：Python 生态里 numpy 做矩阵运算、matplotlib 做调试可视化、pandas 做数据记录，整条链路打通很快。产线工程师不需要精通 C++ 就能改算法参数，这对现场迭代太重要了。
2.2 环境搭建：避开 ModuleNotFoundError 和 cv2 找不到的坑
Python 安装本身不复杂，但新手最容易卡在环境上。热搜里modulenotfounderror: no module named 'opencv'和opencv安装成功却找不到cv2这两个问题出现频率极高。根因通常是：pip 装到了另一个 Python 环境，或者虚拟环境没激活，或者装了opencv-python但代码里 import 的是cv2却路径不对。
我一般会这样做，先确认当前 Python 解释器位置，再装包：
# 确认当前使用的 Python 路径和版本 python -c "import sys; print(sys.executable)" python --version # 安装 opencv-python 和 numpy，指定国内镜像加速 pip install opencv-python numpy -i https://pypi.tuna.tsinghua.edu.cn/simple # 验证安装，能打印版本号说明 cv2 可用 python -c "import cv2; print(cv2.__version__)"逻辑说明：第一条命令打印sys.executable，是为了确认你当前敲命令的 Python 和后面跑代码的 Python 是同一个。很多人系统里有多个 Python，pip 装到 A，IDE 用的是 B，就报 ModuleNotFoundError。第二条装包时用opencv-python而不是opencv-contrib-python，除非你要用 SIFT 这类专利算法，否则基础包足够。第三条验证时如果报ImportError: libGL.so.1: cannot open shared object file，那是 Linux 缺系统库，装libgl1即可，跟 OpenCV 本身无关。
参数说明：opencv-python版本建议 4.x，4.4 之后的 API 对 Python 3.8+ 支持稳定。如果产线工控机是 Ubuntu，注意cv2.error: OpenCV(4.4.0) ...这类报错多半是图像通道数或数据类型不对，不是安装问题，后面预处理章节会讲。
2.3 焊盘 ROI 提取：灰度化、滤波、二值化的参数怎么定
相机拍到的原始图里，焊盘只占一小块区域，直接全图处理既慢又容易被背景干扰。第一步是定位 ROI。常见做法是先用固定工装保证焊盘在视野中心，然后用坐标裁剪；如果工装精度不够，就用模板匹配或轮廓筛选自动找。
拿到 ROI 后做预处理。漆包线焊盘的特点是金属反光强，灰度分布不均，直接二值化容易把高光区域误判成缺陷。我一般按这个顺序走：
import cv2 import numpy as np # 读取图像，灰度模式 img = cv2.imread('pad.jpg', cv2.IMREAD_GRAYSCALE) # 高斯滤波，核大小 5x5，去除高频噪声 blur = cv2.GaussianBlur(img, (5, 5), 0) # 自适应阈值二值化，blockSize=31，C=5 binary = cv2.adaptiveThreshold(blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 5) # 形态学开运算，去除小噪点 kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)逻辑说明：高斯滤波核大小选 5x5 是经验值，焊盘直径在图像里通常 80 到 150 像素，5x5 能平滑噪声又不会糊掉边缘。自适应阈值比全局阈值适合焊盘，因为光源不可能绝对均匀，blockSize=31表示每个像素参考周围 31x31 区域算阈值，这个值要大于焊盘直径的 1/3，否则焊盘内部会被切碎。C=5是常数偏移，值越大二值化越保守，背景越干净但焊盘边缘可能收缩。
参数怎么改：如果二值化后焊盘内部有空洞，把blockSize调大或C调小；如果背景噪点太多，把C调大。形态学开运算的核用椭圆而不是矩形，因为焊盘是圆的，椭圆核更贴合边缘。
提示：调试阶段一定要把每一步的中间结果用
cv2.imshow或cv2.imwrite存下来看，不要凭感觉调参。我见过太多人直接跑完整流程，结果 NG 图里焊盘都没提取出来，后面特征计算全是错的。
3. 焊盘状态特征提取：面积、圆度、灰度均匀性怎么算
3.1 轮廓筛选：用面积和圆度把焊盘和干扰分开
二值化后图里可能有多个轮廓，焊盘、引脚、反光斑点混在一起。用cv2.findContours找轮廓，然后按面积和圆度筛选。圆度公式是4πA/P²，A 是面积，P 是周长，完美圆为 1。
contours, _ = cv2.findContours(opening, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) pads = [] for cnt in contours: area = cv2.contourArea(cnt) perimeter = cv2.arcLength(cnt, True) if perimeter == 0: continue circularity = 4 * np.pi * area / (perimeter * perimeter) # 面积阈值根据实际像素标定，圆度大于 0.7 认为是焊盘 if 500 < area < 5000 and circularity > 0.7: pads.append(cnt)逻辑说明：面积范围 500 到 5000 是假设焊盘在图像里直径 80 到 150 像素，实际要拿标定板或已知良品图统计。圆度阈值 0.7 是经验值，焊盘有轻微椭圆或边缘毛刺时圆度会降到 0.75 左右，设太高会漏检。如果焊盘是方形，圆度公式要换成矩形度。
参数说明：cv2.RETR_EXTERNAL只取外轮廓，避免焊盘内部纹理产生嵌套轮廓。CHAIN_APPROX_SIMPLE压缩轮廓点，加快后续计算。
3.2 灰度特征：均值、标准差、暗像素占比
轮廓筛出来后，用掩膜把焊盘区域抠出来，算灰度统计量。良品焊盘灰度均值高且标准差小，虚焊或发黑焊盘均值低，偏焊会导致灰度分布不均、标准差大。
mask = np.zeros_like(img) cv2.drawContours(mask, [cnt], -1, 255, -1) # 提取焊盘区域像素 pixels = img[mask == 255] mean_gray = np.mean(pixels) std_gray = np.std(pixels) # 暗像素占比，灰度低于 80 的算暗区 dark_ratio = np.sum(pixels < 80) / len(pixels)逻辑说明：img[mask == 255]是 numpy 布尔索引，比逐像素循环快几个数量级。暗像素阈值 80 要根据实际光源和相机曝光定，我一般先跑一批良品图，看灰度直方图，取良品最低灰度的 80% 作为暗像素阈值。
参数说明：mean_gray低于良品均值 15% 判为发黑，std_gray超过良品均值 1.5 倍判为偏焊，dark_ratio超过 0.2 判为虚焊。这些阈值不是固定的，每换一批漆包线或调整光源都要重新统计。
3.3 特征向量与判定逻辑：把多个指标合成一个结论
单个特征容易误判，比如反光会让均值偏高，但暗像素占比可能正常。我一般把面积、圆度、均值、标准差、暗像素占比组成特征向量，用简单的阈值组合判定：
def judge_pad(area, circularity, mean_gray, std_gray, dark_ratio): # 良品参考值，实际从良品样本统计 if area < 500 or area > 5000: return 'NG_AREA' if circularity < 0.7: return 'NG_SHAPE' if mean_gray < 120: return 'NG_DARK' if dark_ratio > 0.2: return 'NG_COLD' if std_gray > 40: return 'NG_OFFSET' return 'OK'逻辑说明：判定顺序按缺陷严重程度排，面积和形状不对直接 NG，不用再算灰度。NG_COLD对应虚焊，NG_OFFSET对应偏焊。返回具体 NG 类型方便产线追溯。
参数说明：良品参考值mean_gray=120、std_gray=40是示例，实际要用至少 50 张良品图统计均值和标准差，取均值加减 3 倍标准差作为上下限。如果产线换料，重新采 20 张良品图更新阈值即可，不用改代码结构。
4. 避坑与排查：焊盘识别翻车的五个血泪经验
4.1 现象：二值化后焊盘内部出现空洞，面积算出来偏小
原因：漆包线焊盘表面有氧化层或助焊剂残留，局部反光不均，自适应阈值把暗区切成了背景。解决：先做一次顶帽变换或 CLAHE 增强对比度，再二值化。或者把blockSize从 31 调到 51，让阈值参考区域更大，减少局部波动影响。
4.2 现象：同一批产品，有的图能识别，有的图轮廓找不到
原因：相机曝光或光源亮度漂移，导致部分图整体偏暗或偏亮，固定阈值失效。解决：在预处理前加一步自动亮度判断，用图像均值做反馈，动态调整二值化的C值。更稳的做法是加一个环形光源，从结构上减少反光变化。
4.3 现象：圆度算出来总是偏低，良品也被判成 NG_SHAPE
原因：轮廓提取时边缘有毛刺，周长被高估，圆度公式分母变大。解决：在findContours之前做一次形态学闭运算，把边缘毛刺填平；或者用cv2.approxPolyDP对轮廓做多边形逼近，减少点数。另外检查图像分辨率，焊盘直径低于 60 像素时圆度计算本身就不稳。
4.4 现象：程序跑几分钟后报内存错误或越来越慢
原因：循环里不断创建新图像或列表没释放，OpenCV 的 Mat 在 Python 里虽然自动回收，但大图频繁创建会触发内存碎片。解决：把 ROI 裁剪和预处理放到循环外，只对 ROI 区域操作；用del显式删除大图变量；如果用了cv2.imshow，记得在循环里调cv2.waitKey(1)，否则窗口事件堆积也会拖慢。
4.5 现象：换了漆包线规格后，原来调好的参数全部失效
原因：线径变了，焊盘尺寸和反光特性跟着变，面积阈值和灰度阈值都不适用。解决：把参数抽成配置文件，按线径分档存。换料时先跑 10 张新料良品图，自动统计面积均值和灰度均值，更新配置文件，不用改代码。我一般会在程序启动时加一个--calibrate参数，专门做这件事。
5. 进阶技巧：用 solvePnP 做焊盘三维姿态补偿
前面讲的都是二维图像上的判定，但实际产线里焊盘可能有轻微倾斜，导致拍出来的焊盘是椭圆而不是圆，圆度特征直接失效。这时候可以用 OpenCV 的solvePnP做姿态估计，把倾斜角度算出来，再对图像做透视校正，还原成正圆后再算特征。
思路是：在焊盘工装上加四个已知坐标的标记点，用cv2.solvePnP根据标记点在图像里的位置反推相机相对焊盘平面的旋转和平移，然后用cv2.warpPerspective把图像校正到正视角。这样即使焊盘倾斜 10 度以内，校正后圆度也能恢复到 0.9 以上。
# 标记点在世界坐标系的坐标，单位毫米 object_points = np.array([ [0, 0, 0], [10, 0, 0], [10, 10, 0], [0, 10, 0] ], dtype=np.float32) # 标记点在图像里的像素坐标，按实际检测结果填 image_points = np.array([ [120, 80], [320, 85], [315, 280], [125, 275] ], dtype=np.float32) # 相机内参矩阵，用标定板提前标定 camera_matrix = np.array([ [800, 0, 320], [0, 800, 240], [0, 0, 1] ], dtype=np.float32) dist_coeffs = np.zeros(5) # 求解姿态 ret, rvec, tvec = cv2.solvePnP(object_points, image_points, camera_matrix, dist_coeffs) # 用旋转向量构造校正变换 rotation_matrix, _ = cv2.Rodrigues(rvec) # 后续用 warpPerspective 做校正，这里省略具体矩阵构造逻辑说明：solvePnP需要至少四个对应点，标记点坐标要精确。camera_matrix必须提前用棋盘格标定，不能随便填。rvec是旋转向量，tvec是平移向量，拿到后可以算焊盘平面法向量，判断倾斜方向。
参数说明：camera_matrix里的焦距800和主点(320, 240)是示例，实际用cv2.calibrateCamera标定得到。如果产线相机固定不动，标定一次可以长期用。dist_coeffs是畸变系数，工业镜头畸变一般很小，可以设为零向量，但广角镜头必须标定。
这个技巧的代价是增加了标定和计算开销，如果产线焊盘本身很平，二维特征就够用，不必上 solvePnP。我一般只在圆度频繁误判、且确认是倾斜导致的时候才加这一步。另外，校正后的图像要重新做 ROI 提取，因为透视变换会改变焊盘位置。
最后说个习惯：我每调完一套参数，都会把良品和各类 NG 图各存 20 张，跑一遍全量测试，记录误判率。产线换料或光源老化后，拿这批图重新跑，看误判率有没有上升，上升了就重新标定。这套流程不复杂，但能让你在出问题之前就发现漂移。希望帮到你。
本文还有配套的精品资源，点击获取
