机器视觉编码器缺陷检测：OpenCV形态学与自适应ROI实战

简介：一套基于机器视觉的旋转编码器缺陷检测项目，面向伺服电机生产线质检人员、机器视觉工程师及智能制造相关专业学习者。方案采用工业相机采集图像，结合自适应感兴趣区域提取与形态学腐蚀、膨胀、开闭运算等处理，实现断裂、孔洞、凸起缺陷的自动识别，可直接用于产线质检场景验证。压缩包共30个文件，容量约76.82MB，包含4个Python源程序，覆盖主检测、分割、间隙检测等功能；另有2个pyc编译文件、19张BMP与PNG测试图像及硬件软件框架图，方便直观理解系统结构。随包附有说明文档、README及额外docx资料，目录清晰，便于按模块阅读与二次开发。目前已有60人学习浏览，适合希望快速搭建视觉检测原型、掌握缺陷识别算法流程的开发者。

1. 编码器缺陷检测为什么非上机器视觉不可：断裂、孔洞、凸起在伺服产线上意味着什么

一条伺服电机产线每天要过几千个旋转编码器，码盘上的断裂、孔洞、凸起只要漏掉一个，装到电机上就是定位抖动、零位漂移，严重一点的直接飞车。基于机器视觉的旋转编码器缺陷检测系统，正是用工业相机把编码器表面拍成图像，再用自适应ROI提取和形态学算法自动挑出缺陷，全程不靠人工目检。人工目检的问题在于疲劳和标准漂移，同样的凸起，早班判不良、晚班可能就放行了；而视觉检测一旦标定好阈值，同一批活的标准是锁死的。这套方案适合伺服电机生产线上的装配工位、来料质检工位，以及想从抽检改成全检的出厂测试环节。硬件只要工业相机、镜头、光源加一台工控机，算法用OpenCV就能落地，投入远低于一台中端伺服电机检测仪的价格，但换来的是一次性拦截全部结构缺陷。

2. 先把缺陷拍清楚：工业相机、镜头与光源的三步选型

2.1 三类缺陷的成像特征决定了光学方案

旋转编码器的码盘要么是玻璃光栅，要么是金属或塑料码盘，表面缺陷集中在断裂、孔洞、凸起三类。断裂是码道上的线条出现中断，透射光下表现为一道亮线或暗线断口；孔洞是材料局部缺失，背光下直接透光，呈圆形暗斑或亮斑；凸起则是表面鼓包，背光下几乎隐形，只有在低角度光照射时才会拉出阴影。这三类缺陷的成像特性完全不同，所以光学方案不能一套打天下。常见做法是分两个工位：第一个工位用平行背光拍码盘轮廓，负责断裂和孔洞；第二个工位用低角度环形光或同轴光拍表面，负责凸起和划痕。如果只能上一台相机，就优先保证背光工位，因为断裂和孔洞是功能性缺陷，直接影响编码器输出脉冲的准确性，凸起更多是装配干涉风险。

2.2 相机与镜头选型里的三个必算参数

相机选型先算分辨率。编码器码盘直径常见的在30到50毫米之间，最小缺陷设定为0.1毫米。按经验，要稳定检出0.1毫米的缺陷，一个缺陷至少占3乘3个像素，那么视场方向需要的像素数等于视场尺寸除以最小特征尺寸再乘以3。视场按50毫米算，50除以0.1再乘3，得到1500像素，200万像素相机（1600乘1200）刚好满足，留一点余量的话上500万像素更稳。别一上来就买1200万像素的工业相机，像素高了数据量大，传输和处理都会拖慢节拍，产线上真正瓶颈往往是处理速度而不是分辨率。

镜头选型主要算焦距。公式是焦距等于工作距离乘以传感器靶面高度再除以视场高度。比如工作距离定在200毫米，传感器靶面高度4.8毫米，视场高度50毫米，焦距就是200乘4.8除以50，约19.2毫米，选16毫米或25毫米定焦镜头都行，优先选25毫米让码盘在画面里占得更大。光圈建议收到F8到F11，工业镜头的景深本来就浅，收光圈能减少码盘轻微倾斜带来的虚焦。第三个必算参数是曝光时间，码盘在产线上大多是静态拍照，曝光时间设到1到5毫秒就够了，如果要在运动状态下拍照，曝光时间必须小于允许的模糊量除以运动速度，这个后面第5章会展开说。

2.3 光源角度与工装固定上的常见做法

背光工位用的是平行背光源加漫射板，码盘放在光源和相机之间，断裂和孔洞在图像里会形成高对比度的暗斑或亮斑。凸起工位则用低角度环形光，光从侧面以10到20度的角度打向码盘表面，凸起会在迎光面形成亮区、背光面形成阴影，这个阴影就是判定凸起的关键特征。光源控制器要配常亮模式，别用频闪，频闪虽然能延长光源寿命，但在产线上调试时会多一个变量，出了问题不好排查。

工装这块有个细节容易被忽略：码盘夹具的定位精度决定了自适应ROI要承担多少校正量。如果夹具定位精度能做到正负0.5毫米以内，自适应ROI只是微调；如果定位精度差到正负2毫米，ROI就必须完全依赖图像自己找圆心。我的建议是夹具能做精度就做精度，图像算法永远不要用来弥补机械缺陷，否则产线一振动，算法就跟着翻车。

3. 自适应ROI提取：让检测框追着码盘跑而不是靠定位夹具硬撑

3.1 固定ROI为什么在产线上撑不过一个班次

很多入门方案上来就画一个固定矩形ROI，把码盘框住就完事。这种方案在实验室里跑得很漂亮，一上产线就露馅：码盘在夹具里每次放下的位置有偏差，旋转角度也完全随机，固定ROI要么把码道切掉一块，要么把黑色背景圈进来。背景的灰度分布和码盘完全不一样，形态学处理一跑，背景边缘直接被当成缺陷，过检率瞬间飙到30%以上。自适应ROI的思路是每帧图像先自己找到码盘中心和半径，再基于这个中心去做检测，相当于检测框追着码盘跑，位置偏了也能自己找回来。

3.2 用灰度投影和轮廓查找定位码盘中心

在OpenCV里定位码盘中心，常见做法是先二值化，再找最大轮廓，用最小外接圆拟合出圆心和半径。下面是这个步骤的核心代码：

import cv2 import numpy as np def locate_encoder_roi(gray): # 高斯模糊去噪，核大小根据图像分辨率调整 blurred = cv2.GaussianBlur(gray, (5, 5), 0) # 大津二值化：自动找阈值，避免手动调 _, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 找所有轮廓，只保留面积最大的那个（码盘本体） contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if not contours: return None # 取最大轮廓做最小外接圆 largest = max(contours, key=cv2.contourArea) (cx, cy), radius = cv2.minEnclosingCircle(largest) return (int(cx), int(cy)), int(radius)

这段代码的逻辑是先用5乘5的高斯核做平滑，去掉传感器噪点。二值化用大津法自动算阈值，好处是不用针对不同批次码盘反复调灰度阈值。findContours用RETR_EXTERNAL模式只取外轮廓，避免码道内部图案产生干扰。minEnclosingCircle返回的是浮点圆心和半径，转成整数后用于后续裁剪。参数上要注意高斯核大小和图像分辨率挂钩，200万像素图像用5乘5够了，500万像素可以试7乘7，太大反而会模糊掉码道边缘。大津阈值对背景和码盘对比度有要求，背光工位没问题，但前向光源工位的凸起检测图背景偏暗，大津法不一定分得开，这时候要改用灰度投影定位。

3.3 极坐标展开：把环形检测变成矩形检测

圆心和半径定位之后，下一个关键操作是极坐标展开。码盘是环形的，码道是同心圆环，直接在环形区域里跑形态学算法，核的方向和尺寸很难适配圆弧曲率。极坐标展开把环形区域拉成矩形，码道从圆弧变成水平直线，缺陷检测就从二维形态学简化成接近一维的线条分析。

def polar_unwrap(gray, center, radius, ring_width=80): # 展开半径范围：从内圆到外圆，ring_width决定检测带的宽度 unwrapped = cv2.warpPolar( gray, dsize=(360 * 2, ring_width), # 角度分辨率360*2，宽度取80 center=center, maxRadius=radius, flags=cv2.WARP_POLAR_LINEAR ) # warpPolar默认输出是竖着的，转成横着方便处理 unwrapped = cv2.rotate(unwrapped, cv2.ROTATE_90_CLOCKWISE) return unwrapped

warpPolar的参数里，dsize第一维是角度方向的采样点数，360乘2表示每0.5度采一个点，码盘码道最密的地方也不会超过这个频率；第二维是径向的采样宽度，取80个像素覆盖整个码道环带。maxRadius取码盘最大半径，配合center参数把整个环形区域纳入展开范围。展开之后，码道在图像里变为水平条纹，断裂缺陷表现为条纹上的断口，孔洞表现为条纹上的圆形暗斑，凸起表现为条纹上的局部扭曲。后续形态学处理统一用水平方向的结构元素就能搞定，这是整个算法链里最省心的一步。

4. 形态学算法分割缺陷：膨胀、腐蚀与开闭运算的产线实调参数

4.1 预处理和形态学基础操作怎么组合

极坐标展开后的图像要先做预处理再进形态学链。所谓形态学算法，核心就是膨胀和腐蚀两种操作：膨胀让亮区变大，腐蚀让亮区变小。先腐蚀后膨胀叫开运算，能去掉小的亮噪点；先膨胀后腐蚀叫闭运算，能填补小的暗缺口。在编码器缺陷检测里，开运算用来清掉灰尘和反光噪点，闭运算用来连接码道上的轻微断线，两者组合起来就是一套完整的缺陷分离链。下面这段代码就是我在产线上常用的预处理加形态学组合：

import cv2 import numpy as np def defect_segment(unwrapped): # 第一步：中值滤波去椒盐噪点，核大小取3，保留边缘 denoised = cv2.medianBlur(unwrapped, 3) # 第二步：大津二值化，区分码道和背景 _, binary = cv2.threshold(denoised, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 第三步：开运算去亮噪点，核取3x3，试探性参数 kernel_open = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) opened = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel_open) # 第四步：闭运算连接码道断口，核取5x1，沿码道方向 kernel_close = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 1)) closed = cv2.morphologyEx(opened, cv2.MORPH_CLOSE, kernel_close) # 第五步：闭运算结果和原始二值相减，差值就是断裂和孔洞候选 diff = cv2.absdiff(closed, opened) return diff

参数上最需要调的是两个核。开运算的3乘3矩形核只能去掉孤立噪点，如果产线上灰尘颗粒比较大，核要放大到5乘5，代价是小孔洞缺陷也可能被一起抹掉，所以核尺寸宁小勿大。闭运算的5乘1核沿水平方向（码道延伸方向）做闭运算，能把码道上细小的断裂填起来。这里有个关键逻辑：闭运算把正常码道填平了，但真正的缺陷区域因为面积大、形态不规则，闭运算填不满，最后absdiff求差，缺陷区域就浮出来了。如果断裂缺陷比核宽还大，5乘1填不满，需要在闭运算前先对原始图做一次膨胀增强断口对比度，不过那样会把孔洞缺陷也放大，操作时要看具体缺陷占比来取舍。

4.2 断裂、孔洞、凸起三类缺陷的判定差异

断裂和孔洞在背光图里都是暗色区域，但形态特征不同。断裂是线条方向上的断口，面积小、长宽比大；孔洞是圆形或近圆形的闭合空洞，面积可能比断裂大，圆形度接近1。用connectedComponentsWithStats可以一次性拿到每个连通域的面积、外接框和中心点，然后按特征筛选。凸起在低角度光图像里的表现完全不一样，它是一个局部高亮区域加一条阴影，处理逻辑是先膨胀增强亮区，再和原图求差，得到的是凸起的轮廓。

def classify_defects(diff, min_area=5, max_area=500): # 连通域分析 num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(diff, 8) defects = [] for i in range(1, num_labels): # 跳过背景标签0 area = stats[i, cv2.CC_STAT_AREA] width = stats[i, cv2.CC_STAT_WIDTH] height = stats[i, cv2.CC_STAT_HEIGHT] # 面积过滤：小于min_area的是噪点，大于max_area的是码道本身 if area < min_area or area > max_area: continue # 长宽比判断：断裂偏细长，孔洞偏方正 aspect = width / max(height, 1) if aspect > 3.0: defects.append(('fracture', i, area)) elif height > 5 and width > 5: defects.append(('hole', i, area)) return defects

这段代码里的关键参数是面积上下限和长宽比阈值。min_area取5个像素是底线，低于这个数的都是噪点；max_area取500是上限，超过这个面积的基本是把码道整条都框进去了，属于误检。断裂的长宽比阈值取3.0，实际码道断裂多数长宽比在5到10之间，取3是留了余量。孔洞判定要求宽高都大于5像素，避免把细长裂纹误判成孔洞。实际产线调试时，这几个参数需要拿坏品样件去标定，第6章会讲具体做法。

4.3 缺陷判定参数的物理含义与调参顺序

把所有判定条件整理成一张参数表，方便在现场对着调：

调参顺序有讲究，先调面积下限滤噪点，再调长宽比区分断裂和孔洞，最后才动形态学核的尺寸。很多人一上来就改核大小，结果噪点滤不干净，缺陷也连成一片，越调越乱。记住一个原则：形态学核是滤波器，不是分类器，分类靠的是连通域特征，两者职责不要混。按这个顺序调，新批次产品换型时，通常只需要改面积阈值，核参数可以稳定复用。

5. 产线落地避坑：光照、码道误检、节拍与过检的四笔账

5.1 环境光干扰导致ROI漂移

现象是白天产线光照好的时候检测正常，傍晚或者头顶日光灯一换，误检率突然升高，ROI定位的圆心位置在图像上来回跳。原因是车间环境光里有低频闪烁成分，灰度图像的整体亮度随之波动，大津阈值跟着漂，二值化后码盘轮廓就变形了。解决方法是给视觉工位加遮光罩，把码盘区域和车间环境光隔开，同时在光源控制器上把背光亮度调到让码盘和背景的对比度足够大，让环境光的波动占比小到可以忽略。还有一招是在算法侧加动态亮度校正，统计ROI区域的平均灰度，低于某个下限就报警提示光源衰减，而不是硬着头皮继续检测。

5.2 码盘透光码道被当成孔洞误检

现象是合格品被连续判成孔洞缺陷，而且位置集中在码道区域，放大图像看码道本身就有规律分布的透光狭缝。原因是码盘码道图案本身就是透光的，二值化之后码道和孔洞在灰度上无法区分，算法把码道间隙当成了孔洞。解决方法是把检测掩膜和码道掩膜分开：先用形态学膨胀把码道区域整体扩一圈，生成一个排除掩膜，检测时把落在掩膜内的连通域直接忽略。码道掩膜的生成用闭运算就行，核取大一点比如15乘1，把码道间隙全部填上，剩下的区域才是真正的缺陷候选区。

5.3 凸起缺陷在背光下完全不可见

现象是背光工位检完的坏品，拿到凸起工位复查时凸起还在，但在背光图像里完全看不出痕迹。原因是凸起是表面高度变化，对透射光没有遮挡，背光成像只会看到均匀的灰度。解决方法是凸起必须用前向光或低角度光成像，这个在光学选型时就要规划好，不能指望一套成像方案打天下。现场如果已经上了一条背光产线要补测凸起，加装一个低角度环形光源和第二个相机是最快的改造方式，别想着用图像算法从背光图里无中生有。

5.4 算法跑得动但产线节拍跟不上

现象是单张图像处理耗时120毫秒，产线节拍要求60毫秒一件，导致来料堆积，工人频繁按暂停。原因是代码里用了太多大尺寸卷积核，或者是在CPU上跑了大图缩放。解决方法是先压缩图像再处理，ROI定位其实不需要全分辨率，把图像缩放一半再找圆心，定位精度损失不到1个像素，但耗时能降一半。形态学处理只在展开后的矩形区域上跑，不要在整张原图上跑，这也是极坐标展开带来的额外好处。如果还压不到节拍以内，把OpenCV的编译版本换成带SIMD优化的版本，或者把图像转成灰度图后提前用ROI裁剪，产线实测通常能压到30到50毫秒。

6. 阈值调优与样本闭环：用灰度直方图把漏检率压下去

6.1 用直方图找阈值而不是拍脑袋

很多新手调阈值全靠试，试到漏检率看着低了就收工，换个批次又重新试一遍。我现在的做法是先看灰度直方图。打开一张典型坏品图像，统计ROI区域的灰度直方图，正常情况下会出现两个峰：一个是背景峰，一个是码道峰。二值化阈值就选在两个峰之间的谷底，而不是随便填一个值。大津法其实就是在自动找这个谷底。当形态学差图出来后，对差图再做一次直方图统计，噪点的灰度值集中在一个窄范围，缺陷的灰度值会拖出一条长尾，面积阈值的初始值就设在长尾的起点。这个方法的本质是用数据分布代替人眼估计，调出来的参数在不同批次之间的迁移性要好得多。

6.2 用坏品样件做回归测试

参数调完不能直接上产线，要先建立一个小样本回归集：20个合格品、20个各种缺陷类型的坏品，测试时把这40张图固定下来，每次调参都重跑一遍，保证合格品不漏检、坏品全部检出。我踩过最大的坑是只拿手头几个坏品调参，调到完美后上了产线，结果新来的缺陷形态没见过，漏了一整批。后来我养成了一个习惯：产线上每个被判不良的件都单独存图，每周把新缺陷类型补进回归集，重新标定阈值。这个闭环看起来费事，实际上是在给算法上保险。视觉检测系统的可靠性不是靠算法多牛，而是靠样本库覆盖了多少种坏法。做这套系统最大的教训是别把形态学参数调得太激进，给产线留一点余量，宁过检十个，不漏检一个，希望这个思路能帮你在伺服电机产线上少走几段弯路。

本文还有配套的精品资源，点击获取