企业官网建设流程全解析

1. 从一张“鼓包”的金属片说起：凸起缺陷到底难在哪

做过表面缺陷检测的人大概都有体会：划痕、脏污、缺料这类“减法型”缺陷，用阈值分割加形态学基本能搞定；可一旦遇到“加法型”的凸起——比如冲压件上多出来的一小块鼓包、注塑件表面的顶白凸点、金属箔材上的局部隆起——很多人第一反应是“这还不简单，灰度值高的地方就是凸起”。真上手才发现，事情远没有这么直接。

凸起缺陷的核心难点在于：它往往没有明显的灰度跳变边界。一个缓坡状的鼓包，从正常区域过渡到最高点，灰度是渐变的，你拿全局阈值去卡，要么卡不出来，要么把正常的高光区域一起框进去。更麻烦的是，很多工件的正常表面本身就存在反光、纹理、弧度，凸起缺陷的信号很容易被这些“合法”的灰度变化淹没。

这篇内容就是围绕“区域凸起缺陷检测”这个具体场景展开的。我会把 Halcon 里做这类检测的完整思路拆开讲：从怎么把凸起信号从背景里“抠”出来，到怎么用频域和形态学手段放大它，再到怎么稳定地判定和输出结果。适合已经会用 Halcon 做基础 blob 分析、但一遇到低对比度凸起就抓瞎的视觉工程师，也适合想理解“为什么频域方法能抓凸起”的进阶读者。

先说一个我踩过的坑：早期做某冲压件凸起检测，我直接用threshold卡高灰度区域，结果工件边缘的倒角反光全部被误判成凸起，误报率一度超过 30%。后来才明白，凸起检测的关键不在于“找亮的地方”，而在于“找局部比周围鼓起来的地方”——这是一个相对概念，不是绝对灰度概念。这个认知转变，是整篇文章的起点。

2. 凸起缺陷的信号本质：为什么灰度阈值会失效

2.1 凸起在图像里到底长什么样

要抓凸起，先得搞清楚它在相机里成像成什么样。假设一个理想漫反射表面，局部隆起一个半球形鼓包，在均匀环形光照射下，鼓包顶部因为法线朝向光源，接收到的光强最大，成像最亮；鼓包边缘法线逐渐偏离，亮度平滑下降，直到和周围平面区域一致。所以一个凸起在图像上的典型表现是：中心亮、边缘渐变、没有锐利边界。

这和划痕完全不同。划痕是凹下去的，边缘会有阴影，灰度跳变明显，阈值一卡一个准。凸起是“缓坡”，它的空间频率低、对比度低，用一阶微分（比如sobel_amp）去增强，响应也很弱。这就是为什么很多人用边缘检测做凸起，结果什么都检不出来。

2.2 全局阈值为什么必然误报

全局阈值的逻辑是“灰度大于 T 的像素就是缺陷”。但工件上合法的亮区域太多了：倒角、圆角、加工纹路的高点、甚至光源本身的亮度不均，都会产生高灰度像素。你把 T 调高，凸起检不出来；调低，正常区域全进来。本质上，全局阈值丢失了“空间上下文”——它不知道一个亮像素是孤立鼓包，还是大面积正常高光的一部分。

我做过一个统计：在某类金属件上，正常高光区域的灰度峰值能达到 200 以上，而凸起缺陷中心灰度可能只有 160。也就是说，凸起缺陷的绝对灰度甚至可能低于正常区域。这种情况下，任何基于绝对灰度的阈值方法都是死路。

2.3 凸起检测真正该用的信号：局部对比度与空间频率

既然绝对灰度靠不住，就得换信号。凸起有两个可利用的物理特征：

第一，局部对比度。凸起中心虽然绝对灰度不一定最高，但它一定比“紧邻的周围”亮。用一个大核均值滤波得到背景估计，再用原图减去背景，凸起就会变成一个正值区域，而大面积正常高光因为“周围也亮”，相减后接近零。这就是dyn_threshold或背景减除的思路。

第二，空间频率。凸起是一个低频的、平滑的隆起，它的能量集中在低频段。而纹理、噪声这些干扰集中在高频段。通过频域滤波（比如fft_image加低通或带通），可以把凸起的低频信号单独提取出来，同时压制高频纹理。这是频域方法抓凸起的理论依据。

下面这张表对比了几种常见信号提取方式在凸起检测上的表现，是我在实际项目中反复验证过的：

3. 用背景减除把凸起从缓坡里“抬”出来

3.1 背景估计的核心：核尺寸怎么定

背景减除的思路很朴素：用一个足够大的均值或中值滤波核把图像“糊”一遍，得到一张只保留大尺度亮度趋势的背景图，然后用原图减背景图，剩下的就是局部起伏。凸起作为局部起伏，会在差值图里变成一个明显的亮斑。

关键在于核尺寸。核太小，背景图会把凸起本身也“糊”进去，相减后凸起消失；核太大，背景图跟不上光照的缓慢变化，相减后会出现大面积伪影。我的经验法则是：核直径取凸起预期直径的 3 到 5 倍。比如你预期凸起直径在 20 像素左右，核直径就取 60 到 100 像素。

在 Halcon 里可以这样写：

* 读取图像 read_image (Image, 'workpiece.png') get_image_size (Image, Width, Height) * 背景估计：大核均值滤波 * 核直径取凸起预期直径的4倍左右 mean_image (Image, Background, 81, 81) * 背景减除，得到局部起伏图 sub_image (Image, Background, Diff, 1, 128)

这里sub_image的第三个参数是缩放因子，第四个是灰度偏移。加 128 是为了让差值图落在可视范围内，方便后续处理。实际判定时，我们关心的是差值大于零的部分。

3.2 中值滤波 vs 均值滤波：什么时候用哪个

均值滤波做背景估计，优点是快，缺点是对异常值敏感——如果背景里恰好有个大凸起，均值会被拉高，导致该区域背景估计偏亮，相减后凸起被削弱。中值滤波对异常值鲁棒，但速度慢，而且核很大时计算量惊人。

我的选择逻辑是：凸起稀疏且尺寸远小于核时，用中值；凸起密集或对速度敏感时，用均值。还有一个折中方案：先用小核中值去掉噪声，再用大核均值做背景估计。这样兼顾鲁棒性和速度。

* 先去噪 median_image (Image, ImageMed, 'circle', 3, 'mirrored') * 再大核均值做背景 mean_image (ImageMed, Background, 81, 81) sub_image (ImageMed, Background, Diff, 1, 128)

3.3 差值图的后处理：从亮斑到缺陷区域

差值图出来后，凸起表现为一个亮斑，但边缘是渐变的，直接阈值分割得到的区域可能偏小或偏大。这时候需要做几件事：

第一，用threshold卡一个相对低的阈值，把凸起的“裙边”也包含进来，保证区域完整。第二，用connection断开连通域，再用select_shape按面积和圆度筛选。第三，用dilation_circle做适度膨胀，把边缘补回来。

* 阈值分割，阈值取差值图均值的1.5倍左右 threshold (Diff, Region, 140, 255) connection (Region, ConnectedRegions) * 按面积筛选，面积下限根据实际凸起最小尺寸定 select_shape (ConnectedRegions, Defects, 'area', 'and', 50, 5000) * 圆度筛选，凸起通常比较圆 select_shape (Defects, Defects, 'circularity', 'and', 0.6, 1.0)

这里有个细节：threshold的阈值不能拍脑袋定。我通常先统计差值图的灰度直方图，找到背景噪声的上限，然后取“噪声上限 + 3 到 5 个灰度级”作为阈值。这样能保证在噪声波动下不误报。

注意：背景减除法对光照均匀性有一定要求。如果光源本身明暗差异很大，背景图会残留光照梯度，相减后出现大面积伪影。这种情况下要先做光照校正，或者改用频域方法。

4. 频域带通：把低频凸起从高频纹理里分离

4.1 为什么频域能抓凸起

前面说过，凸起是低频信号，纹理和噪声是高频信号。频域滤波的本质就是“按频率选择性放行”。把图像做傅里叶变换到频域，低频能量集中在频谱中心，高频能量分布在四周。用一个环形带通滤波器，只保留凸起对应的频段，再逆变换回空域，凸起就被单独提取出来了。

这个方法的好处是：它不依赖局部对比度，而是依赖空间尺度。哪怕凸起对比度很低，只要它的空间尺度落在带通范围内，就能被提取。对于背景减除搞不定的“大面积缓坡凸起”，频域方法往往有奇效。

4.2 带通滤波器的参数怎么算

频域滤波的核心参数是带通的中心频率和带宽。中心频率对应凸起的空间尺度：凸起越大，中心频率越低。具体计算方式是：假设凸起直径约 D 像素，图像尺寸为 N×N，那么凸起对应的归一化频率约为 N/D。比如图像 1024×1024，凸起直径 50 像素，中心频率就在 1024/50 ≈ 20 左右。

带宽则决定了提取的“宽容度”。带宽太窄，凸起尺寸稍有变化就漏检；带宽太宽，高频纹理又进来了。我的经验是带宽取中心频率的 0.5 到 1 倍。

在 Halcon 里，频域滤波可以这样实现：

* 傅里叶变换 fft_image (Image, ImageFFT) * 生成带通滤波器 * 中心频率约20，带宽约15 gen_bandpass (ImageBandpass, 20, 15, 'none', 'rft', Width, Height) * 频域滤波 convol_fft (ImageFFT, ImageBandpass, ImageConvol) * 逆变换 fft_image_inv (ImageConvol, ImageFiltered)

gen_bandpass的参数需要根据实际图像尺寸和凸起尺度调整。这里给的是归一化频率，实际使用时 Halcon 会自动按图像尺寸换算。

4.3 频域方法的坑：振铃效应与边界处理

频域滤波最烦人的问题是振铃效应。理想带通滤波器在频域是矩形窗，逆变换后在空域会产生 sinc 函数形状的旁瓣，表现为凸起周围出现一圈圈明暗条纹。这些条纹会被后续阈值分割误判成缺陷。

解决办法有两个：一是用高斯带通代替理想带通，gen_bandpass的滤波类型参数选'gauss'而不是'none'，高斯窗在频域平滑过渡，空域旁瓣小得多。二是对图像做边界扩展，比如用mirror或continue方式填充边界，减少边界截断带来的频谱泄漏。

* 用高斯带通，减少振铃 gen_bandpass (ImageBandpass, 20, 15, 'gauss', 'rft', Width, Height)

实测下来，高斯带通的振铃抑制效果比理想带通好一个数量级，代价是凸起边缘稍微模糊一点，但对检测判定影响不大。

5. 形态学顶帽：一个被低估的凸起检测利器

5.1 顶帽变换的物理含义

形态学顶帽变换（top-hat）的定义是：原图减去开运算结果。开运算是先腐蚀后膨胀，它会抹掉比结构元小的亮区域。所以原图减开运算，剩下的就是“比结构元小的亮区域”——这正好就是凸起的特征。

顶帽变换抓凸起的逻辑和背景减除很像，都是“去掉大尺度背景，保留小尺度起伏”。区别在于：背景减除用的是线性滤波，顶帽用的是非线性形态学。对于边缘陡峭的凸起，顶帽响应更锐利；对于缓坡凸起，背景减除更平滑。

5.2 结构元的选择：圆还是矩形

顶帽变换的结构元形状决定了它对什么形状的凸起敏感。圆形结构元对各向同性的凸起响应均匀，适合检测圆形鼓包；矩形结构元对特定方向的凸起更敏感，适合检测条状隆起。

结构元尺寸的选择原则和背景减除的核尺寸类似：略大于凸起预期尺寸。如果结构元比凸起小，开运算会把凸起也腐蚀掉，顶帽响应消失；如果结构元太大，正常的小尺度纹理也会被保留，噪声增加。

* 圆形结构元，半径取凸起预期半径的1.5倍 gen_circle (StructElement, 15, 15, 20) * 顶帽变换 top_hat (Image, StructElement, TopHat) * 后续阈值分割 threshold (TopHat, Region, 30, 255)

5.3 顶帽与背景减除的实测对比

我在同一组金属件图像上对比过两种方法。对于直径 30 到 50 像素、对比度中等的凸起，两者检出率都在 95% 以上，差异不大。但对于直径超过 80 像素的大缓坡凸起，背景减除的检出率明显更高，因为大核均值能更好地拟合缓坡背景；而顶帽需要很大的结构元，计算量剧增且容易引入噪声。

反过来，对于直径小于 15 像素的小凸点，顶帽的响应更干净，因为小结构元的开运算能精确抹掉小凸点，而背景减除的小核会把凸点本身也糊进去。

所以我的建议是：小凸点用顶帽，大缓坡用背景减除，中等尺寸两者都试，看哪个误报低。

6. 多方法融合与判定逻辑：怎么把误报压到最低

6.1 单一方法的局限

前面讲的三种方法——背景减除、频域带通、形态学顶帽——各有各的适用场景，也各有各的误报来源。背景减除怕光照不均，频域怕纹理周期，顶帽怕结构元尺寸不匹配。在实际产线上，单一方法很难同时做到高检出和低误报。

我做过一个统计：在某类冲压件上，背景减除的检出率 96%，误报率 8%；频域带通的检出率 92%，误报率 5%；顶帽的检出率 90%，误报率 6%。单独用任何一个，误报率都偏高。

6.2 融合策略：与运算还是或运算

融合的基本思路是“取长补短”。有两种融合逻辑：

第一种是与运算（AND）：只有两种方法都判定为缺陷的区域才算缺陷。这能大幅降低误报，但会牺牲检出率——如果某个凸起只有一种方法能检出，就会被漏掉。

第二种是或运算（OR）：任一方法判定为缺陷就算缺陷。这能提高检出率，但误报会增加。

我的经验是：先用或运算保证检出，再用形状和灰度特征做二次筛选压误报。具体做法是：把三种方法的缺陷区域合并，然后用select_shape按面积、圆度、凸度筛选，再用intersection看区域重叠度——真正凸起往往在多种方法下都有响应，重叠度高；而噪声引起的误报通常只在一种方法下出现，重叠度低。

* 三种方法分别得到 Defects1, Defects2, Defects3 * 合并 union2 (Defects1, Defects2, UnionTemp) union2 (UnionTemp, Defects3, AllDefects) connection (AllDefects, AllConnected) * 按面积和圆度筛选 select_shape (AllConnected, Candidates, ['area','circularity'], 'and', [50,0.5], [5000,1.0]) * 计算每个候选区域在三种方法中的重叠次数 * 重叠次数>=2的保留

6.3 判定阈值的动态调整

固定阈值在产线换型时往往需要重新调参，很麻烦。我的做法是引入动态阈值：先统计一张“已知合格品”图像的缺陷响应分布，取分布的 99.7% 分位数作为阈值上限。这样阈值会随工件批次自动适应，换型时只需要换一张合格品参考图。

* 用合格品图像统计背景响应 * 假设 Diff 是合格品的差值图 * 计算均值和标准差 intensity (Diff, Diff, Mean, Deviation) * 动态阈值 = 均值 + 3倍标准差 DynamicThreshold := Mean + 3 * Deviation threshold (Diff, Region, DynamicThreshold, 255)

这个方法在光照缓慢变化的产线上特别管用，能把因光照漂移引起的误报压下去一大半。

7. 实操中那些文档不会写的细节

7.1 相机与光源的配合比算法更重要

我见过太多人把精力全花在算法调参上，却忽略了成像质量。凸起检测对光源尤其敏感。环形光适合检测各向同性的鼓包，因为环形光从各个方向照射，凸起顶部接收的光强最大，边缘均匀衰减。条形光适合检测特定方向的条状隆起，因为条形光的方向性强，能突出某一方向的坡度。

相机方面，分辨率要保证凸起在图像上至少占 15 到 20 像素。低于这个尺寸，凸起的缓坡特征就退化成几个像素的灰度变化，任何算法都无力回天。镜头畸变要小，因为畸变会引入额外的灰度梯度，干扰背景估计。

7.2 标定与 ROI 的取舍

全图处理还是 ROI 处理，这是个实际问题。全图处理速度快，但容易受无关区域干扰；ROI 处理针对性强，但需要额外的定位步骤。我的建议是：如果工件位置稳定，用固定 ROI；如果位置有波动，先用模板匹配定位，再在定位后的坐标系里取 ROI。

ROI 的边界要避开工件边缘和倒角，因为这些地方的灰度梯度天然很大，背景减除后会产生强响应。我通常把 ROI 向内收缩 10 到 20 像素，把边缘区域排除在外。

7.3 参数调试的顺序与记录

调参最忌讳东调一下西调一下。我的顺序是：先调成像（光源、曝光、对焦），再调预处理（去噪、背景估计），再调分割阈值，最后调筛选条件。每一步调完，用同一组测试图验证，记录检出率和误报率。这样出问题时能快速定位是哪一步的参数变了。

建议建一个参数记录表，把每组参数对应的检出率、误报率、处理时间都记下来。换型时直接查表，比重新调参快得多。

7.4 处理速度的优化

Halcon 的处理速度优化有几个实用技巧：一是用reduce_domain把处理范围限制在 ROI 内，能省掉大量无关计算；二是背景估计用mean_image而不是median_image，前者快很多；三是频域方法只在必要时用，因为 FFT 本身开销不小；四是把select_shape的筛选条件按“先严后宽”排列，先用面积快速筛掉大部分，再用圆度精筛。

如果产线节拍要求高，可以考虑把背景估计的核尺寸减小，或者用binomial_filter近似高斯滤波，速度比mean_image还快。

8. 一个完整的检测流程与代码骨架

把前面的内容串起来，一个可落地的凸起检测流程大致是这样的：

* 1. 读取图像并定位 read_image (Image, 'workpiece.png') * 模板匹配定位（略） * 2. 取ROI reduce_domain (Image, ROI, ImageROI) * 3. 去噪 median_image (ImageROI, ImageMed, 'circle', 3, 'mirrored') * 4. 背景估计与减除 mean_image (ImageMed, Background, 81, 81) sub_image (ImageMed, Background, Diff, 1, 128) * 5. 动态阈值 intensity (Diff, Diff, Mean, Deviation) threshold (Diff, Region, Mean + 3*Deviation, 255) * 6. 形态学后处理 connection (Region, ConnectedRegions) select_shape (ConnectedRegions, Defects, 'area', 'and', 50, 5000) select_shape (Defects, Defects, 'circularity', 'and', 0.5, 1.0) * 7. 频域辅助验证（可选） fft_image (ImageMed, ImageFFT) gen_bandpass (ImageBandpass, 20, 15, 'gauss', 'rft', Width, Height) convol_fft (ImageFFT, ImageBandpass, ImageConvol) fft_image_inv (ImageConvol, ImageFiltered) threshold (ImageFiltered, FreqRegion, 20, 255) * 8. 融合判定 intersection (Defects, FreqRegion, FinalDefects) * 9. 输出结果 count_obj (FinalDefects, Number) if (Number > 0) * 有缺陷，触发报警 endif

这个骨架不是死的，实际项目里要根据工件特点增删步骤。比如光照很均匀的场合，可以省掉频域验证；凸起形状很规则的场合，可以加强形状筛选。

最后分享一个我自己的体会：凸起检测的调参过程，本质上是在“检出率”和“误报率”之间找平衡点。没有哪个参数能让两者同时最优，关键是搞清楚你的产线能容忍多少误报、不能容忍多少漏检。如果漏检代价高，就把阈值调低、融合用或运算；如果误报代价高，就反过来。这个取舍没有标准答案，只有适合当前场景的答案。