企业官网建设流程全解析

本项目是一个基于传统图像处理算法（OpenCV）的柚子表皮缺陷检测demo，适用于工业流水线上对柚子（其他水果思路相同）的表面黑斑、腐烂等缺陷进行自动检测与好/坏果判定。

算法原理

由于大部分水果腐烂后缺陷区域呈现黑色，而正常果皮颜色与黑色在**饱和度（Saturation）**上有明显差异，因此整体检测流程如下：

1. RGB → HSI 颜色空间转换

   • 自定义实现 RGB 到 HSI 的转换（见header.py中rgb2hsi），提取 S（饱和度）通道图像。
   • 黑斑区域饱和度显著低于正常果皮，便于分离。

2. S 通道阈值分割

   • 对 S 通道做反二值化阈值分割（cv2.THRESH_BINARY_INV），提取低饱和度的疑似缺陷区域。
   • 阈值可通过窗口中的滑动条（Trackbar）实时调节。

3. 提取水果主体 ROI

   • 对原图灰度化、二值化后查找轮廓，取**最大面积轮廓的凸包（convexHull）**作为水果主体。
   • 用凸包生成掩膜（mask），与阈值分割结果做按位与（bitwise_and），只保留果皮范围内的缺陷，去除背景干扰。

4. 缺陷占比计算与好坏判定

   • 统计 ROI 内黑色（缺陷）像素个数cont，计算凸包面积hull_area。
   • 若cont / hull_area <= 0.2（即缺陷占比不超过 20%），判定为好果（This is good），否则判定为坏果（This is bad），并将结果文字标注在原图上。

该"缺陷占比阈值 20%"可在header.py的judge_ifgood中按实际需求调整。

环境要求

• Python 3.x（开发时使用 Python 3，无特殊版本要求）
• OpenCV（opencv-python）
• NumPy

安装步骤

1. 克隆或下载本项目到本地：

   从https://download.csdn.net/download/FL1623863129/88616127获取源码cdcode

2. 安装依赖：

   pipinstallopencv-python numpy

运行步骤

1. 确保待检测图片放在youzi-picture/文件夹中（默认读取./youzi-picture/Image8.jpg，可在main.py第 6 行修改图片路径）。

2. 运行主程序：

   python main.py

3. 运行后会弹出多个窗口，依次为：

   • img：原始图像
   • hsi_img：HSI 转换后的 S 通道图像
   • dst_Tri：S 通道阈值分割结果（窗口上带thre滑动条，可调阈值）
   • roi：由最大轮廓凸包生成的 ROI 掩膜
   • draw_img：ROI 内提取出的缺陷区域
   • final_result：最终判定结果（图上标注 “This is good” / “This is bad”）

4. 控制台会输出图像宽高、整体面积、凸包面积、黑色像素个数等信息。按任意键关闭窗口退出。

注意事项

• 图片路径：main.py中图片路径为硬编码./youzi-picture/Image8.jpg，更换检测图片时需修改该行。
• 阈值调节：S 通道分割阈值默认 150，程序运行前可通过代码中min_thre调整，运行时滑动条的修改不会重新触发分割（阈值分割只执行一次），如需交互式调节可将处理逻辑放入while循环（代码中已保留注释掉的循环框架）。
• 占比阈值：好/坏果判定阈值默认为缺陷占比 20%，位于header.py的judge_ifgood方法中，可按行业标准调整。
• 单张检测：当前代码仅支持单张图片检测；接入工业相机时，只需将相机 SDK 采集的帧替换cv2.imread部分即可。
• 依赖算法假设：本方案基于"缺陷呈黑色、与正常果皮饱和度差异大"的假设，若缺陷颜色与果皮接近，检测效果会下降。

文件夹结构

code/ ├── main.py # 主程序：读取图片、调用检测流程、显示各阶段结果 ├── header.py # Detect 类：封装 RGB→HSI 转换、轮廓查找、凸包提取、 │ # ROI 生成、黑色像素统计、好坏判定等核心算法 ├── README.md # 项目说明文档 ├── youzi-picture/ # 柚子测试图片（Image1.jpg ~ Image23.jpg）