方形金属件X光片轮廓分析：拟合各边平均直线检测表面粗糙度

一、拆分轮廓为四条独立边 #

方形闭合轮廓首先要拆成四条边的点集，保证后续拟合的针对性：

• 极简方法：通过坐标极值划分。找出所有轮廓点的x、y最大最小值，将x接近最小值的归为左边，x接近最大值的归为右边，y接近最小值的归为上边，y接近最大值的归为下边；
• 精准方法：通过相邻点的斜率突变找拐点，用拐点把轮廓拆成四段，能有效避开边角过渡点，避免干扰直线拟合。

二、用最小二乘法拟合每条边的平均直线 #

对每条边的点集，最小二乘法是最优拟合选择——它能让所有点到直线的垂直距离平方和最小，拟合出的直线最接近边的“平均位置”：

• 注意处理垂直边：如果直接用y = kx + b会出现无穷大斜率，可先交换x、y坐标，拟合x = ky + b，之后再转换回原坐标系的直线方程；
• Python实现代码：

import numpy as np

def fit_edge_line(edge_points):
    x_coords = edge_points[:, 0]
    y_coords = edge_points[:, 1]
    # 判断是否为垂直边（x方向变化远小于y方向）
    is_vertical = (np.max(x_coords) - np.min(x_coords)) < (np.max(y_coords) - np.min(y_coords))
    
    if is_vertical:
        # 交换x和y，拟合x = k*y + b
        x_coords, y_coords = y_coords, x_coords
    
    # 最小二乘法求解直线参数
    A = np.vstack([x_coords, np.ones(len(x_coords))]).T
    k, b = np.linalg.lstsq(A, y_coords, rcond=None)[0]
    
    if is_vertical:
        # 转换回原坐标系的直线方程 y = (1/k)x - b/k
        return 1/k, -b/k
    # 返回y = kx + b的参数k和b
    return k, b

三、计算偏差得到粗糙度指标 #

拟合直线后，通过点到直线的垂直距离计算粗糙度：

• 对每条边的每个点，计算其到拟合直线的垂直距离，该距离就是点相对于“理想平整边”的偏差；
• 常用粗糙度评价指标：
  • 算术平均偏差Ra：所有偏差绝对值的平均值，工业检测中最常用；
  • 均方根偏差Rq：所有偏差平方的平均值开根号，能更突出大偏差的影响；
• 计算Ra的代码示例：

def calc_point_to_line_dist(x, y, k, b):
    # 直线kx - y + b = 0的垂直距离公式
    return abs(k * x - y + b) / np.sqrt(k**2 + 1)

def calculate_ra(edge_points, line_k, line_b):
    dist_list = [calc_point_to_line_dist(x, y, line_k, line_b) for x, y in edge_points]
    return np.mean(dist_list)

四、关键注意事项 #

• 若X光片存在噪声，拟合前要对边的点集做平滑处理（比如移动平均滤波），去掉明显噪声点，避免拉偏拟合直线；
• 拆分边时要保证每条边的点数量足够多，点太少会导致拟合直线的可靠性大幅降低；
• 方形四条边可分别计算粗糙度，后续根据需求取平均值，或保留每条边的单独检测结果。

内容的提问来源于stack exchange，提问作者nitesh