基于非闭合二值形状的圆与椭圆检测实现葡萄浆果识别

方案1：基于霍夫变换的圆形/椭圆形检测（适配现有预处理流程） #

该方案无需引入额外模型，可直接基于你已生成的边缘图运行，通过严格的参数控制可保证检出结果的准确率，刚好匹配你仅需30%-40%高可信检出的需求。

实现思路 #

• 调用cv2.HoughCircles对边缘图做圆形检测，通过限制半径范围、提高累加器阈值，仅保留置信度最高的圆形检测结果，避免误检
• 对圆形检测未覆盖的区域，可提取闭合轮廓后用cv2.fitEllipse做椭圆拟合，补充部分偏椭圆形的浆果检出

代码示例（接你现有预处理代码） #

# -------------- 圆形检测 --------------
# 可根据你的实际浆果大小调整minRadius、maxRadius，param2越高检测越严格
circles = cv.HoughCircles(edges, cv.HOUGH_GRADIENT, dp=1.2, minDist=20,
                          param1=50, param2=30, minRadius=5, maxRadius=30)
if circles is not None:
    circles = np.uint16(np.around(circles))
    for i in circles[0, :]:
        # 绘制圆和圆心
        cv.circle(img_rgb, (i[0], i[1]), i[2], (0, 255, 0), 2)
        cv.circle(img_rgb, (i[0], i[1]), 2, (0, 0, 255), 3)

# -------------- 补充椭圆检测 --------------
contours, _ = cv.findContours(edges, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
for cnt in contours:
    # 过滤过小的轮廓
    if cv.contourArea(cnt) < 50:
        continue
    # 轮廓至少有5个点才能拟合椭圆
    if len(cnt) >= 5:
        ellipse = cv.fitEllipse(cnt)
        # 过滤长宽比过大的非浆果轮廓
        if max(ellipse[1]) / min(ellipse[1]) < 1.5:
            cv.ellipse(img_rgb, ellipse, (255, 0, 0), 2)

方案2：闭合轮廓特征筛选（抗干扰性更优） #

该方案通过轮廓的几何特征筛选浆果，误检率比霍夫变换更低，适合边缘存在少量干扰的场景。

实现思路 #

• 对预处理得到的边缘图执行一次形态学闭运算，连接断裂的浆果轮廓，生成更多闭合的单浆果轮廓
• 提取所有外部轮廓，通过面积、长宽比、圆形度三个核心特征筛选符合浆果特征的轮廓：
  • 面积：过滤过小的噪声轮廓和过大的整串葡萄轮廓
  • 长宽比：单个浆果的长宽比通常小于1.5
  • 圆形度：计算公式为4 * π * 轮廓面积 / (轮廓周长²)，越接近1说明形状越接近圆形，可设置阈值≥0.75筛选
• 对筛选通过的轮廓做最小外接圆/椭圆拟合，即可直接提取半径、面积、长短轴等所需指标

代码示例（核心筛选逻辑） #

# 边缘图闭运算，连接断裂轮廓
closed_edges = cv.morphologyEx(edges, cv.MORPH_CLOSE, kernel=np.ones((3,3), np.uint8), iterations=2)
contours, _ = cv.findContours(closed_edges, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
for cnt in contours:
    area = cv.contourArea(cnt)
    # 面积过滤，可根据实际浆果大小调整阈值
    if not 50 < area < 1000:
        continue
    # 长宽比过滤
    x,y,w,h = cv.boundingRect(cnt)
    if max(w,h)/min(w,h) > 1.5:
        continue
    # 圆形度过滤
    perimeter = cv.arcLength(cnt, True)
    circularity = 4 * np.pi * area / (perimeter ** 2)
    if circularity < 0.75:
        continue
    # 符合要求的浆果，绘制外接圆
    (cx, cy), radius = cv.minEnclosingCircle(cnt)
    cv.circle(img_rgb, (int(cx), int(cy)), int(radius), (0,255,0), 2)

方案3：轻量深度学习检测（准确率最高，适合有标注数据场景） #

如果你有少量标注数据，该方案可以得到比传统CV方法更高的检出准确率：

• 选用YOLOv8n、YOLOv5n等最小规格的目标检测模型，仅需标注100张左右的葡萄浆果图像即可完成微调
• 推理时仅保留置信度排名前30%-40%的检测结果，可保证检出结果的准确率接近100%，完全满足你的需求

参数调整建议 #

由于你不需要检出全部浆果，所有方案都可以将筛选阈值设置得更严格，比如进一步提高圆形度要求、提高霍夫变换的param2阈值，只保留特征最典型的浆果，最大程度降低误检率。

内容的提问来源于stack exchange，提问作者Edo Wexler