如何使用Python图像处理技术检测钢卷上的捆带数量？

核心依赖库 #

• opencv-python：工业场景最常用的图像处理库，内置边缘检测、形态学操作、轮廓识别等所有需要的能力
• numpy：配合OpenCV完成图像矩阵运算
• 可选matplotlib：用于中间处理步骤的可视化调试

实现思路 #

直接使用Canny边缘检测容易受钢卷表面锈迹、光照不均、杂纹干扰，推荐加预处理和筛选步骤提升准确率：

1. 图像预处理：先转灰度图降低运算量，用高斯模糊去除表面杂点，再做直方图均衡化放大捆带（亮银色）和钢卷主体（暗锈色）的对比度
2. 边缘优化：做完Canny边缘检测后，用垂直方向的形态学核对边缘做膨胀+腐蚀操作，把断裂的捆带边缘连成长条，同时过滤掉水平方向的无关纹理
3. 轮廓筛选计数：提取所有外接轮廓后，按高宽比、面积两个维度过滤，符合捆带特征的轮廓数量就是最终的捆带数

可直接运行的示例代码 #

首先安装依赖：
pip install opencv-python numpy

参考代码：

import cv2
import numpy as np

def count_steel_bands(img_path):
    # 读取图像
    img = cv2.imread(img_path)
    if img is None:
        return 0
    
    # 1. 预处理步骤
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    equalized = cv2.equalizeHist(blurred)
    
    # 2. 边缘检测+形态学优化
    edges = cv2.Canny(equalized, 50, 150)
    # 垂直形态学核，只保留垂直长条的捆带边缘
    vertical_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 15))
    closed = cv2.morphologyEx(edges, cv2.MORPH_CLOSE, vertical_kernel)
    
    # 3. 轮廓筛选计数
    contours, _ = cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    count = 0
    for cnt in contours:
        x, y, w, h = cv2.boundingRect(cnt)
        # 筛选规则可根据实际场景调整：高宽比>10，高度超过图像高度的1/3
        aspect_ratio = h / w
        if aspect_ratio > 10 and h > img.shape[0] / 3:
            count +=1
    return count

if __name__ == '__main__':
    band_count = count_steel_bands('你的本地钢卷图片路径.jpg')
    print(f"识别到的捆带数量为：{band_count}")

可选优化方向 #

如果实际场景有钢卷倾斜、光照变化大、背景复杂的情况，可以做以下优化：

• 新增霍夫直线检测步骤，统计斜率接近的长直线数量，适配捆带倾斜的场景
• 固定机位的工业场景可以先裁剪ROI（感兴趣区域），只保留钢卷所在的画面区域，排除背景干扰
• 准确率要求极高的场景可以准备几十张标注数据，用YOLOv8n之类的轻量检测模型微调，泛化性会比传统图像处理方案更好

内容的提问来源于stack exchange，提问作者nihal akcay