简介面向计算机视觉与烟草质检场景这份基于Python和OpenCV实现的烟丝检测分割资源适合有基础图像处理知识、希望落地目标检测与分割任务的开发者。项目围绕烟丝图像读入、颜色空间转换、滤波去噪、边缘检测、轮廓提取与形态学处理展开并通过轮廓面积与周长计算进一步分析烟丝宽度等属性。压缩包共12个文件以main.py主脚本为核心配套train.jpg、test.jpg等图像样本和多个xml配置文件整体大小13.32MB结构简洁便于直接运行与二次修改。已有591人学习使用可作为烟丝检测分割任务的完整参考。压缩包内不仅给出了可直接执行的Python代码还保留了项目配置文件与测试图像能帮助读者快速理解OpenCV各图像处理环节的实际衔接方式并可在此基础上调整参数或替换数据扩展到其他细长目标的分割与测量场景对烟草工业质量控制、生产自动化的算法验证具有实用价值。1. 烟丝检测分割到底在解什么题从产线质检到实验室分析的共同刚需烟丝检测分割是烟草行业视觉项目里典型的“看着简单、做起来碎”的活。烟丝颜色从金黄到深褐表面带着油光碎屑、烟梗、梗签混在一起背景稍有阴影阈值就崩。基于Python和OpenCV做这套分割核心不是堆网络而是把颜色空间选对、形态学参数调顺、连通域筛稳。这篇文章直接给一套能跟着跑的流水线从图像采集规范到预处理、阈值分割、轮廓筛选再到用骨架提取统计长度分布适合做填充值检测、含梗率分析或产线异物识别的工程师也适合刚入门OpenCV图像处理项目、想找一个完整实战案例练手的人。所有代码都用Python写OpenCV版本按4.x说明老版本接口差异会在避坑章节单独讲。2. 烟丝图像的采集与预处理颜色空间选不对后面全是白费分割能不能做干净七成在图像质量三成在算法。很多烟丝分割项目翻车不是阈值不会调而是采集端没控制好变量。烟丝和烟梗的颜色范围很宽还带油光如果背景、光源、分辨率三个基础条件不定死后面所有参数都只能靠“玄学”调。所以先讲采集规范再讲颜色空间选择最后给一套可以直接跑的预处理代码。2.1 成像环境与采集规范分辨率、背景、光源怎么定常见做法是把烟丝样品平铺在振动盘或透明玻璃板上让烟丝尽量单层散开避免多层堆叠导致的粘连。背景我一般用深蓝色哑光板或者黑色绒布因为烟丝是黄褐色系和深蓝背景在色相上天然分离比白色背景好处理得多。白色背景反光强烟丝边缘会糊进背景里后期要用形态学补洞增加不少工作量。光源建议用两个条形LED灯从左右45度打光不要用单顶灯。单顶灯会在烟丝表面形成大面积镜面反射尤其油光足的烟丝高光区域亮度接近背景阈值分割时直接内部掏空。45度侧光能压掉大部分镜面反射同时把烟丝的纹理细节照出来后续检测长度分布时更稳。分辨率不是越高越好。按烟丝平均直径2到3毫米估算单根烟丝宽度至少占20个像素再考虑烟丝长度统计精度成像分辨率用每毫米8到12像素比较合适。一套500万像素相机拍A4纸大小的视野已经完全够用。分辨率过高单张图几十MB处理速度慢产线上根本跑不动。采集规范这边还有一个容易忽略的点烟丝含水率。刚开包的烟丝和暴露在空气中半小时后的烟丝颜色差异肉眼可见。做检测分割前先把样品在恒温恒湿环境下放置一段时间让含水率稳定下来否则同一个阈值参数在不同批次样品上表现天差地别排查起来很费劲。2.2 颜色空间对比为什么LAB比HSV更适合烟丝与背景分离OpenCV默认读图是BGR顺序很多人习惯直接转HSV因为HSV在物体检测里特别好用。但烟丝分割这个场景HSV反而不是最优解。烟丝颜色分布在橙色到红褐色区域H通道集中在10到30S通道受油光影响波动大一旦有高光S值骤降同一根烟丝在阈值后容易断成几截。LAB颜色空间更适合这个问题。L通道表示亮度不包含颜色信息适合做基础分割a通道从绿到红烟丝的黄褐色在a通道上有明显响应而背景的蓝色在a通道上是负值天然拉开距离。实测下来直接用a通道做阈值比用HSV的S通道稳定很多尤其在烟丝油光重、背景深浅不一的场景下。如果背景不是蓝色而是黑色L通道反而好用因为烟丝和黑背景的亮度差很大。这时不要用灰度图直接阈值而是先做CLAHE对比度增强把暗部细节提出来再阈值。灰度图直接阈值的问题在于光照不均时图像四角偏暗固定阈值会把边缘烟丝切掉。这里可以写一小段采样分析代码帮你判断当前图像里烟丝像素和背景像素的可分性。import cv2 import numpy as np img cv2.imread(tobacco_sample.jpg) # 读入烟丝图像 lab cv2.cvtColor(img, cv2.COLOR_BGR2LAB) # 转换到LAB空间 l, a, b cv2.split(lab) # 分离三个通道 # 人工框选一块纯烟丝区域和一块纯背景区域 # 这里用OpenCV的selectROI交互框选跑起来后自己画矩形 tobacco_roi cv2.selectROI(select tobacco, img) bg_roi cv2.selectROI(select background, img) cv2.destroyAllWindows() def roi_mean_std(channel, roi): x, y, w, h roi patch channel[y:yh, x:xw] return patch.mean(), patch.std() for name, roi in [(tobacco, tobacco_roi), (bg, bg_roi)]: for ch_name, ch in [(L, l), (a, a), (b, b)]: mean, std roi_mean_std(ch, roi) print(f{name} {ch_name} channel: mean{mean:.1f}, std{std:.1f})这段代码交互式框选烟丝和背景区域输出每个通道的均值和标准差。判读标准很直接两个类别的均值差越大越好标准差越小越好。如果你发现烟丝和背景在某个通道上均值差不到15说明当前采集条件下这个通道不适合做分割需要换通道或者调整光源。这个分析过程只花两分钟能省下后面调半天参数的力气。2.3 预处理流水线实现滤波、灰度化、对比度增强的完整代码确认了颜色通道之后预处理就固定下来。以蓝色背景、LAB空间为例我一般走四步读取图像、转LAB取L通道或a通道、CLAHE增强、轻高斯滤波。这一步目的是让目标区域边界清晰同时抑制噪声避免后续阈值分割出现零零碎碎的小点。import cv2 import numpy as np def preprocess_tobacco(img, use_channelL, clip_limit2.0, gaussian_k5): 烟丝图像预处理 use_channel: L 或 a, 根据采样分析结果选择 clip_limit: CLAHE对比度限制, 越大增强越强, 一般2.0~3.0 gaussian_k: 高斯核大小, 必须为奇数 lab cv2.cvtColor(img, cv2.COLOR_BGR2LAB) l, a, b cv2.split(lab) channel l if use_channel L else a # CLAHE只支持单通道, 直接把选中的通道传进去 clahe cv2.createCLAHE(clipLimitclip_limit, tileGridSize(8, 8)) enhanced clahe.apply(channel) # 高斯滤波, 核越大越模糊, 5x5在烟丝场景下比较平衡 blurred cv2.GaussianBlur(enhanced, (gaussian_k, gaussian_k), 0) return blurred img cv2.imread(tobacco_sample.jpg) processed preprocess_tobacco(img, use_channelL) cv2.imwrite(tobacco_preprocessed.png, processed)CLAHHE的clipLimit参数控制对比度增强强度。调得太大会把烟丝表面的纹理噪声也放大反而干扰分割调太小则增强效果不明显。实际项目里我习惯先设2.0看直方图再微调。tileGridSize一般不动8x8是OpenCV官方默认值对这个场景足够。高斯核5x5是起点如果发现阈值后有细碎噪声可以升到7x7但不要超过9x9否则烟丝边缘会变钝长度统计时会整体缩短。2.4 预处理参数速查表不同图像条件下怎么配图像条件推荐通道CLAHE clipLimit高斯核说明蓝色背景、侧光均匀a通道1.5~2.03x3色相分离最好增强不用太狠黑色背景、亮度充足L通道2.5~3.05x5亮度差大主要防高光干扰光照不均、四角偏暗L通道3.0~3.57x7先做光照校正再看效果反光严重、烟丝油光大a通道1.53x3不要用L通道高光区会掏空烟丝这张表不是万能公式但覆盖了烟丝场景八九成的情况。快速试一遍这些组合然后用后面要讲的阈值分割对比一下基本能确定当前采集系统的最佳预处理路径。预处理做到位分割环节才有稳定的输入。3. 核心分割流程从阈值到连通域的参数化实现预处理输出一张边界清晰、背景干净的单通道图接下来进入分割核心。烟丝分割和那种“检测一个明显目标”的任务不一样图里可能有几十根烟丝互相交叉、粘连还有碎屑和烟梗。如果只用一个全局阈值结果通常惨不忍睹。这一章按阈值、形态学、连通域三步走每一步都给出参数化代码和调节建议。3.1 阈值策略OTSU、固定阈值与自适应阈值的适用边界阈值分割看起来简单选错方法就翻车。固定阈值适合光照恒定、背景稳定的产线场景但前提是你有耐心反复试值。OTSU是大津法自动找全局最优阈值对烟丝这种双峰明显的直方图效果不错。自适应阈值适合光照不均匀的图像但它按局部区域计算阈值对烟丝这种内部纹理丰富的目标容易产生噪声。我的经验是先用OTSU跑一遍看结果再决定要不要换自适应。OTSU对蓝色背景的烟丝图通常一次就能拿下一个不错的初分割后续用形态学修一修就能用。如果OTSU结果里背景碎点太多说明预处理不够干净回头调CLAHHE或者换通道不要死磕阈值本身。import cv2 import numpy as np processed cv2.imread(tobacco_preprocessed.png, cv2.IMREAD_GRAYSCALE) # 方法一: OTSU自动阈值 thresh_val, mask_otsu cv2.threshold( processed, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU ) # 方法二: 自适应阈值, 适合光照不均的图像 mask_adaptive cv2.adaptiveThreshold( processed, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, blockSize51, # 局部邻域大小, 越大越平滑, 但太小会丢失边缘 C5 # 常数, 从局部均值减去, 越大分割结果越保守 ) cv2.imwrite(mask_otsu.png, mask_otsu) cv2.imwrite(mask_adaptive.png, mask_adaptive)OTSU不需要调参但有个前提假设图像直方图是双峰的。烟丝和背景颜色对比明显时成立。自适应阈值的blockSize和C两个参数需要重点关注。blockSize推荐在41到61之间烟丝较细时用较小的值能保住细枝背景光照变化大时用较大值防止背景被切开。C值控制阈值偏置默认5起步如果发现烟丝被切碎降低C值到3如果背景噪声多提高C值到7或9。3.2 形态学操作开运算去孤立噪点闭运算连接断裂二值化之后最常见的两个问题一是背景里残留细小的亮噪声点二是烟丝表面因为高光或纹理出现细小的黑洞。黑洞不补连通域分析时一根烟丝会被拆成好几段。形态学操作为此而生开运算先腐蚀再膨胀去掉孤立小白点闭运算先膨胀再腐蚀填补内部小黑洞。核的大小在这里很讲究。核太小不起作用核太大把相邻烟丝糊在一起。烟丝宽度约20像素的场景下开运算用3x3椭圆核闭运算用5x5椭圆核是比较稳的起点。如果烟丝细碎可以只做开运算不做闭运算因为闭运算也可能把本就靠近的两根烟丝连起来。import cv2 import numpy as np mask cv2.imread(mask_otsu.png, cv2.IMREAD_GRAYSCALE) # 开运算: 去背景噪点 kernel_open cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) mask_open cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel_open) # 闭运算: 填补烟丝内部小洞 kernel_close cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) mask_close cv2.morphologyEx(mask_open, cv2.MORPH_CLOSE, kernel_close) cv2.imwrite(mask_clean.png, mask_close)选择椭圆核而不是矩形核是因为烟丝是长条状物体椭圆核在保持方向性的同时不会像矩形核那样产生直角棱角。用矩形核处理过的mask边界很生硬后期如果要做外接矩形拟合会发现边缘锯齿明显。椭圆核的代价是计算稍慢但在静态图像处理项目里完全可以忽略。3.3 连通域分析与轮廓筛选用面积、长宽比、填充度把烟丝和碎屑分开mask干净之后就要把“看起来像烟丝”的目标从“看起来像碎屑”的目标里筛出来。这个环节是整个分割流程里最能体现经验的地方。烟丝的特点是长条状长宽比通常大于2碎屑和梗签则是近圆形或方形。再配合面积阈值和填充度就能把绝大多数干扰物滤掉。连通域分析和轮廓提取都可以做。连通域分析速度快直接给出面积和包围盒轮廓提取可以进一步做最小外接矩形拿到更精准的旋转角度和长宽。我的建议是两者结合连通域做初筛留下的目标再提取轮廓做精筛。import cv2 import numpy as np mask cv2.imread(mask_clean.png, cv2.IMREAD_GRAYSCALE) # 连通域分析, 比findContours快很多 num_labels, labels, stats, centroids cv2.connectedComponentsWithStats( mask, connectivity8 ) valid_boxes [] for i in range(1, num_labels): # 0是背景, 跳过 x, y, w, h, area stats[i] # 面积筛选: 小于此面积的是碎屑, 大于此面积的是团块/杂质 if area 150 or area 20000: continue # 长宽比筛选: 烟丝长宽比一般大于2 aspect_ratio max(w, h) / max(1, min(w, h)) if aspect_ratio 2.0: continue # 填充度筛选: 烟丝是实心条状, 填充度太低说明轮廓不规则 box_area w * h fill_ratio area / box_area if fill_ratio 0.35: continue valid_boxes.append((x, y, w, h)) print(f筛选后保留目标数: {len(valid_boxes)})三个筛选条件不是拍脑袋定的。面积下限150像素对应直径2毫米、长度2毫米的小碎屑低于这个值的在大多数烟丝检测场景里不值得关注。面积上限20000像素对应一根完整长烟丝如果样品里有烟团面积会远大于这个值属于异常物需要单独告警。长宽比2.0是烟丝和碎屑的分界线但要注意弯曲的烟丝外接矩形长宽比可能只有1.5这时候可以降到1.5代价是碎屑误入率升高。填充度0.35表示目标区域里实际烟丝像素占包围盒的35%弯曲烟丝和枝状烟梗的填充度比较低直烟丝通常能到0.6以上。3.4 分割参数调节建议跑通后怎么微调参数初始值调节方向判断依据面积下限150碎屑增多时调大残留小点明显面积上限20000烟团漏检时调小烟团被分进目标长宽比2.0弯曲烟丝被滤掉时调低直烟丝误删填充度0.35碎屑混入时调高圆形异物残留闭运算核5x5烟丝断裂变多时调大一根烟丝分成多段调参时每次只动一个参数改完重新跑一遍用可视化结果对比。不要同时调三个以上参数否则出了问题你不知道是哪个改坏的。这是一个通用的原则在烟丝检测这种样本形态差异大的项目里格外重要。4. 烟丝分割避坑指南五个常见翻车现场与排查方法再稳的流程也会遇到奇怪的问题。这一章把实际项目里最常踩的五个坑列出来每条按现象、原因、解决方式写清楚。有些坑不是算法问题而是开发环境和OpenCV版本导致的这类问题最浪费时间建议直接对照排查。4.1 翻车现场一背景阴影被当成烟丝区域越割越大现象分割结果里出现大片连接成块的区域形状完全不像是烟丝而且随着光照变化时有时无。原因深色背景上如果有不均匀的阴影L通道的亮度分布被破坏OTSU的全局阈值会把阴影边缘误判为目标。解决换用a通道做分割。我在2.2节的采样分析就是为了判断当前通道是否有效当L通道不可分时a通道几乎总能救回来。如果必须用L通道先做顶帽变换扣除背景阴影再用OTSU。4.2 翻车现场二烟丝油光反光阈值后内部出现空洞现象阈值分割后的烟丝区域中间有大块黑色空洞本应是一根完整的烟丝结果断成两截。原因烟丝表面油光在LED灯下产生镜面反射高光区域亮度接近白色背景被阈值判定为背景。解决优先换用a通道因为a通道受亮度影响小。如果高光区域仍然存在把闭运算核从5x5提到7x7能填补大部分空洞。我见过最严重的情况是闭运算都填不住后来在光源前加了一层漫反射板高光立刻减弱。4.3 翻车现场三粘连烟丝被合并成一个轮廓长度统计严重偏大现象两根烟丝交叉叠在一起分割结果只有一个连通域统计长度时被当作一根超长烟丝。原因形态学闭运算核过大或者烟丝本身堆叠把邻近目标连在了一起。解决先检查闭运算核如果从5x5换到3x3就解决了说明是形态学问题。如果确实交叉堆叠需要提前用玻璃板压平样品保证烟丝单层。对于轻微粘连可以用距离变换配合分水岭做细分割但分水岭容易过度分割我不建议默认开启。# 距离变换 分水岭处理轻微粘连烟丝 import cv2 import numpy as np mask cv2.imread(mask_clean.png, cv2.IMREAD_GRAYSCALE) # 距离变换, 得到每个前景像素到背景的距离 dist cv2.distanceTransform(mask, cv2.DIST_L2, 5) # 用距离图的局部极大值确定内部种子点 _, sure_fg cv2.threshold(dist, 0.5 * dist.max(), 255, cv2.THRESH_BINARY) sure_fg np.uint8(sure_fg) # 背景区域用膨胀确定, 和前景种子点之间留出待分割区 unknown cv2.subtract(mask, sure_fg) # 标记并做分水岭 _, markers cv2.connectedComponents(sure_fg) markers markers 1 markers[unknown 255] 0 markers cv2.watershed(cv2.cvtColor(mask, cv2.COLOR_GRAY2BGR), markers)分水岭不是万能的。它需要烟丝之间有明确的距离低谷如果两根烟丝完全平行贴在一起距离变换区分不出种子点分水岭会乱切。跑完分水岭后用3.3节的筛选条件再检查一遍目标数如果分割出大量极细碎块就是过度分割了应该退回形态学方案。4.4 翻车现场四contourArea()未定义标识符现象在OpenCV里调用cv2.contourArea()直接报错提示“未定义标识符”。原因项目里同时安装了多个OpenCV包或者导入的模块名错误。更隐蔽的情况是conda环境里自带的OpenCV版本过老findContours和contourArea的接口行为不一致。解决先检查当前环境的版本和执行路径然后按需重装。python -c import cv2; print(cv2.__version__); print(cv2.__file__)pip uninstall opencv-python opencv-contrib-python -y pip install opencv-contrib-python4.8.1.78如果你用的是OpenCV 3.xfindContours会返回三个值新版返回两个值。代码写成contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)在旧版上就会报错。兼容写法是_, contours, _ cv2.findContours(...)之后再按版本过滤或者干脆统一升级到OpenCV 4.x省心。另外提醒一句opencv-contrib-python包含ximgproc等扩展模块第5章的骨架提取函数需要它所以建议直接装contrib版本。4.5 翻车现场五处理速度慢产线实时性达不到现象单张图处理耗时超过500毫秒产线节拍要求200毫秒以内。原因没有控制处理分辨率整张图从头到尾做完所有操作形态学核过大连通域分析用了8连通全图还有可能调试阶段开了imshow实时显示拖慢速度。解决先把输入图像缩放长边控制在1280像素以内。再有针对性地缩小处理区域烟丝检测关注的是有效区域可以先做一次粗定位裁掉背景空白区域。最后关掉调试窗口用imwrite保存结果替代imshow。如果单靠CPU优化还达不到要求OpenCV支持CUDA加速。安装对应CUDA版本的预编译opencv wheels注意必须和Python版本、CUDA版本、操作系统严格匹配否则会出现导入失败或显存报错。小项目通常不需要上CUDA先做流程优化更实际。我在一个项目里把图像从2000万像素缩到300万处理后速度直接提升了6倍分割精度几乎没有下降。5. 用骨架提取和最小外接矩形统计烟丝长度分布一个可复用的量化脚本分割出每根烟丝后最常问的问题是“这批烟丝的长度分布怎么样”。烟丝长度直接影响填充值和卷制质量。OpenCV的ximgproc模块里有一个thinning函数能把二值化烟丝细化为单像素骨架然后统计骨架像素数量乘以像素物理尺寸就能估算出烟丝长度。这个方法比最小外接矩形对角线更准确尤其是弯曲烟丝。import cv2 import numpy as np mask cv2.imread(mask_clean.png, cv2.IMREAD_GRAYSCALE) # 对单个烟丝区域做骨架提取 # 先拿到所有目标连通域的包围盒和mask num, labels, stats, _ cv2.connectedComponentsWithStats(mask, 8) lengths_mm [] pixel_size_mm 0.1 # 根据相机标定结果填, 单位mm/pixel for i in range(1, num): x, y, w, h, _ stats[i] if w 10 or h 10: # 跳过细小碎屑 continue single_mask np.zeros((h, w), dtypenp.uint8) single_mask[labels[y:yh, x:xw] i] 255 # 骨架提取, 需要opencv-contrib-python skeleton cv2.ximgproc.thinning( single_mask, cv2.ximgproc.THINNING_GUOHALL ) skeleton_len np.count_nonzero(skeleton) length_mm skeleton_len * pixel_size_mm lengths_mm.append(length_mm) lengths_mm np.array(lengths_mm) print(f有效烟丝数量: {len(lengths_mm)}) print(f平均长度: {lengths_mm.mean():.1f} mm) print(f长度标准差: {lengths_mm.std():.1f} mm) print(f长度中位数: {np.median(lengths_mm):.1f} mm)骨架提取对噪声敏感骨架像素点其实表示的是烟丝中线长度会在拐弯处产生少量冗余。如果你的样品里弯曲烟丝特别多统计长度会偏大。这时候可以对骨架先做一次霍夫直线检测把接近直线的段拆出来再累加但要注意检测直线的参数要调好否则短烟丝被忽略。xingneng上骨架提取对每根烟丝单独做比全图一次做要慢但胜在不会把相邻烟丝的骨架连起来长度统计更可信。我做烟丝检测分割项目时养成一个习惯每次调完参数先把预处理图、mask、筛选结果图都存一份标注好参数组合和日期再批量跑数据。这样回头排查问题时能直接对比是哪一步改坏了结果而不是靠记忆猜。分割代码不是写一次就完事烟丝批次一变参数一定要重新验证。这个方案是一个能落地的起点跑通后再根据你的产线条件继续调。希望帮到你。本文还有配套的精品资源点击获取