简介面向图像处理课程设计与机器视觉入门者的药片缺陷及有无检测 MATLAB 实践案例围绕小波去噪、自适应中值滤波、形态学重构与边缘算子搭建从预处理到目标判别的完整算法链路可用于理解工业检测场景下的实现思路。压缩包共 15 个文件、约 1.78MB其中 5 个 .m 脚本分别承担主流程、边界提取、帧差处理与自适应中值滤波等工作7 张 jpg 为各阶段效果图与样例图像2 份 doc 与 1 份 docx 给出检测说明与边缘函数讲解图文与代码相互对照便于验证。已有 1578 人学习下载。读者可从中获得可直接运行的算法脚本、去噪与形态学重构的参数组织方式、二值化后扫描匹配与好坏有无判定的实现细节以及配套文档中的原理梳理适合按预处理、分割、判别的顺序逐步复现并调参。1. 药片检测在检什么一片崩边和一片缺角代码得能分开产线质检工位上摆着一台工业相机背光板上的药片一颗颗往下走人眼盯十几分钟就开始糊漏掉一片崩边的整批货要返工。这个 MATLAB 项目负责的就是把眼睛换成代码——先用形态学把药片从背光背景里剥出来再用边缘算法量每一片的轮廓最后判断有没有缺片、叠片、计数对不上和好不好崩边、缺角、裂片、污点。它适合已经有一条简单成像链路、想把算法快速跑通再谈上线的开发者也适合拿它当形态学与边缘检测的实战样例来啃。整套流程没有深度学习那一套环境依赖一台装了 MATLAB 和 Image Processing Toolbox 的机器就能开跑。算法本身不复杂难的是参数。同一套阈值在实验室的样图上漂亮得不行搬到产线上换个批次的药片就整片整片地误判——这也是后面几章要反复拆的部分。2. 工程骨架MATLAB 里一条从读图到判定的六段流水线很多人拿到这类项目的第一反应是打开一个 .m 文件从头往下读读到第三十行就迷路了变量名全是bw1、bw2、I2中间还夹着几次figure调试。这套代码要想改得动第一步得先把职责分开。2.1 目录结构把参数、算法、入口三样东西拆开放我一般会按下面这个结构摆pill_inspect/ ├── main_inspect.m % 单图调试入口读一张图跑完显示 ├── main_batch.m % 批量入口扫 ok/ng 文件夹出混淆矩阵 ├── pill/ % 包目录外部以 pill.xxx() 调用 │ ├── segment.m % 图像 - 二值掩膜 │ ├── countPills.m % 掩膜 - 连通域标号含粘连拆分 │ ├── measure.m % 标号 - 每片的几何与灰度特征 │ ├── judge.m % 特征 - OK / NG 与原因 │ ├── fitCircle.m % 最小二乘圆拟合崩边判据的来源 │ └── showResult.m % 可视化只在调试入口调用 ├── config/ │ └── params.m % 所有阈值一个函数返回一个结构体 ├── data/ │ ├── ok/ % 良品样图用来回归 │ ├── ng/ % 不良品样图 │ └── test/ % 单张调试用 └── report/ % 批量跑完的 csv 落在这一层三个目录各有各的作用。pill/用 MATLAB 的包目录语法函数名不会污染全局路径也不会跟工具箱里同名的measure、judge撞车——这个冲突我在早期版本里踩过报错信息还特别含糊只说你调用参数数量不对。config/params.m是整套代码里最该被重视的文件产线换批次时改的永远是它而不是算法函数。data/ok和data/ng则是你的回归集改完参数必须跑一遍不然就是凭感觉调参。单图调试入口写出来大概是这样它只做四件事拿参数、读图、调用、显示。% main_inspect.m —— 单图调试入口不承担任何算法逻辑 clear; clc; close all; P params(); % 阈值全部来自 config/params.m img imread(fullfile(data,test,sample_07.png)); [bw, gray] pill.segment(img, P); % 第一段分割 [L, n] pill.countPills(bw, P); % 第二段计数与粘连拆分 props pill.measure(L, gray, P); % 第三段逐片量化 rep pill.judge(props, P); % 第四段出结论 fprintf(检出 %d 片整体判定%s\n, n, string(rep.pass)); pill.showResult(img, L, rep); % 产线版本里这一行删掉P是唯一一个贯穿全流程的变量好处是任何一次判定结果都能复现——把当时的P存下来三个月后出了问题还能原样重跑。pill.showResult单独拎出来是有意的imshow、montage、plot这些调用会显著拖慢单帧耗时上线前必须能干净地摘掉而不是靠注释一行行去找。参数文件长这样每一行都对应一个物理含义function P params() % 所有可调阈值集中在这里改完务必跑 main_batch 回归 P.blurSigma 1.2; % 高斯 sigma单位像素越大越糊崩边细节会被抹平 P.bgRadius 60; % 背景估计结构元素半径取图像短边的 1/8 左右 P.threshScale 1.00; % Otsu 阈值缩放系数0.90~1.10 之间微调 P.minArea 800; % 单片最小面积像素小于它当噪点丢弃 P.openR 2; % 开运算半径去毛刺 P.closeR 2; % 闭运算半径补缺口别超过最小崩边宽度的 1.5 倍 P.minCirc 0.82; % 圆形度下限低于它怀疑崩边或裂片 P.areaTol 0.12; % 面积相对偏差容限 ±12% P.residTol 1.8; % 圆拟合半径残差 std 上限像素 P.expectNum 24; % 治具上应有片数用于有无检测 end2.2 算法主链路灰度化、压噪、去背景、二值化、形态学、连通域整条链路其实只有六步但每一步都有个“为什么是它而不是别的”的理由。第一步转灰度。如果相机出的是彩色图rgb2gray用的加权系数对背光成像基本够用但如果药片本身是带颜色的糖衣片颜色反而是重要信息比如深浅片混淆这时候就该考虑在 HSV 空间取某个通道而不是无脑转灰度。第二步压噪。imgaussfilt的高斯核比中值滤波更适合抑制传感器的高斯型噪声代价是边缘变软。sigma 从 1.0 起调崩边只有一两个像素宽的时候sigma 上到 2 就基本判不出来了——这是最常见的一类“算法不准”投诉的真实原因。第三步去背景不均。背光板用久了会有暗角全局 Otsu 在这种图上会把中间一片判成前景、边上一片判成背景。老版本 MATLAB 没有imflatfield用形态学顶帽等价实现% 背景估计大半径开运算把“比结构元素窄的亮区”抹掉剩下慢变的背景 se strel(disk, P.bgRadius, 0); bg imopen(gray, se); gray gray - bg; % 顶帽变换背景被减掉药片边缘被保留 gray mat2gray(gray); % 归一化到 [0,1]方便后面固定阈值strel(disk, R, 0)第三个参数是近似方式0 表示用多边形近似速度快、精度略差需要更圆的盘就写strel(disk, R, 4)代价是运算变慢。半径 R 的取法有个简单准则必须明显大于单个药片的直径又必须小于整幅图的光照变化尺度一般在图像短边的 1/6 到 1/10 之间。第四步二值化背光成像下药片是暗的取反让药片成为truelevel graythresh(gray); % Otsu直方图双峰时最稳 bw imbinarize(gray, level * P.threshScale); bw ~bw; % 关键一行别忘 bw imfill(bw, holes); % 药片刻字造成的内部空洞 bw bwareaopen(bw, P.minArea); % 去小噪点imfill(bw,holes)这一步容易被跳过后果是药片中心被刻字、凹槽挖出一堆洞后面算面积全部偏小圆形度也崩了。第五步形态学清理第六步连通域标号这两块内容多下一章单独拆。2.3 参数之间的耦合关系改一个必须回头看三个新手最容易犯的错是把参数当成互相独立的旋钮一个个拧到“看起来对”为止。实际上它们强耦合下面这张表是我自己调参时贴在显示器边上的备忘参数改动方向直接受益连带副作用需要同步复查blurSigma调大噪点少、分割干净崩边被抹平residTol失效threshScale、minCircbgRadius调大背景估计更平滑大药片被当背景减掉minAreathreshScale调大前景收缩粘连变少薄片、边缘暗的片被切碎minArea、openRopenR调大毛刺、飞边去掉药片整体缩小小片消失minArea、areaTolcloseR调大缺口补上轮廓闭合相邻片粘成一片分水岭阈值、expectNumminArea调大噪点滤得干净小尺寸规格的片被整片丢掉expectNum举个具体例子把openR从 2 调到 4单片的面积会缩小大概 3% 到 6%缩小量约等于周长乘以半径这时候areaTol还卡在 ±12%看起来没问题但面积中位数已经整体下移一旦有批次本身偏小就会集体越界。所以每次动形态学半径我都要重跑一遍批量回归看面积分布而不是只看单张图顺眼。3. 形态学拆解结构元素、开闭运算与粘连药片的分离形态学在这个项目里不是“美化一下掩膜”的收尾步骤它直接决定了面积、周长、圆形度这些判据准不准。半径差一个像素崩边判据的阈值就得跟着改。3.1 结构元素尺寸怎么由物理尺寸反推不要凭感觉给半径先从标定板算出像素当量。假设标定结果是 0.05 mm/pixel药片直径 8 mm也就是 160 像素允许的最小崩边宽度 0.2 mm也就是 4 像素。按这个换算几个半径就有了依据openR取 2对应 0.1 mm只能削掉比这更细的毛刺不会伤到真正的崩边closeR取 2能补上 0.2 mm 以内的缺口再大就会把两片之间 0.3 mm 的缝糊死bgRadius取 60对应 3 mm远大于药片直径的一半又远小于整幅视场。这套换算还有个用处跟工艺人员沟通时不用讲像素。对方说“崩边超过 0.2 mm 才算不良”你直接把它翻译成 4 像素写进params.m的注释里后面谁改都能看懂。strel的形状也别乱选。圆形结构元素对回转体形状的药片最自然用方形strel(square, n)会在斜 45 度方向多削掉一块圆形度算出来系统性偏低。异形片椭圆片、胶囊片另说那种情况圆形度这个判据本身就不该用。3.2 开运算与闭运算的顺序、半径和副作用开运算是先腐蚀后膨胀作用是去掉比结构元素小的亮细节毛刺、飞边、粘连的细桥闭运算是先膨胀后腐蚀作用是填补比结构元素小的暗细节缺口、裂缝、内部小洞。顺序上一定先开后闭。反过来先闭的话缺口补上的同时两个相邻药片之间的窄缝也被填了再开运算也分不开——因为缝已经变成实心区域了。% 形态学清理顺序不能反 bw imopen(bw, strel(disk, P.openR)); % 1) 去毛刺、断开细桥 bw imclose(bw, strel(disk, P.closeR)); % 2) 补缺口、闭合轮廓 bw imfill(bw, holes); % 3) 填内部空洞 bw bwareaopen(bw, P.minArea); % 4) 最后再滤小连通域注意bwareaopen放在了最后。如果放在闭运算之前那些面积略小于阈值、本来会被闭运算连成一片的小碎块就被提前删掉了等于人为制造了漏检。这个顺序问题我在一个批次上排查了大半天最后发现是两行代码写反了。还有一个隐蔽的坑imclose之后掩膜边界会整体外扩约closeR个像素如果直接拿它算面积会比真实面积偏大 5% 左右。要么在闭运算后补一次同半径的开运算开闭级联imclose再imopen要么在标定areaTol的时候把这点系统性偏差吸收进去。我选后者因为多一次开运算又会把崩边削掉。3.3 粘连分离距离变换加分水岭再按面积回合并药片在振动盘上走偶尔两片贴在一起。这时候连通域标号会把它们算成一片计数少一片面积超上限两个判据同时报警但报的都是“假警”。标准解法是距离变换加分水岭function [L, n] countPills(bw, P) % 输入 bw清理后的二值掩膜输出 L连通域标号n片数 bw imclearborder(bw); % 压边的不完整片剔除交人工 D bwdist(~bw); % 每个前景点到最近背景的距离 D -D; % 取负让“中心”变成谷底 D(~bw) -Inf; % 背景强制为分水岭的汇水盆地边界 Lw watershed(D); % 分水岭分割 Lw(~bw) 0; % 背景置零 L zeros(size(bw)); cnt 0; for k 1:max(Lw(:)) m (Lw k); if sum(m(:)) P.minArea * 0.35 % 剔除分水岭产生的碎片 cnt cnt 1; L(m) cnt; end end n cnt; end逐段解释一下。bwdist算的是欧氏距离药片是近似圆形的凸体距离变换的极大值就落在每片的几何中心两片粘连的地方会形成一个鞍点分水岭正是沿着鞍点切开。D(~bw) -Inf这一行不能省否则背景区域也会被分割成无数块后面的循环直接爆掉。P.minArea * 0.35这个系数是经验值。分水岭在粘连处切出来的碎片通常只有完整片的 10% 到 40%取 0.35 能滤掉绝大多数碎片但如果两片严重重叠重叠超过 60%切出来的两块都接近完整片大小这时候面积判据就兜不住了得靠圆形度和圆拟合残差——重叠片的轮廓不是圆resid会明显偏大。还有一种更朴素的做法如果粘连是偶发的直接按面积除以中位单片面积四舍五入估个数就行简单粗暴但很有效。% 兜底方案面积估数适合粘连率低于 5% 的产线 stats regionprops(L, Area); areas [stats.Area]; area0 median(areas); % 单片面积基准 estNum round(sum(areas) / area0); % 总面积的商四舍五入这个估法在叠片三片摞一起时会低估但对“两片贴着”这种最常见的情况足够而且没有分水岭过分割的风险。我一般两个都实现用params.m里一个开关切换跑回归集对比谁的误判少就用谁。4. 边缘与判据Canny、圆拟合残差和面积周长怎么组合成 NG 结论分割只回答了“药片在哪”缺陷判定才回答“这片行不行”。这一步的核心思路是把每片的轮廓拟合成一个理想圆然后看实际轮廓偏离这个圆有多远。崩边、缺角、裂片本质上都是轮廓的局部凹陷。4.1 边缘检测的选型Canny 拿来定位圆拟合拿来量化方法优点短板在这个项目里的用法edge(I,Sobel)快梯度方向直接可得边缘粗阈值敏感只用于快速预览edge(I,Canny)单像素宽、双阈值抑制虚假边缘sigma 一大就抹平小缺口定位轮廓、做可视化二值掩膜边界bwboundaries闭合、无需调阈值精度受分割质量直接制约主力喂给圆拟合亚像素拟合精度可到 0.1 像素实现复杂速度慢高精度规格时才上实际跑下来bwboundaries这条路最稳因为分割阶段的形态学已经把轮廓整理干净了边界点天然闭合不会出现 Canny 那种断断续续要自己连的情况。Canny 我主要留着做两件事一是调参时叠在原图上肉眼确认边缘位置对不对二是当分割阶段出问题时用它交叉验证是不是阈值的事。如果规格要求高到需要亚像素常见做法是对每个边缘点沿法向取灰度剖面做抛物线拟合找极值点把整数坐标插值成小数坐标。这套实现量不小一般项目用不到先用整像素圆拟合把流程跑通再说。4.2 圆拟合残差把“崩边”变成一个可比较的数字function [xc, yc, r, resid, maxDev] fitCircle(x, y) % Kasa 最小二乘圆拟合x^2 y^2 2*xc*x 2*yc*y (r^2 - xc^2 - yc^2) % 先把坐标平移到质心再解否则 A 矩阵条件数很差结果会飘 x x(:); y y(:); mx mean(x); my mean(y); xs x - mx; ys y - my; A [2*xs, 2*ys, ones(numel(xs),1)]; b xs.^2 ys.^2; p A \ b; % 最小二乘解 xc p(1) mx; yc p(2) my; r sqrt(p(3) p(1)^2 p(2)^2); d sqrt((x - xc).^2 (y - yc).^2); resid std(d - r); % 半径残差的标准差整体形状偏离程度 maxDev max(abs(d - r)); % 最大偏差局部崩边就体现在这里 end三个输出各有分工。r是等效半径可以和标称半径比对判断是不是整片偏小模具磨损的典型特征。resid是残差标准差反映整体轮廓的“不圆程度”椭圆片、变形片在这里报警。maxDev是最大偏差崩边这种局部凹陷主要看它——一片直径 160 像素的圆崩掉宽 4 像素、深 3 像素的一个角maxDev大约会到 3 左右而resid可能只有 0.8光看resid就漏了。坐标平移到质心这一步是数值稳定性问题。药片在图像右下角时x、y都是几百上千的量级平方之后到 10^6而半径信息在 10^4 量级直接解正规方程会丢掉有效数字拟合出来的圆心偶尔会飞到图像外面去。平移之后所有坐标都在 ±100 以内条件数立刻正常。这个坑我在一张 2048×2048 的大图上结结实实踩过一次当时还以为是\运算符有问题。4.3 判据组合与有无检测三张表合成一个结论单片判据用表格理清楚更直观特征计算方式典型阈值对应缺陷面积偏差(A - A0) / A0±12%缺角、大片崩边、叠片圆形度4πA / P²≥ 0.82裂片、变形、严重崩边半径残差 std圆拟合resid≤ 1.8 px整体不圆、椭圆化最大偏差圆拟合maxDev≤ 3.0 px局部崩边、缺角内部灰度标准差std(gray(mask))≤ 0.06污点、裂片、双片重叠最后一行灰度特征容易被忽略。背光成像下两片叠在一起的位置透光率明显偏低灰度直方图会出现第二个峰药片上有污点或裂纹时局部灰度方差也会变大。这一条判据基本不增加计算量但对叠片特别有效——几何特征在叠片时反而可能“看起来正常”。判定函数把这些串起来同时处理有无检测function rep judge(props, P) n numel(props); if n 0 rep.pass false; rep.num 0; rep.reason empty; return end areaMed median([props.area]); % 用中位数而不是均值抗单片异常 rep.num n; rep.items struct(idx,{},ng,{},reason,{}); for k 1:n reasons {}; if abs(props(k).area - areaMed) / areaMed P.areaTol reasons{end1} area; end if props(k).circ P.minCirc reasons{end1} shape; end if props(k).resid P.residTol || props(k).maxDev 3.0 reasons{end1} chip; end rep.items(k).idx k; rep.items(k).ng ~isempty(reasons); rep.items(k).reason strjoin(reasons, |); end rep.missing n P.expectNum; % 缺片 rep.extra n P.expectNum; % 叠片或多投 rep.pass ~(rep.missing || rep.extra || any([rep.items.ng])); endareaMed用中位数是个刻意的选择。一批 24 片里如果混进一片叠片面积是正常的两倍用均值的话基准会被拉高 4%本来合格的小片就被误判了。中位数在污染比例低于 50% 时完全不受影响。expectNum这个判据依赖治具的固定工位。如果产线是自由摆放、片数不固定那就不能靠这个数判断有无得改成“面积总和除以单片基准面积”的估数法或者干脆只判单片质量、把计数交给上游的称重工位。这一点在跟工艺确认需求的时候必须问清楚不然后面全是无用功。5. 避坑排查分割翻车、计数飘、换批次就崩的五个现场记录这一章记的都是真实发生过的现场问题每条按“现象 → 原因 → 解决”写。新手对着排查能省不少时间。5.1 成像与分割阶段整幅图变白、边缘发虚现象一跑完segmentbw整幅图全是truefigure出来一片白。原因背光成像下药片比背景暗Otsu 算出来的前景其实是背景忘了取反另一种可能是顶帽变换时bgRadius取得太小药片自己被当成背景减掉了剩下的全是噪声。 解决先imhist(gray)看直方图是不是双峰、峰在哪一侧用figure; imshowpair(img, bw, montage)并排看一眼。忘了取反这种低级错加一行断言就能兜住assert(mean(bw(:)) 0.5, 前景占比过高检查是否忘记取反)。现象二崩边判不出来maxDev永远小于 2。原因blurSigma设成了 2.0一两个像素宽的缺口被高斯核抹平了后面再怎么调阈值也找不回来。 解决把blurSigma降到 1.0 以内改在中值滤波上压噪medfilt2(gray, [3 3])中值滤波对椒盐噪声有效又不糊边缘。代价是运算慢一点单帧多几毫秒。5.2 形态学与计数阶段数量总差一两片现象三明明 24 片n稳定报 25 或 26。原因药片表面的刻字、凹槽形成暗环imfill之前这些小洞被算成了背景bwboundaries沿着洞的内壁又描了一圈regionprops把内圈也算成了一个连通域。 解决imfill(bw,holes)必须在连通域标号之前而且要确认洞是真的被填满了——imfill只填“完全被前景包围”的区域如果洞有一处开口通到外面就填不上。可以在imfill后接一次imclose把开口封住再填。现象四n稳定少一片maxDev却有片报得特别大。原因两片粘连分水岭把其中一片切成了两块碎片碎片面积小于minArea*0.35被丢掉剩下的一块又被当成完整片。 解决把碎片阈值降到 0.2同时给分水岭加一个“最小间距”约束——两片中心距小于0.8 * 等效直径时不做分割直接按面积估数。分水岭的过分割问题没有通用解只能靠回归集反复试。5.3 参数迁移与性能换批次崩、单帧超时现象五样图上调好的参数换一个批次误判率飙升到 15%。原因threshScale硬编码成 1.05那个批次的药片颜色深、整体偏暗Otsu 阈值本来就偏低再乘 1.05 前景收缩过度边缘片被切碎。 解决threshScale一律给 1.00让 Otsu 自适应每批开机时先跑三张良品图统计前景占比占比落在 60% 到 75% 之外就报警提示重新标定。这套“开机自检”比事后调阈值靠谱得多。现象六离线跑 40 ms 一张产线上要 120 ms节拍跟不上。原因调试用的imshow、imshowpair、plot全留在主流程里每帧都imread一张未经压缩的大图循环里没有预分配结构体数组。 解决把可视化全部收进showResult上线版永不调用图像在采集阶段就用无损压缩或 ROI 裁剪把视场缩到治具范围能砍掉一半像素measure循环里的结构体先按n预分配MATLAB 的结构体数组在循环里动态增长非常慢。这三条做完同一套算法能压到 30 ms 以内。6. 二次开发把 demo 脚本改成能挂到产线节拍上的检测函数单张图跑通只是起点。真正要交付的时候代码要面对的是“换批次、换规格、连续跑八小时”这些工程约束。第一件事是接口收敛。我习惯把所有对外能力收成一个函数function rep inspect(img, P) % 对外唯一入口输入一帧图像和参数输出结论结构体 % 上线时会被 C# 或 C 侧通过 MATLAB Compiler SDK 调用 [bw, gray] pill.segment(img, P); [L, n] pill.countPills(bw, P); props pill.measure(L, gray, P); rep pill.judge(props, P); rep.n n; end调用方只需要拿到rep.pass和rep.items(k).reason内部怎么改形态学、怎么换边缘算法对外完全透明。这条约定立下来之后同事换了一版基于形态学梯度的边缘定位接口没动产线侧一行代码都没改。第二件事是回归集和混淆矩阵。没有回归集的调参就是赌博。main_batch.m干的就是这个% main_batch.m —— 跑 ok/ng 两个文件夹出混淆矩阵和追溯表 P params(); sets {ok, true; ng, false}; yTrue []; yPred []; names {}; for s 1:size(sets,1) files dir(fullfile(data, sets{s,1}, *.png)); for i 1:numel(files) img imread(fullfile(files(i).folder, files(i).name)); rep inspect(img, P); yTrue(end1) sets{s,2}; yPred(end1) rep.pass; names{end1} files(i).name; end end C confusionmat(yTrue, yPred); disp(array2table(C, RowNames, {NG,OK}, VariableNames, {predNG,predOK})); % 把漏检的样本名单独列出来逐个肉眼复核 miss names(~yTrue yPred); % 真值 NG、预测 OK 漏检 if ~isempty(miss) fprintf(漏检 %d 张%s\n, numel(miss), strjoin(miss, , )); endconfusionmat约定真值和预测都是逻辑或类别标签这里true表示 OK。漏检NG 判成 OK和误检OK 判成 NG在产线上的代价完全不对等——漏检会流出不良品误检只是停机复检。所以调参的时候不能只看总准确率要单独盯漏检数宁可误检率高一倍也不能放过一片崩边。第三件事是收尾清单。下面这张表是我每次交付前必过的检查项合格标准常见漏项可视化调用上线入口里零imshow调试时加的figure忘了删阈值来源全部来自params.m函数体里残留魔法数字单帧耗时连续 100 帧均值 节拍只测了第一帧回归集漏检为 0误检 3%只跑了 ok 集异常输入空图、全黑图不崩没测n 0分支参数留档每次交付存一份当时的P只存了代码没存参数那次最惨的教训是把一段判据逻辑写在了showResult里改颜色——调试时一切正常上线版删掉可视化之后NG 片全被判成了 OK因为那个ng标志是在画图函数里顺手赋值的。从那以后我每次交付前都强制走一遍“空图 全黑图 无可视化”三连测试任何一步报错或者结果不对就不许发布。这套习惯听着笨但确实把线上事故压到了零。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/11/5 8:10:43 · 阅读 1.2k MATLAB药片缺陷检测：形态学、边缘与圆拟合实战
简介面向图像处理课程设计与机器视觉入门者的药片缺陷及有无检测 MATLAB 实践案例围绕小波去噪、自适应中值滤波、形态学重构与边缘算子搭建从预处理到目标判别的完整算法链路可用于理解工业检测场景下的实现思路。压缩包共 15 个文件、约 1.78MB其中 5 个 .m 脚本分别承担主流程、边界提取、帧差处理与自适应中值滤波等工作7 张 jpg 为各阶段效果图与样例图像2 份 doc 与 1 份 docx 给出检测说明与边缘函数讲解图文与代码相互对照便于验证。已有 1578 人学习下载。读者可从中获得可直接运行的算法脚本、去噪与形态学重构的参数组织方式、二值化后扫描匹配与好坏有无判定的实现细节以及配套文档中的原理梳理适合按预处理、分割、判别的顺序逐步复现并调参。1. 药片检测在检什么一片崩边和一片缺角代码得能分开产线质检工位上摆着一台工业相机背光板上的药片一颗颗往下走人眼盯十几分钟就开始糊漏掉一片崩边的整批货要返工。这个 MATLAB 项目负责的就是把眼睛换成代码——先用形态学把药片从背光背景里剥出来再用边缘算法量每一片的轮廓最后判断有没有缺片、叠片、计数对不上和好不好崩边、缺角、裂片、污点。它适合已经有一条简单成像链路、想把算法快速跑通再谈上线的开发者也适合拿它当形态学与边缘检测的实战样例来啃。整套流程没有深度学习那一套环境依赖一台装了 MATLAB 和 Image Processing Toolbox 的机器就能开跑。算法本身不复杂难的是参数。同一套阈值在实验室的样图上漂亮得不行搬到产线上换个批次的药片就整片整片地误判——这也是后面几章要反复拆的部分。2. 工程骨架MATLAB 里一条从读图到判定的六段流水线很多人拿到这类项目的第一反应是打开一个 .m 文件从头往下读读到第三十行就迷路了变量名全是bw1、bw2、I2中间还夹着几次figure调试。这套代码要想改得动第一步得先把职责分开。2.1 目录结构把参数、算法、入口三样东西拆开放我一般会按下面这个结构摆pill_inspect/ ├── main_inspect.m % 单图调试入口读一张图跑完显示 ├── main_batch.m % 批量入口扫 ok/ng 文件夹出混淆矩阵 ├── pill/ % 包目录外部以 pill.xxx() 调用 │ ├── segment.m % 图像 - 二值掩膜 │ ├── countPills.m % 掩膜 - 连通域标号含粘连拆分 │ ├── measure.m % 标号 - 每片的几何与灰度特征 │ ├── judge.m % 特征 - OK / NG 与原因 │ ├── fitCircle.m % 最小二乘圆拟合崩边判据的来源 │ └── showResult.m % 可视化只在调试入口调用 ├── config/ │ └── params.m % 所有阈值一个函数返回一个结构体 ├── data/ │ ├── ok/ % 良品样图用来回归 │ ├── ng/ % 不良品样图 │ └── test/ % 单张调试用 └── report/ % 批量跑完的 csv 落在这一层三个目录各有各的作用。pill/用 MATLAB 的包目录语法函数名不会污染全局路径也不会跟工具箱里同名的measure、judge撞车——这个冲突我在早期版本里踩过报错信息还特别含糊只说你调用参数数量不对。config/params.m是整套代码里最该被重视的文件产线换批次时改的永远是它而不是算法函数。data/ok和data/ng则是你的回归集改完参数必须跑一遍不然就是凭感觉调参。单图调试入口写出来大概是这样它只做四件事拿参数、读图、调用、显示。% main_inspect.m —— 单图调试入口不承担任何算法逻辑 clear; clc; close all; P params(); % 阈值全部来自 config/params.m img imread(fullfile(data,test,sample_07.png)); [bw, gray] pill.segment(img, P); % 第一段分割 [L, n] pill.countPills(bw, P); % 第二段计数与粘连拆分 props pill.measure(L, gray, P); % 第三段逐片量化 rep pill.judge(props, P); % 第四段出结论 fprintf(检出 %d 片整体判定%s\n, n, string(rep.pass)); pill.showResult(img, L, rep); % 产线版本里这一行删掉P是唯一一个贯穿全流程的变量好处是任何一次判定结果都能复现——把当时的P存下来三个月后出了问题还能原样重跑。pill.showResult单独拎出来是有意的imshow、montage、plot这些调用会显著拖慢单帧耗时上线前必须能干净地摘掉而不是靠注释一行行去找。参数文件长这样每一行都对应一个物理含义function P params() % 所有可调阈值集中在这里改完务必跑 main_batch 回归 P.blurSigma 1.2; % 高斯 sigma单位像素越大越糊崩边细节会被抹平 P.bgRadius 60; % 背景估计结构元素半径取图像短边的 1/8 左右 P.threshScale 1.00; % Otsu 阈值缩放系数0.90~1.10 之间微调 P.minArea 800; % 单片最小面积像素小于它当噪点丢弃 P.openR 2; % 开运算半径去毛刺 P.closeR 2; % 闭运算半径补缺口别超过最小崩边宽度的 1.5 倍 P.minCirc 0.82; % 圆形度下限低于它怀疑崩边或裂片 P.areaTol 0.12; % 面积相对偏差容限 ±12% P.residTol 1.8; % 圆拟合半径残差 std 上限像素 P.expectNum 24; % 治具上应有片数用于有无检测 end2.2 算法主链路灰度化、压噪、去背景、二值化、形态学、连通域整条链路其实只有六步但每一步都有个“为什么是它而不是别的”的理由。第一步转灰度。如果相机出的是彩色图rgb2gray用的加权系数对背光成像基本够用但如果药片本身是带颜色的糖衣片颜色反而是重要信息比如深浅片混淆这时候就该考虑在 HSV 空间取某个通道而不是无脑转灰度。第二步压噪。imgaussfilt的高斯核比中值滤波更适合抑制传感器的高斯型噪声代价是边缘变软。sigma 从 1.0 起调崩边只有一两个像素宽的时候sigma 上到 2 就基本判不出来了——这是最常见的一类“算法不准”投诉的真实原因。第三步去背景不均。背光板用久了会有暗角全局 Otsu 在这种图上会把中间一片判成前景、边上一片判成背景。老版本 MATLAB 没有imflatfield用形态学顶帽等价实现% 背景估计大半径开运算把“比结构元素窄的亮区”抹掉剩下慢变的背景 se strel(disk, P.bgRadius, 0); bg imopen(gray, se); gray gray - bg; % 顶帽变换背景被减掉药片边缘被保留 gray mat2gray(gray); % 归一化到 [0,1]方便后面固定阈值strel(disk, R, 0)第三个参数是近似方式0 表示用多边形近似速度快、精度略差需要更圆的盘就写strel(disk, R, 4)代价是运算变慢。半径 R 的取法有个简单准则必须明显大于单个药片的直径又必须小于整幅图的光照变化尺度一般在图像短边的 1/6 到 1/10 之间。第四步二值化背光成像下药片是暗的取反让药片成为truelevel graythresh(gray); % Otsu直方图双峰时最稳 bw imbinarize(gray, level * P.threshScale); bw ~bw; % 关键一行别忘 bw imfill(bw, holes); % 药片刻字造成的内部空洞 bw bwareaopen(bw, P.minArea); % 去小噪点imfill(bw,holes)这一步容易被跳过后果是药片中心被刻字、凹槽挖出一堆洞后面算面积全部偏小圆形度也崩了。第五步形态学清理第六步连通域标号这两块内容多下一章单独拆。2.3 参数之间的耦合关系改一个必须回头看三个新手最容易犯的错是把参数当成互相独立的旋钮一个个拧到“看起来对”为止。实际上它们强耦合下面这张表是我自己调参时贴在显示器边上的备忘参数改动方向直接受益连带副作用需要同步复查blurSigma调大噪点少、分割干净崩边被抹平residTol失效threshScale、minCircbgRadius调大背景估计更平滑大药片被当背景减掉minAreathreshScale调大前景收缩粘连变少薄片、边缘暗的片被切碎minArea、openRopenR调大毛刺、飞边去掉药片整体缩小小片消失minArea、areaTolcloseR调大缺口补上轮廓闭合相邻片粘成一片分水岭阈值、expectNumminArea调大噪点滤得干净小尺寸规格的片被整片丢掉expectNum举个具体例子把openR从 2 调到 4单片的面积会缩小大概 3% 到 6%缩小量约等于周长乘以半径这时候areaTol还卡在 ±12%看起来没问题但面积中位数已经整体下移一旦有批次本身偏小就会集体越界。所以每次动形态学半径我都要重跑一遍批量回归看面积分布而不是只看单张图顺眼。3. 形态学拆解结构元素、开闭运算与粘连药片的分离形态学在这个项目里不是“美化一下掩膜”的收尾步骤它直接决定了面积、周长、圆形度这些判据准不准。半径差一个像素崩边判据的阈值就得跟着改。3.1 结构元素尺寸怎么由物理尺寸反推不要凭感觉给半径先从标定板算出像素当量。假设标定结果是 0.05 mm/pixel药片直径 8 mm也就是 160 像素允许的最小崩边宽度 0.2 mm也就是 4 像素。按这个换算几个半径就有了依据openR取 2对应 0.1 mm只能削掉比这更细的毛刺不会伤到真正的崩边closeR取 2能补上 0.2 mm 以内的缺口再大就会把两片之间 0.3 mm 的缝糊死bgRadius取 60对应 3 mm远大于药片直径的一半又远小于整幅视场。这套换算还有个用处跟工艺人员沟通时不用讲像素。对方说“崩边超过 0.2 mm 才算不良”你直接把它翻译成 4 像素写进params.m的注释里后面谁改都能看懂。strel的形状也别乱选。圆形结构元素对回转体形状的药片最自然用方形strel(square, n)会在斜 45 度方向多削掉一块圆形度算出来系统性偏低。异形片椭圆片、胶囊片另说那种情况圆形度这个判据本身就不该用。3.2 开运算与闭运算的顺序、半径和副作用开运算是先腐蚀后膨胀作用是去掉比结构元素小的亮细节毛刺、飞边、粘连的细桥闭运算是先膨胀后腐蚀作用是填补比结构元素小的暗细节缺口、裂缝、内部小洞。顺序上一定先开后闭。反过来先闭的话缺口补上的同时两个相邻药片之间的窄缝也被填了再开运算也分不开——因为缝已经变成实心区域了。% 形态学清理顺序不能反 bw imopen(bw, strel(disk, P.openR)); % 1) 去毛刺、断开细桥 bw imclose(bw, strel(disk, P.closeR)); % 2) 补缺口、闭合轮廓 bw imfill(bw, holes); % 3) 填内部空洞 bw bwareaopen(bw, P.minArea); % 4) 最后再滤小连通域注意bwareaopen放在了最后。如果放在闭运算之前那些面积略小于阈值、本来会被闭运算连成一片的小碎块就被提前删掉了等于人为制造了漏检。这个顺序问题我在一个批次上排查了大半天最后发现是两行代码写反了。还有一个隐蔽的坑imclose之后掩膜边界会整体外扩约closeR个像素如果直接拿它算面积会比真实面积偏大 5% 左右。要么在闭运算后补一次同半径的开运算开闭级联imclose再imopen要么在标定areaTol的时候把这点系统性偏差吸收进去。我选后者因为多一次开运算又会把崩边削掉。3.3 粘连分离距离变换加分水岭再按面积回合并药片在振动盘上走偶尔两片贴在一起。这时候连通域标号会把它们算成一片计数少一片面积超上限两个判据同时报警但报的都是“假警”。标准解法是距离变换加分水岭function [L, n] countPills(bw, P) % 输入 bw清理后的二值掩膜输出 L连通域标号n片数 bw imclearborder(bw); % 压边的不完整片剔除交人工 D bwdist(~bw); % 每个前景点到最近背景的距离 D -D; % 取负让“中心”变成谷底 D(~bw) -Inf; % 背景强制为分水岭的汇水盆地边界 Lw watershed(D); % 分水岭分割 Lw(~bw) 0; % 背景置零 L zeros(size(bw)); cnt 0; for k 1:max(Lw(:)) m (Lw k); if sum(m(:)) P.minArea * 0.35 % 剔除分水岭产生的碎片 cnt cnt 1; L(m) cnt; end end n cnt; end逐段解释一下。bwdist算的是欧氏距离药片是近似圆形的凸体距离变换的极大值就落在每片的几何中心两片粘连的地方会形成一个鞍点分水岭正是沿着鞍点切开。D(~bw) -Inf这一行不能省否则背景区域也会被分割成无数块后面的循环直接爆掉。P.minArea * 0.35这个系数是经验值。分水岭在粘连处切出来的碎片通常只有完整片的 10% 到 40%取 0.35 能滤掉绝大多数碎片但如果两片严重重叠重叠超过 60%切出来的两块都接近完整片大小这时候面积判据就兜不住了得靠圆形度和圆拟合残差——重叠片的轮廓不是圆resid会明显偏大。还有一种更朴素的做法如果粘连是偶发的直接按面积除以中位单片面积四舍五入估个数就行简单粗暴但很有效。% 兜底方案面积估数适合粘连率低于 5% 的产线 stats regionprops(L, Area); areas [stats.Area]; area0 median(areas); % 单片面积基准 estNum round(sum(areas) / area0); % 总面积的商四舍五入这个估法在叠片三片摞一起时会低估但对“两片贴着”这种最常见的情况足够而且没有分水岭过分割的风险。我一般两个都实现用params.m里一个开关切换跑回归集对比谁的误判少就用谁。4. 边缘与判据Canny、圆拟合残差和面积周长怎么组合成 NG 结论分割只回答了“药片在哪”缺陷判定才回答“这片行不行”。这一步的核心思路是把每片的轮廓拟合成一个理想圆然后看实际轮廓偏离这个圆有多远。崩边、缺角、裂片本质上都是轮廓的局部凹陷。4.1 边缘检测的选型Canny 拿来定位圆拟合拿来量化方法优点短板在这个项目里的用法edge(I,Sobel)快梯度方向直接可得边缘粗阈值敏感只用于快速预览edge(I,Canny)单像素宽、双阈值抑制虚假边缘sigma 一大就抹平小缺口定位轮廓、做可视化二值掩膜边界bwboundaries闭合、无需调阈值精度受分割质量直接制约主力喂给圆拟合亚像素拟合精度可到 0.1 像素实现复杂速度慢高精度规格时才上实际跑下来bwboundaries这条路最稳因为分割阶段的形态学已经把轮廓整理干净了边界点天然闭合不会出现 Canny 那种断断续续要自己连的情况。Canny 我主要留着做两件事一是调参时叠在原图上肉眼确认边缘位置对不对二是当分割阶段出问题时用它交叉验证是不是阈值的事。如果规格要求高到需要亚像素常见做法是对每个边缘点沿法向取灰度剖面做抛物线拟合找极值点把整数坐标插值成小数坐标。这套实现量不小一般项目用不到先用整像素圆拟合把流程跑通再说。4.2 圆拟合残差把“崩边”变成一个可比较的数字function [xc, yc, r, resid, maxDev] fitCircle(x, y) % Kasa 最小二乘圆拟合x^2 y^2 2*xc*x 2*yc*y (r^2 - xc^2 - yc^2) % 先把坐标平移到质心再解否则 A 矩阵条件数很差结果会飘 x x(:); y y(:); mx mean(x); my mean(y); xs x - mx; ys y - my; A [2*xs, 2*ys, ones(numel(xs),1)]; b xs.^2 ys.^2; p A \ b; % 最小二乘解 xc p(1) mx; yc p(2) my; r sqrt(p(3) p(1)^2 p(2)^2); d sqrt((x - xc).^2 (y - yc).^2); resid std(d - r); % 半径残差的标准差整体形状偏离程度 maxDev max(abs(d - r)); % 最大偏差局部崩边就体现在这里 end三个输出各有分工。r是等效半径可以和标称半径比对判断是不是整片偏小模具磨损的典型特征。resid是残差标准差反映整体轮廓的“不圆程度”椭圆片、变形片在这里报警。maxDev是最大偏差崩边这种局部凹陷主要看它——一片直径 160 像素的圆崩掉宽 4 像素、深 3 像素的一个角maxDev大约会到 3 左右而resid可能只有 0.8光看resid就漏了。坐标平移到质心这一步是数值稳定性问题。药片在图像右下角时x、y都是几百上千的量级平方之后到 10^6而半径信息在 10^4 量级直接解正规方程会丢掉有效数字拟合出来的圆心偶尔会飞到图像外面去。平移之后所有坐标都在 ±100 以内条件数立刻正常。这个坑我在一张 2048×2048 的大图上结结实实踩过一次当时还以为是\运算符有问题。4.3 判据组合与有无检测三张表合成一个结论单片判据用表格理清楚更直观特征计算方式典型阈值对应缺陷面积偏差(A - A0) / A0±12%缺角、大片崩边、叠片圆形度4πA / P²≥ 0.82裂片、变形、严重崩边半径残差 std圆拟合resid≤ 1.8 px整体不圆、椭圆化最大偏差圆拟合maxDev≤ 3.0 px局部崩边、缺角内部灰度标准差std(gray(mask))≤ 0.06污点、裂片、双片重叠最后一行灰度特征容易被忽略。背光成像下两片叠在一起的位置透光率明显偏低灰度直方图会出现第二个峰药片上有污点或裂纹时局部灰度方差也会变大。这一条判据基本不增加计算量但对叠片特别有效——几何特征在叠片时反而可能“看起来正常”。判定函数把这些串起来同时处理有无检测function rep judge(props, P) n numel(props); if n 0 rep.pass false; rep.num 0; rep.reason empty; return end areaMed median([props.area]); % 用中位数而不是均值抗单片异常 rep.num n; rep.items struct(idx,{},ng,{},reason,{}); for k 1:n reasons {}; if abs(props(k).area - areaMed) / areaMed P.areaTol reasons{end1} area; end if props(k).circ P.minCirc reasons{end1} shape; end if props(k).resid P.residTol || props(k).maxDev 3.0 reasons{end1} chip; end rep.items(k).idx k; rep.items(k).ng ~isempty(reasons); rep.items(k).reason strjoin(reasons, |); end rep.missing n P.expectNum; % 缺片 rep.extra n P.expectNum; % 叠片或多投 rep.pass ~(rep.missing || rep.extra || any([rep.items.ng])); endareaMed用中位数是个刻意的选择。一批 24 片里如果混进一片叠片面积是正常的两倍用均值的话基准会被拉高 4%本来合格的小片就被误判了。中位数在污染比例低于 50% 时完全不受影响。expectNum这个判据依赖治具的固定工位。如果产线是自由摆放、片数不固定那就不能靠这个数判断有无得改成“面积总和除以单片基准面积”的估数法或者干脆只判单片质量、把计数交给上游的称重工位。这一点在跟工艺确认需求的时候必须问清楚不然后面全是无用功。5. 避坑排查分割翻车、计数飘、换批次就崩的五个现场记录这一章记的都是真实发生过的现场问题每条按“现象 → 原因 → 解决”写。新手对着排查能省不少时间。5.1 成像与分割阶段整幅图变白、边缘发虚现象一跑完segmentbw整幅图全是truefigure出来一片白。原因背光成像下药片比背景暗Otsu 算出来的前景其实是背景忘了取反另一种可能是顶帽变换时bgRadius取得太小药片自己被当成背景减掉了剩下的全是噪声。 解决先imhist(gray)看直方图是不是双峰、峰在哪一侧用figure; imshowpair(img, bw, montage)并排看一眼。忘了取反这种低级错加一行断言就能兜住assert(mean(bw(:)) 0.5, 前景占比过高检查是否忘记取反)。现象二崩边判不出来maxDev永远小于 2。原因blurSigma设成了 2.0一两个像素宽的缺口被高斯核抹平了后面再怎么调阈值也找不回来。 解决把blurSigma降到 1.0 以内改在中值滤波上压噪medfilt2(gray, [3 3])中值滤波对椒盐噪声有效又不糊边缘。代价是运算慢一点单帧多几毫秒。5.2 形态学与计数阶段数量总差一两片现象三明明 24 片n稳定报 25 或 26。原因药片表面的刻字、凹槽形成暗环imfill之前这些小洞被算成了背景bwboundaries沿着洞的内壁又描了一圈regionprops把内圈也算成了一个连通域。 解决imfill(bw,holes)必须在连通域标号之前而且要确认洞是真的被填满了——imfill只填“完全被前景包围”的区域如果洞有一处开口通到外面就填不上。可以在imfill后接一次imclose把开口封住再填。现象四n稳定少一片maxDev却有片报得特别大。原因两片粘连分水岭把其中一片切成了两块碎片碎片面积小于minArea*0.35被丢掉剩下的一块又被当成完整片。 解决把碎片阈值降到 0.2同时给分水岭加一个“最小间距”约束——两片中心距小于0.8 * 等效直径时不做分割直接按面积估数。分水岭的过分割问题没有通用解只能靠回归集反复试。5.3 参数迁移与性能换批次崩、单帧超时现象五样图上调好的参数换一个批次误判率飙升到 15%。原因threshScale硬编码成 1.05那个批次的药片颜色深、整体偏暗Otsu 阈值本来就偏低再乘 1.05 前景收缩过度边缘片被切碎。 解决threshScale一律给 1.00让 Otsu 自适应每批开机时先跑三张良品图统计前景占比占比落在 60% 到 75% 之外就报警提示重新标定。这套“开机自检”比事后调阈值靠谱得多。现象六离线跑 40 ms 一张产线上要 120 ms节拍跟不上。原因调试用的imshow、imshowpair、plot全留在主流程里每帧都imread一张未经压缩的大图循环里没有预分配结构体数组。 解决把可视化全部收进showResult上线版永不调用图像在采集阶段就用无损压缩或 ROI 裁剪把视场缩到治具范围能砍掉一半像素measure循环里的结构体先按n预分配MATLAB 的结构体数组在循环里动态增长非常慢。这三条做完同一套算法能压到 30 ms 以内。6. 二次开发把 demo 脚本改成能挂到产线节拍上的检测函数单张图跑通只是起点。真正要交付的时候代码要面对的是“换批次、换规格、连续跑八小时”这些工程约束。第一件事是接口收敛。我习惯把所有对外能力收成一个函数function rep inspect(img, P) % 对外唯一入口输入一帧图像和参数输出结论结构体 % 上线时会被 C# 或 C 侧通过 MATLAB Compiler SDK 调用 [bw, gray] pill.segment(img, P); [L, n] pill.countPills(bw, P); props pill.measure(L, gray, P); rep pill.judge(props, P); rep.n n; end调用方只需要拿到rep.pass和rep.items(k).reason内部怎么改形态学、怎么换边缘算法对外完全透明。这条约定立下来之后同事换了一版基于形态学梯度的边缘定位接口没动产线侧一行代码都没改。第二件事是回归集和混淆矩阵。没有回归集的调参就是赌博。main_batch.m干的就是这个% main_batch.m —— 跑 ok/ng 两个文件夹出混淆矩阵和追溯表 P params(); sets {ok, true; ng, false}; yTrue []; yPred []; names {}; for s 1:size(sets,1) files dir(fullfile(data, sets{s,1}, *.png)); for i 1:numel(files) img imread(fullfile(files(i).folder, files(i).name)); rep inspect(img, P); yTrue(end1) sets{s,2}; yPred(end1) rep.pass; names{end1} files(i).name; end end C confusionmat(yTrue, yPred); disp(array2table(C, RowNames, {NG,OK}, VariableNames, {predNG,predOK})); % 把漏检的样本名单独列出来逐个肉眼复核 miss names(~yTrue yPred); % 真值 NG、预测 OK 漏检 if ~isempty(miss) fprintf(漏检 %d 张%s\n, numel(miss), strjoin(miss, , )); endconfusionmat约定真值和预测都是逻辑或类别标签这里true表示 OK。漏检NG 判成 OK和误检OK 判成 NG在产线上的代价完全不对等——漏检会流出不良品误检只是停机复检。所以调参的时候不能只看总准确率要单独盯漏检数宁可误检率高一倍也不能放过一片崩边。第三件事是收尾清单。下面这张表是我每次交付前必过的检查项合格标准常见漏项可视化调用上线入口里零imshow调试时加的figure忘了删阈值来源全部来自params.m函数体里残留魔法数字单帧耗时连续 100 帧均值 节拍只测了第一帧回归集漏检为 0误检 3%只跑了 ok 集异常输入空图、全黑图不崩没测n 0分支参数留档每次交付存一份当时的P只存了代码没存参数那次最惨的教训是把一段判据逻辑写在了showResult里改颜色——调试时一切正常上线版删掉可视化之后NG 片全被判成了 OK因为那个ng标志是在画图函数里顺手赋值的。从那以后我每次交付前都强制走一遍“空图 全黑图 无可视化”三连测试任何一步报错或者结果不对就不许发布。这套习惯听着笨但确实把线上事故压到了零。希望帮到你。本文还有配套的精品资源点击获取