前言前三篇我们已经搞定了图像读写、色彩归一化、二值化、滤波降噪。画面整体干净了但真实工业场景还会出现最后一类顽固问题目标边缘毛躁、锯齿、小毛刺人体、安全帽轮廓内部出现小黑孔洞背景残留细碎小白杂点目标轻微断裂、粘连导致YOLO识别不稳定这些问题降噪、二值化都解决不了必须用形态学操作。形态学是工业视觉最后一道预处理关卡作用只有一个修整轮廓、净化黑白结构、让YOLO看得更准、更干净。一、形态学核心结构元工业固定模板所有形态学操作都需要一个卷积核结构元。工业安防、穿戴检测场景统一使用 3×3 十字核/矩形核效果最稳、不破坏目标轮廓。import cv2 import numpy as np # 工业通用结构元3*3 矩形核 kernel np.ones((3, 3), np.uint8)二、腐蚀 Erosion消除细小毛刺、碎点核心作用收缩白色区域、吃掉边缘细小杂点、毛刺适配工业场景去除二值图残留细碎白点、边缘毛边、微小干扰轮廓import cv2 import numpy as np img cv2.imread(binary_noise.jpg) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) kernel np.ones((3,3), np.uint8) # 腐蚀操作 erosion cv2.erode(gray, kernel, iterations1) cv2.imshow(original, img) cv2.imshow(erosion, erosion) cv2.waitKey(0) cv2.destroyAllWindows()注意迭代次数不要过大否则目标会缩小、丢失边缘特征导致YOLO漏检。三、膨胀 Dilation填补孔洞、修复断裂轮廓核心作用扩张白色区域、填充目标内部小黑孔、修复轻微断裂轮廓适配工业场景安全帽内部黑点、人体轮廓空洞、光照不均匀导致的目标镂空import cv2 import numpy as np img cv2.imread(binary_noise.jpg) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) kernel np.ones((3,3), np.uint8) # 膨胀操作 dilation cv2.dilate(gray, kernel, iterations1) cv2.imshow(dilation, dilation) cv2.waitKey(0) cv2.destroyAllWindows()四、开运算先腐蚀后膨胀去小白杂点最强工业定义先腐蚀、后膨胀核心作用删除孤立细小白点、残留碎噪、背景杂斑同时不改变目标整体大小适用场景厂区复杂背景、地面纹路、墙面噪点、远距离细碎干扰import cv2 import numpy as np img cv2.imread(binary_noise.jpg) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) kernel np.ones((3,3), np.uint8) # 开运算 open_op cv2.morphologyEx(gray, cv2.MORPH_OPEN, kernel) cv2.imshow(open, open_op) cv2.waitKey(0) cv2.destroyAllWindows()YOLO刚需开运算可以大幅减少画面细碎干扰降低大量莫名其妙的小目标误检。五、闭运算先膨胀后腐蚀补孔洞最强工业定义先膨胀、后腐蚀核心作用填补目标内部小黑孔洞、修补断裂缝隙不放大背景噪点适用场景安全帽镂空、衣服反光空洞、肢体明暗断层、目标缺口import cv2 import numpy as np img cv2.imread(binary_noise.jpg) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) kernel np.ones((3,3), np.uint8) # 闭运算 close_op cv2.morphologyEx(gray, cv2.MORPH_CLOSE, kernel) cv2.imshow(close, close_op) cv2.waitKey(0) cv2.destroyAllWindows()六、梯度运算轮廓描边作用膨胀-腐蚀提取目标边缘轮廓用途人体边缘提取、肢体边界强化、裸露皮肤轮廓增强gradient cv2.morphologyEx(gray, cv2.MORPH_GRADIENT, kernel) cv2.imshow(gradient, gradient) cv2.waitKey(0)七、工业场景终极选型口诀直接背背景细碎白点、杂点多 → 开运算目标内部孔洞、缺口多 → 闭运算边缘毛刺严重 → 腐蚀目标残缺、断裂 → 膨胀需要强化轮廓边界 → 梯度运算八、完整版YOLO工业级终极预处理流水线降噪二值化形态学本节重磅整套项目落地最终版预处理代码前面四节课所有技术全部整合工业项目直接替换即用。import cv2 import numpy as np from ultralytics import YOLO # 加载最优ONNX模型 model YOLO(best.onnx) # 读取监控画面 frame cv2.imread(factory.jpg) # 1. 高斯降噪 frame cv2.GaussianBlur(frame, (5, 5), 0) # 2. 灰度化 gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 3. 自适应二值化抗光线干扰 binary cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 15, 3 ) # 4. 形态学处理去杂点 补孔洞 kernel np.ones((3, 3), np.uint8) binary cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) # 去碎点 binary cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel) # 补空洞 # 5. 单通道转三通道 input_img cv2.cvtColor(binary, cv2.COLOR_GRAY2BGR) # 6. YOLO推理 results model.predict(input_img, imgsz1280, conf0.2, iou0.4) # 7. 绘制保存 for res in results: out_img res.plot() cv2.imwrite(final_warn_result.jpg, out_img) cv2.imshow(Final Detect, out_img) cv2.waitKey(0) cv2.destroyAllWindows()九、本篇总结形态学操作是传统CV最后的收尾大招降噪负责“干净画面”、二值化负责“黑白分割”、形态学负责修整轮廓结构。学完本篇你已经拥有一套完整工业级图像净化流水线可以极大提升 YOLO 在复杂厂区、逆光、暗光、杂背景、多干扰场景的稳定性。十、下篇预告下一篇OpenCV轮廓检测、面积筛选、外接矩形进入高级业务层自动过滤小干扰轮廓、判断人体区域大小、筛选有效目标实现纯CV初步违规判断不依赖AI也能做简单检测
