用 OpenCV 找吊顶开口:颜色分割、blackhat 与网格异常单元
项目仓库:https://github.com/yicongl1/TN10-MOEX-OPC-Portfolio
在 TN10 实习里,我试着回答一个很具体的问题:一张现场照片,能不能自动变成整改项需要的“位置”?
答案是可以,但只能到“候选区域”为止。这篇拆两条 OpenCV 流水线:一条用红色标注验证基本链路,一条在真实吊顶场景里找开口。两条都刻意保持保守:输出候选框,不输出“这是缺陷”的结论。
案例 A:红色标注作为代理
第一条流水线不是检测缺陷,而是验证“分割 → 轮廓 → 定位”这条路能不能走通。测试图上有一个人工红圈,代码把它当成待定位的区域。
核心步骤:
hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)
# 红色在 HSV 中横跨 0 和 180 两端
mask = cv2.inRange(hsv, (0, 80, 80), (10, 255, 255)) | \
cv2.inRange(hsv, (170, 80, 80), (180, 255, 255))
kernel = np.ones((5, 5), np.uint8)
mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations=2)
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, iterations=1)
contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
然后过滤面积过小的轮廓,把主轮廓转成 (x, y, w, h) 外接矩形。

这条链路在信号强、背景简单时很稳定。但它的局限也写在代码注释里:它检测的是人工标注,不是缺失的喷淋装饰圈本身。换一张没有红圈的现场照片,它就失效了。
案例 B:不依赖标注的吊顶开口
吊顶场景更难:没有人工标注,开口可能被阴影、管线、灯具和透视变化干扰。我的做法不是直接找“暗色区域”,而是先理解吊顶的网格结构,再看哪些格子不正常。
1. 用 blackhat 强化深色接缝
吊顶的接缝是细长的深色结构。用一个宽矩形核做 blackhat,可以保留这种“比周围暗的细长区域”,同时压掉大面积的亮度变化:
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (41, 9))
blackhat = cv2.morphologyEx(blur, cv2.MORPH_BLACKHAT, kernel)
edges = cv2.Canny(blackhat, 40, 120)
2. 用 HoughLinesP 重建网格
从边缘里提取水平/垂直线,按角度分类,再合并邻近位置:
lines = cv2.HoughLinesP(
edges, rho=1, theta=np.pi / 180,
threshold=120, minLineLength=180, maxLineGap=25,
)
水平线和垂直线的中点合并后,得到一组 x、y 坐标,把图像切成若干单元格。图像边缘会被补进网格,保证最外圈也能形成封闭单元。
3. 找“异常单元”
对每个单元格计算三个量:
- 平均亮度;
- 标准差;
- Laplacian 纹理能量。
规则很朴素:
if energy < 6.0:
return True # 太平,可能是空洞
if std > 35.0 and mean < 210:
return True # 又暗又不均匀,可能是开口/管线
阈值是经验值,必须按现场重新标定。它们不是物理常数,只是把候选范围缩小的启发式。
4. 在异常单元里找细长暗缝
对异常单元再做一次 blackhat,这次核更宽(51 × 9),然后 Otsu 阈值、形态学开闭、轮廓筛选:
- 面积至少 1500 px²;
- 长宽比至少 6;
- 长边至少 120 px;
- 内部比周围暗至少 12 个灰度级。

结果:候选区域,不是结论
两条流水线的输出都是候选框。它们能帮助人更快地看到“这里可能有问题”,但不能回答:
- 这是不是合同意义上的整改项?
- 应该由哪个分包负责?
- 这个开口是缺陷,还是正常的检修口/设备接口?
在施工现场,整改项是工程和合同概念,不是图像上的暗色区域。同一块暗区,可能是缺陷,也可能是正常设备。模型没有合同、图纸和专业分包的信息,不能自动下结论。
如果继续做
合理的下一步不是继续堆规则,而是:
- 收集 OPR 阶段的现场照片,关联标签、分包和最终状态;
- 标注检测框或分割掩膜;
- 训练目标检测模型(YOLO、RetinaNet 等);
- 在独立样本上验证 precision / recall;
- 作为“建议”集成到 IDCapture:模型给候选框,MOE 确认后生成整改项。
实习期间没有完成训练,原因是时间和标注数据不足。这个原型只证明了一件事:照片可以被转换成可操作的几何信息,但“是否算整改项”仍然需要人。
代码、合成样例与公开材料:https://github.com/yicongl1/TN10-MOEX-OPC-Portfolio
相关技能
- OpenCV
- Python