不用深度学习能检测工业缺陷吗？纯 OpenCV 数齿方案实战：HSV 掩码 + FFT 周期估计 + 动态规划

场景：产线要检测木料"缺齿"缺陷（应有的齿掉了/残了）。上深度学习之前，我们先试了一套纯传统视觉方案：零训练数据、零 GPU、每步可解释。本文完整还原这套方案的思路和实现，以及最后为什么还是转向了 YOLO。

为什么先试传统算法

深度学习不是免费的第一选择，它有明确的前置成本：攒缺陷图、标注、训练、迭代。而传统算法：

• 零数据：不需要任何训练集，规则写完当天就能跑；
• 可解释：每个判定都能追溯到具体像素依据，和客户解释"为什么判 NG"时理直气壮；
• 零依赖：只要 OpenCV + numpy，工控机上即拷即用。

如果缺陷特征足够规则（比如"齿应该等间距排列"这种强先验），传统算法完全有机会。我们的目标缺陷恰好就是这种：木料上一排等间距的齿，缺一个就破坏了周期性。"周期性被破坏"这件事，用频域方法检测再合适不过。

整体流水线

原图 → HSV+纹理掩码定位木料 ROI → FFT 判断齿排列方向（必要时旋转90°）
     → FFT+自相关估计齿距周期 T → DP 选出等间距的 7 个槽位
     → 三条规则判缺（间距异常 / 覆盖率过低 / 齿面暗斑）→ OK/NG

依赖只有三个：opencv-python、numpy、scipy（只用 find_peaks）。

第一步：定位木料 ROI

木头有两个稳定特征：颜色（黄褐色系）和纹理（木纹带来的局部灰度波动）。两个都做掩码，相与：

def _wood_mask(image):
    hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
    # 木色 HSV 范围（两段：主色调 + 偏红补偿）
    m1 = cv2.inRange(hsv, np.array([10, 30, 40]), np.array([35, 255, 240]))
    m2 = cv2.inRange(hsv, np.array([0, 20, 60]), np.array([15, 255, 255]))
    mask = cv2.bitwise_or(m1, m2)

    # 纹理掩码：5x5 邻域的灰度标准差，木纹区域 std 大、背景 std 小
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    mean2 = cv2.blur(gray.astype(np.float32) ** 2, (5, 5))
    mean = cv2.blur(gray.astype(np.float32), (5, 5))
    std = np.sqrt(np.maximum(mean2 - mean ** 2, 0)).astype(np.uint8)
    _, tex = cv2.threshold(std, 8, 255, cv2.THRESH_BINARY)

    mask = cv2.bitwise_and(mask, tex)
    return cv2.morphologyEx(mask, cv2.MORPH_OPEN, np.ones((5, 5), np.uint8))

然后对掩码做行/列投影，取投影超过峰值 8% 的连续区间，就是木料的包围盒。纹理标准差这步是关键——单靠颜色，传送带上同色系杂物会混进来；加上"必须有木纹纹理"这个条件，假 ROI 基本绝迹。

第二步：FFT 估计齿距周期

齿等间距排列 → 沿排列方向的灰度轮廓是周期信号 → FFT 的频谱峰值对应的就是齿距：

def _estimate_period(vec, tmin=15, tmax=100, hint=None):
    vec = np.asarray(vec, dtype=np.float64)
    n = len(vec)
    demean = vec - vec.mean()
    window = demean * np.hanning(n)          # 加窗压频谱泄漏

    freqs = np.fft.rfftfreq(n)
    nonzero = freqs > 0
    periods = np.where(nonzero, 1.0 / np.maximum(freqs, 1e-12), 0)
    valid = nonzero & (periods >= tmin) & (periods <= tmax)  # 限定合理齿距范围

    power = np.abs(np.fft.rfft(window)) ** 2
    idx = np.where(valid)[0][np.argmax(power[valid])]
    T = int(round(periods[idx]))

    # 自相关在 T 附近精修（FFT 频率分辨率粗，自相关能补到像素级）
    f = np.fft.rfft(demean, n=2 * n)
    ac = np.fft.irfft(f * np.conjugate(f), n=2 * n)[:n]
    ac = ac / (ac[0] + 1e-9)
    peaks, _ = find_peaks(ac[int(T*0.7):int(T*1.3)], height=0.05)
    if len(peaks):
        T = peaks[0] + int(T * 0.7)
    return T

两个细节值得说：

• FFT 定粗、自相关定精。FFT 的频率分辨率受信号长度限制（n 点信号只能分辨 1/n 的频率间隔），直接取峰值周期可能差 1~2 像素；自相关在 T±30% 范围内找第一个峰，把精度补回来；
• 限定周期范围（15~100px）很重要，不限的话 FFT 经常锁到木纹的高频伪周期上。

这个周期 T 同时回答了"齿该多密"和"齿该多宽"，后面所有规则都拿它当尺子。

第三步：动态规划选槽位

有了周期 T，还不能直接"每隔 T 放一个框"——相位不知道，缺齿位置的谷干脆不存在。做法：

1. 在灰度轮廓上找所有局部极小值（谷 = 槽），作为候选；
2. 动态规划：从候选谷里选出恰好 7 个，使相邻间距尽量接近 T，且谷越深得分越高。

# dp[k][i] = 已选 k 个槽、最后一个槽是第 i 个候选谷时的最高分
for k in range(2, N + 1):
    for i in range(M):
        for j in range(i):
            diff = abs((valleys[i] - valleys[j]) - T)
            if diff > T * 0.45:        # 间距偏离周期超过 45% 的组合不允许
                continue
            val = dp[k-1][j] + cand_scores[i] - 0.5 * (diff / T)
            ...

DP 的价值在于全局最优：贪心"找最深的 7 个谷"会被木纹伪谷骗，DP 用"等间距"这个结构先验把伪谷自然淘汰——缺齿位置没有谷，没关系，它会在下一步的间距检查里暴露。

第四步：三条规则判缺

槽位定下来后，三种缺齿模式各对应一条规则：

规则 1：间距异常（整个齿没了）
相邻槽中心间距 > 1.65 倍周期 → 中间缺了齿，缺几个用 round(gap / T) - 1 算。边缘的大间距跳过（木料两端本来就长）。

规则 2：边缘覆盖率过低（齿残缺）
每个槽带内跑 Canny 边缘，统计横向覆盖率——完整的齿边缘连续，残缺齿的边缘断了，覆盖率 < 8% 就报警。

规则 3：齿面暗斑（齿面缺损变色）
相邻齿互为参照：每个齿区域的亮度中位数和左右邻居的中位数比，暗于邻居 72% 直接判 NG；暗 12%~28% 之间的，再在区域内找暗斑连通域，面积占比 >5% 才确认。用邻居做基准而不是绝对阈值，这是对抗光照不均的关键。

效果

在留存的 22 张 OK 标准样上实测：22/22 全部通过，零误检。

耗时方面，1280×1024 原图在开发机上实测平均约 22ms，工控机上约 100~120ms——比 YOLO（512 输入）在同机型上的 300ms 快约 2~3 倍。速度上传统算法确实有优势，但后面的故事会说明：这个优势没能挽救它。

NG 检出率没有留下可靠数字，原因很现实：当时 NG 样本是靠手动放置拍摄的，位置稍微偏一点，算法本身和上料误差造成的错误就混在一起，统计不出干净的结果。这个问题本身也正是弃用的首要原因，见下节。

为什么最终还是转向了 YOLO

首要原因：手动上料，定位误差扛不住。 我们的被检木料只能手动放置，没有工装夹具固定——位置偏一点、角度歪一点，整套链路就开始出错：ROI 切偏 → 灰度轮廓变形 → 周期估计漂移 → DP 的等间距约束对不上 → 误检/漏检。传统算法的每条规则都建立在"目标位置和姿态大致固定"的假设上，而深度学习对这种位置变化的容忍度天然高得多（训练数据里本来就包含各种偏移）。

其余原因在维护成本：

1. 参数太多，每个都是现场调出来的。全文粗数有十几个魔法数：HSV 范围、纹理阈值 8、间距阈值 1.65、暗度比 0.72/0.88、覆盖率 8%……换一批木料、换个光照，就得重新调一遍，而调参的人必须懂这套算法；
2. 规则之间会互相影响。改一个阈值修好了 A 场景，可能碰坏 B 场景，没有 mAP 这种统一指标告诉你整体是变好还是变坏；
3. 新缺陷类型 = 重写规则。后来要加"缺胶"检测，传统方案意味着再写一套规则；而 YOLO 方案只是数据集里加个类别、重训一次；
4. 强先验是把双刃剑。"等间距 7 个齿"这个假设一旦不成立（产品换规格），整套 DP 逻辑失效；深度学习只需要换数据重训。

一句话：传统算法把"知识"硬编码在参数和规则里，深度学习把知识存在数据和权重里——后者的维护便宜得多。

什么时候仍该选传统算法

公平地说，以下场景传统算法仍是首选：

• 有工装/机构保证定位：被检物位置、角度基本固定（这是大前提，手动上料的场景慎入）；
• 缺陷特征有强几何先验（等间距、对称、固定尺寸），且产品规格长期不变；
• 完全没有缺陷样本，深度学习冷启动不了；
• 需要向客户/审核方解释每一个判定的像素级依据。

我们的结论是：用传统方案快速验证可行性、攒第一批 NG 图（这些图后来正好成了 YOLO 的训练集），然后平滑过渡到深度学习。两条路线不是对立，是接力。

小结

• 周期性缺陷 → FFT/自相关估计周期 + DP 结构约束，是传统视觉里非常漂亮的一类打法；
• "相邻齿互为亮度基准"这种相对判据，比绝对阈值抗光照；
• 但传统算法对定位精度的依赖（手动上料慎入）、参数维护和缺陷扩展的成本，决定了产线长期方案还是深度学习；
• 传统方案最大的遗产：它攒下的 NG 图，成了深度学习冷启动的第一批数据。

系列文章：

• 《保姆级教程：零基础训练你的第一个 YOLOv8 缺陷检测模型（附 5 个产线真实踩坑）》
• 《YOLOv8 工业缺陷检测实战（上）：48 张缺陷图起步，8 个版本迭代到上线的完整记录》
• 《YOLOv8 工业缺陷检测实战（下）：小样本训练怎么把误检/漏检率压到产线标准》
• 《YOLOv8 部署到无 GPU 工控机实战：ONNX 导出 + OpenVINO 推理 + 手写后处理》