简介：面向学习图像处理与机器视觉的读者，这套 MATLAB 药片缺陷和有无检测资料围绕工业药品视觉检测场景展开，重点解决噪声干扰、复杂背景以及目标有无与好坏判断等问题。资源共 15 个文件，包含 5 个 m 脚本、7 张 jpg 示例图以及 doc/docx 说明文档，压缩包约 1.78MB，便于结合代码、样图与文字材料对照理解。方案中涉及小波去噪抑制高斯噪声、自适应中值滤波处理椒盐噪声，并通过形态学重构去除复杂背景，再利用边缘算子和二值化提取目标，最后扫描匹配并判定药片缺陷与有无。已有 1578 人学习，适合希望掌握 MATLAB 形态学与边缘算法落地流程、复现检测思路并积累课程设计或项目案例的读者参考。

1. 从一条泡罩包装线说起：药片的缺陷和有无检测到底在解决什么

泡罩板封好铝箔、装盒之前，那一瞬间是最容易出事的地方。某个坑位空着，下游封口、装盒、装箱，等抽检查出来，一整批都要拆。药片的缺陷和有无检测这套 MATLAB 工程解决的就是这一个工位：拍一张泡罩板图，先判“这个坑位有没有片”，再判“有片的话边缘是不是完整的、有没有缺口崩边划痕”。整条链路靠形态学做分割、靠边缘算法做缺陷复核，没有网络、没有训练、没有 GPU，只要有 Image Processing Toolbox 就能跑。

它适合两类人。一类是手上有相机和 MATLAB 授权、想把视觉链路先跑通再谈上线的开发者，因为从灰度化到判定的每一步都摊在源码里，出问题能一行一行查，不是黑匣子。另一类是拿它当形态学与边缘检测练习样例的人，参数化做得比较干净，改几个阈值就能观察到结果怎么变。下面按“怎么搭的、怎么跑的、哪里会翻车、怎么改成自己的”顺着拆。

2. 技术选型与整体架构：一条六段式图像处理管线怎么搭

2.1 为什么这个场景先不急着上深度学习

药片检测听起来像是很典型的“上个小网络就完了”的场景，但真到工位上会发现三件事把这条路堵得挺死。第一是样本量，产线上正常片要多少有多少，缺陷片往往要人工挑几个月才凑够几百张，还分崩边、缺口、划痕、双片、空位等好几类，每类分下来样本薄得可怜，训出来的模型对没见过的那类缺陷基本没有泛化能力。第二是可解释性，判定 NG 之后工艺人员会问“凭什么”，一个分数 0.73 没法回答，但“这个坑位连通域面积 180 像素，低于下限 900”能立刻定位到是空位还是分割失败。第三是现场调参，换一批药片、换一种包材，光源和对比度就变了，传统链路的做法是改两个阈值重跑，模型的做法是重新标注入重新训。

所以这套工程的技术路线定得很明确：整板定位用几何网格，目标分割用形态学，缺陷判定用边缘特征加形状特征，深度学习方法留着当二期候选。这个决策背后其实是一句大白话——先把“能不能稳”跑出来，再谈“准不准”。形态学里最吃重的三个算子是大津法二值化imbinarize、开闭运算imopen/imclose、连通域分析regionprops；边缘部分用 Canny，再用凸包减原图算出凹区面积衡量缺口。整套流程串起来是六段：采集 → 预处理 → 分割 → 槽位定位 → 判定 → 输出可视化。

这个顺序不能随便动。预处理没做干净就二值化，后面形态学的结构元素尺寸怎么调都是玄学；槽位定位放在分割之后而不是之前，是为了不被光照不均带偏。

2.2 六段管线各自的输入输出契约

把每一段都写成独立的函数，函数之间只通过矩阵和结构体传递，是这套代码最先立下的规矩。这么做不是为了好看，是因为调参时会反复单独跑某一段，如果所有逻辑塞在一个脚本里，改一个阈值就要从头跑到尾，调一次两分钟，一天下来调不了几次。

各段的契约大致是这样：

契约一旦定下来，后面所有“为什么这里要这样”的讨论都有了落点。比如preprocess返回的一定是 0 到 1 的 double，不是 uint8，因为imbinarize的自适应模式对 double 的灵敏度参数响应更线性，uint8 下同一个灵敏度值在不同曝光下表现差别很大。这类细节不写死在契约里，早晚会在批处理时翻车。

2.3 目录结构与函数职责

工程目录按职责分层，main_inspect.m只做编排，不写算法；config/params.m集中所有可调参数，改参数只改一个文件；src/下按管线阶段拆函数。实际结构是这样：

pill_inspect/ ├── main_inspect.m % 单图入口，负责调用链编排 ├── main_batch.m % 批量入口，遍历目录写结果表 ├── config/ │ └── params.m % 所有阈值、尺寸、路径集中在这里 ├── src/ │ ├── loadImage.m % 读图 + 通道归一 │ ├── preprocess.m % 顶帽 + 去噪 + 对比度拉伸 │ ├── segmentChip.m % 二值化 + 形态学清理 │ ├── gridROI.m % 按行列均分生成槽位 ROI │ ├── judgePresence.m % 有无判定 │ ├── judgeDefect.m % 缺陷判定（边缘 + 形状） │ ├── renderResult.m % 画框、打标签、存图 │ └── px2mm.m % 像素/毫米换算，阈值全部走它 └── data/ ├── good/ % 良品样本 └── ng/ % 缺陷样本

px2mm.m这个看起来最不起眼的文件其实最关键。所有结构元素半径、面积上下限、边缘带宽，在配置里一律以毫米写，进函数时统一换算成像素。理由是换相机换镜头是产线上最常发生的事，分辨率一变，原来调好的像素阈值全部失效，而毫米阈值不受影响。我见过不止一个项目在换相机之后整条链路全崩，最后发现只是结构元素半径从 15 像素变成了 15 个“新像素”。

3. 图像预处理链路：灰度化、光照不均校正与去噪的先后顺序

3.1 通道选择：别急着 rgb2gray

拿到一张彩色图，第一反应是rgb2gray，这在大多数场景没问题，但在透明泡罩加铝箔反光的组合下会吃掉关键对比度。rgb2gray内部是加权求和，权重约 0.2989R + 0.5870G + 0.1140B，绿色权重最大，因为人眼对绿最敏感——可相机的 Bayer 排列和产线光源未必按人眼来。如果光源是白光 LED、包材偏蓝，蓝色通道里药片和背景的灰度差可能比加权后的灰度图大得多。

工程上的做法是先各通道看一眼对比度再决定，配置文件里留一个ChannelMode开关：

function gray = loadImage(imgPath, channelMode) %LOADIMAGE 读图并归一化为单通道 double（0~1） % imgPath : 图像文件路径 % channelMode : 'gray' | 'R' | 'G' | 'B' | 'max' | 'sat' raw = imread(imgPath); if ndims(raw) == 3 switch channelMode case 'gray' g = rgb2gray(raw); case 'R' g = raw(:,:,1); case 'G' g = raw(:,:,2); case 'B' g = raw(:,:,3); case 'max' g = max(raw, [], 3); % 取最亮通道，压反光 case 'sat' hsv = rgb2hsv(raw); g = hsv(:,:,2); % 用饱和度区分药片与白色铝箔 end else g = raw; % 已经是灰度图，直接透传 end gray = im2double(g); end

这里ndims(raw) == 3那个分支必须写。批处理目录里经常混着灰度图和彩色图，早期版本直接写raw(:,:,3)，跑到某一张就报数组越界，整批任务中断，前面跑的全白费。'sat'这个模式是后来加的：糖衣片有颜色、铝箔是白的，饱和度图上药片区域明显更亮，比灰度图抗反光。

参数上要注意'max'和'sat'都改变了灰度分布，后面的自适应灵敏度要重新标定，不能沿用灰度图的 0.45。

3.2 光照不均校正：顶帽变换怎么用才不糊

环形光源打下来，视场中心亮、边缘暗，这是几乎躲不掉的。直接对全图做一次大津法，阈值只能取一个，中心区域药片被完整分割，边缘区域整片糊成一块背景，槽位全判空位。这就是典型的“预处理没做干净就去二值化”。

顶帽变换是这里最省事的一招。原理不复杂：开运算会把比结构元素小的亮目标抹掉，只留背景，那原图减开运算结果，剩下的就是比背景亮的局部目标。结构元素半径的选择是这个函数唯一的调参点——它必须大于药片本身的最大半径，否则药片被当成背景一起减掉；同时又必须小于光照渐变的尺度，否则背景没被抹干净，减完还是不均。

function ig = flattenIllumination(gray, bgRadiusPx) %FLATTENILLUMINATION 顶帽变换压掉背景光斑与镜头暗角 % gray : 单通道 double，0~1 % bgRadiusPx : 背景结构元素半径（像素），须大于药片最大外接半径 seBg = strel('disk', bgRadiusPx); opened = imopen(gray, seBg); % 开运算：抹掉亮目标，只留背景 ig = imsubtract(gray, opened); % 原图减背景，得到均匀化的目标 ig = imadjust(ig); % 重新拉满动态范围 end

imsubtract之后动态范围被压缩了，最亮的目标也就零点几，imadjust不拉一次，后面imbinarize的灵敏度参数完全没有意义。这个顺序在不少教程里被省掉了，结果就是同样一个灵敏度，换一张图效果天差地别。

半径怎么定？我一般先量药片直径，bgRadiusPx = round(px2mm(药片直径mm) * 0.75)，再用一张边缘区域的样图肉眼确认开运算后药片是否完全消失。如果药片还在，说明半径不够；如果背景里的浅色条纹也被一起抹掉，说明半径太大，需要往下调。

提示：顶帽变换只对“亮目标暗背景”有效。如果光源是背光、药片在亮背景上呈暗色，要用底帽变换imbothat，两者不能混用。

3.3 去噪与对比度拉伸的先后顺序

药片表面有压片麻点，铝箔上偶尔有碎屑，相机本身有传感器噪声。这些噪声对形态学的影响比对边缘算法还大——一个孤立噪点在二值化后会变成一个小连通域，开运算能去掉，但如果噪点恰好贴着药片边缘，就会把药片轮廓咬出一个假缺口，直接判 NG。

去噪放在顶帽之后、二值化之前。顺序反过来也能跑，但顶帽的结构元素会把噪声点也一起放大，压在后面的滤波要把窗口开得很大，边缘一起糊掉。中值滤波和高斯滤波二选一，判断依据是噪声类型：压片麻点、铝箔碎屑这类椒盐噪声用中值，传感器噪声这类高斯噪声用高斯。

function id = denoiseChip(i, mode, winSize, sigma) %DENOISECHIP 去噪，按噪声类型切换滤波器 % i : 单通道 double % mode : 'median' 压片麻点/碎屑 | 'gauss' 传感器噪声 % winSize : 中值滤波窗口边长，奇数，常用 3 或 5 % sigma : 高斯核标准差，常用 1.0~1.5 switch mode case 'median' id = medfilt2(i, [winSize winSize], 'symmetric'); case 'gauss' id = imgaussfilt(i, sigma, 'FilterSize', 2*ceil(3*sigma)+1); otherwise error('未知去噪模式: %s', mode); end end

medfilt2的第三个参数'symmetric'是边界处理方式，用对称填充替换默认的零填充。零填充会在图像四边造出一圈黑边，如果泡罩板贴边拍摄，边缘槽位会被这圈黑边影响，判出莫名其妙的 NG。这个坑我在第一次跑满板图时就踩了，板子右下角两个槽位永远报缺陷，查了半天发现是补零边界。

对比度拉伸放在去噪之后。如果先做imadjust再做中值滤波，拉伸会把噪声对比度也放大，中值窗口得跟着变大，药片边缘跟着钝。imadjust之后如果还想再强一点，可以用adapthisteq（限制对比度自适应直方图均衡），但它对噪声非常敏感，必须严格放在去噪之后，且ClipLimit不要超过 0.01。

4. 形态学与边缘算法核心：从二值化到缺陷判定的落地

4.1 二值化与形态学开闭：把药片从背景里抠出来

二值化这一步，全局大津法在光照均匀时够用，但实际产线上顶帽变换之后仍然会有局部明暗残留，全局阈值会漏掉一部分边缘槽位。用自适应模式更稳：

function [mask, bwRaw] = segmentChip(gray, sens, minAreaPx, seOpenPx, seClosePx) %SEGMENTCHIP 自适应二值化 + 形态学清理 % gray : 预处理后的单通道 double % sens : 自适应灵敏度，0~1，越大越容易判为前景 % minAreaPx : 最小保留面积（像素²），滤掉碎屑 % seOpenPx : 开运算半径（像素），去毛刺 % seClosePx : 闭运算半径（像素），补缺口 bwRaw = imbinarize(gray, 'adaptive', ... 'ForegroundPolarity', 'bright', ... 'Sensitivity', sens); % 开运算：先腐蚀掉贴着轮廓的毛刺和细碎噪点 mask = imopen(bwRaw, strel('disk', seOpenPx)); % 闭运算：再膨胀回来，填平药片内部的小孔洞 mask = imclose(mask, strel('disk', seClosePx)); % 面积滤波：小于最小面积的连通域直接丢弃 mask = bwareaopen(mask, minAreaPx); % 填洞：药片表面的刻字凹槽会在 mask 里留洞 mask = imfill(mask, 'holes'); end

几个参数的含义值得说清楚。Sensitivity在自适应模式下不是阈值本身，而是控制局部阈值相对局部均值的偏移量，越大越倾向于把像素判成前景。药片反光强的时候这个值要往下调，糖衣片偏暗的时候要往上调，实测下来 0.4 到 0.6 之间能覆盖大部分情况。

开运算和闭运算的顺序不能反。先开后闭是先去掉外轮廓的毛刺再补内部孔洞；反过来先闭后开，闭运算会把两个靠得近的药片连成一片，开运算再也分不开。这个顺序问题在药片间距小的时候尤其明显。

imfill(mask,'holes')这一句是必须的。药片上的刻字、糖衣的凹坑在二值化后会变成内部孔洞，不填掉的话，regionprops算出来的面积偏小，本来合格的药片会被判成面积不足。这个坑很隐蔽，因为肉眼看 mask 图几乎看不出洞，只有面积数值对不上才发现。

4.2 有无检测：网格 ROI 加面积区间判定

有无检测和缺陷检测最好拆成两套逻辑，因为它们的失败模式完全不同。有无检测要回答的是“这个坑位该不该有东西”，缺陷检测要回答的是“这个东西本身完不完整”。合在一起写，一个空位会被判成“100% 缺失的缺陷”，报错信息就没法看了。

槽位定位不做全图连通域，用几何网格。理由是全图连通域在铝箔反光、泡罩破损时会粘连，一粘就少一个槽位，整板判定错位。几何网格的前提是相机固定、板子定位靠机械挡块，实际产线上这个前提基本成立。

function rois = gridROI(imgSize, rows, cols, marginRatio, shrinkRatio) %GRIDROI 按行列均分生成槽位 ROI % imgSize : [H W] % rows, cols : 泡罩板行列数 % marginRatio : 四周留白比例，避开板边 % shrinkRatio : 单槽收缩比例，避免吃到相邻槽位 H = imgSize(1); W = imgSize(2); mh = round(H * marginRatio); mw = round(W * marginRatio); cellH = (H - 2*mh) / rows; cellW = (W - 2*mw) / cols; rois = struct('Row', {}, 'Col', {}, 'Rect', {}); k = 0; for r = 1:rows for c = 1:cols k = k + 1; x0 = round(mw + (c-1)*cellW + cellW*(1-shrinkRatio)/2) + 1; y0 = round(mh + (r-1)*cellH + cellH*(1-shrinkRatio)/2) + 1; w = floor(cellW * shrinkRatio); h = floor(cellH * shrinkRatio); rois(k).Row = r; rois(k).Col = c; rois(k).Rect = [x0, y0, w, h]; % [x y w h]，imcrop 约定 end end end

Rect用的是imcrop的[x y w h]约定，不是 MATLAB 索引的[row col]，这点一定要在注释里写死，否则后面取 ROI 的时候行列颠倒，切出来的全是横条，排查起来很费时间。

有了 ROI，有无判定就是切出来数面积：

function [state, areaPx] = judgePresence(mask, roi, areaLowPx, areaHighPx) %JUDGEPRESENCE 单槽位有无判定 % areaLowPx : 面积下限，低于判空位 % areaHighPx : 面积上限，高于判粘连/双片 sub = imcrop(mask, roi); areaPx = nnz(sub); if areaPx < areaLowPx state = "MISSING"; % 空位 elseif areaPx > areaHighPx state = "MULTI"; % 粘连或双片 else state = "PRESENT"; % 正常有片，进入缺陷判定 end end

面积上下限从毫米换算：正常片面积是 πr²，下限取 0.6 倍，上限取 1.5 倍。这两个系数看起来宽松，但实际调的时候宁可宽一点——过窄会让稍微偏位的正常片被判空位，那是最不能接受的误检。

4.3 边缘算法判缺陷：Canny 边缘加凸度、圆度双指标

有片之后的缺陷判定，靠三个特征投票：圆度、凸度（凸包减原图的凹区比例）、Canny 边缘密度。单靠任何一个都不稳。

圆度用4πA/P²手算，正常圆片接近 1，崩边之后周长变大、面积变小，圆度明显下降。凸度用bwconvhull生成凸包，减去原 mask 就是凹进去的部分，缺口、崩边都落在这块区域里。Canny 边缘图主要用于两件事：一是给出可视化的边缘叠加图给人工复核，二是统计药片内部的边缘密度，划痕会在内部产生额外的边缘。

function [ok, feat] = judgeDefect(grayChip, maskChip, p) %JUDGEDEFECT 单颗药片缺陷判定 % grayChip : 药片外接矩形内的灰度子图 % maskChip : 同尺寸的二值 mask % p : 参数结构体，见 config/params.m feat = struct(); feat.Area = nnz(maskChip); % --- 圆度：4*pi*A/P^2 --- st = regionprops(maskChip, 'Perimeter'); per = st(1).Perimeter; feat.Circularity = 4*pi*feat.Area / max(per^2, eps); % --- 凸度凹区：凸包减原图，拿凹进去的面积占比 --- hull = bwconvhull(maskChip); concave = hull & ~maskChip; feat.ConcaveRatio = nnz(concave) / max(feat.Area, 1); % --- Canny 边缘：只保留药片内部，排除外轮廓干扰 --- inner = imerode(maskChip, strel('disk', p.EdgeBandPx)); e = edge(grayChip, 'Canny', p.CannyThresh, p.CannySigma); e = e & inner; feat.EdgeDensity = nnz(e) / max(nnz(inner), 1); % --- 三指标投票 --- badCircle = feat.Circularity < p.CircLow; badConcave = feat.ConcaveRatio > p.ConcaveHigh; badEdge = feat.EdgeDensity > p.EdgeHigh; ok = ~(badCircle || badConcave || badEdge); end

edge的 Canny 模式里，第三个参数是阈值，可以给标量也可以给[low high]双阈值，第四个是高斯平滑标准差 sigma。sigma 越大越抗噪、越吃细边缘；划痕这类缺陷本身就细，sigma 超过 1.5 基本就没了。我一般从 1.0 起调，阈值用[0.08 0.20]这种偏低的组合，宁可多检出一些边缘，靠后面的EdgeDensity阈值去卡。

EdgeBandPx这个参数是腐蚀带宽，作用是把药片外轮廓那一圈边缘剔掉。不剔的话，外轮廓本身就是一圈强边缘，EdgeDensity的基数被抬高，划痕带来的增量被稀释掉，阈值怎么调都不敏感。这个参数一般取 3 到 5 像素，太小剔不干净，太大把靠近边缘的崩边也一起剔了。

三个阈值CircLow、ConcaveHigh、EdgeHigh没有通用值，只能拿良品样本跑一遍，把三个特征的分布打出来，取下限或上限往外放一点。这部分工作没什么捷径，属于血泪经验——凭感觉定阈值上线，早晚要被一批没见过的包材教做人。

5. 避坑与排查：跑不通、误检、漏检的五条实战记录

5.1 预处理与分割阶段的三个坑

坑一：换一批糖衣片后几乎每片都判 NG。

现象很直观，良品批跑出来满屏红框，凹区比例全部超标。原因是糖衣片表面反光比素片强得多，顶帽变换之后药片中心过曝，边界向外扩了一圈，但扩得不均匀，凸包减原图算出来一大片假凹区。更麻烦的是过曝区域的灰度和背景拉不开，自适应二值化把它吞掉了半个。

解决分两步：先降曝光或者换漫射光源，把药片表面的高光压下去；再在judgeDefect之前对 mask 做一次小半径开运算去毛刺，strel('disk', 3)，把外扩的锯齿边磨平。同时把Sensitivity从 0.45 提到 0.55，让过曝区域也能被判进前景。这三处一起改之后，糖衣片的误检基本压住了。

坑二：右下角两个槽位永远报缺陷，换了图也一样。

现象是位置固定，跟药片内容无关。原因是中值滤波默认零填充，在图像右下边缘造出一圈黑边，黑边和药片之间的过渡带被 Canny 抓成强边缘，EdgeDensity直接爆表。

解决是把medfilt2的填充方式改成'symmetric'，或者在所有滤波之前先padarray扩一圈再裁回来。前者更省事，改一个参数就行。这个坑的隐蔽之处在于它只影响贴边区域，如果你的泡罩板四周留白足够，可能永远碰不到；一旦改成满幅拍摄就立刻暴露。

坑三：两颗挨得近的药片被判成一片，另一个槽位报空位。

现象是相邻两个槽位，一个面积超标判MULTI，一个面积不足判MISSING。原因是铝箔反光把两个槽位的 mask 连成了一条细桥，bwareaopen滤不掉，因为桥连着的是一大块。

解决方向是别依赖全图连通域，按 ROI 切分之后再判面积，桥被 ROI 边界切断，两个槽位各算各的。如果 ROI 切完还是粘，可以在 ROI 内先做一次距离变换bwdist加分水岭watershed，把粘连目标分开。分水岭容易过分割，只在 ROI 内小范围用，别上全图。

5.2 判定与工程化阶段的两个坑

坑四：细划痕在 Canny 边缘图上完全消失。

现象是肉眼能看到一道浅划痕，但EdgeDensity和良品没差别。原因是 Canny 的 sigma 用了 1.8，划痕宽度只有两三个像素，被高斯平滑直接抹平了。同时双阈值取的是[0.15 0.35]，弱边缘全被抑制。

解决是把 sigma 降到 0.8 到 1.2，双阈值降到[0.06 0.18]，把弱边缘尽量保留。但这样噪声也会进来，所以EdgeDensity阈值要跟着往上提。划痕这类低对比度缺陷，更稳的做法是先做底帽变换imbothat，结构元素半径取比划痕宽度略大，把暗细线从药片表面提出来，再单独统计底帽图的响应强度，不跟 Canny 混在一起判。

坑五：换了个分辨率更高的相机，全部阈值失效。

现象是结构元素半径还是按老分辨率的像素值写，开运算直接把药片腐蚀没了，mask 全空。这个坑在前面提过一次，这里说具体的处理方式。

解决是引入px2mm换算层，配置里所有尺寸一律写毫米，进函数时换算。同时加一个启动自检：跑第一张图时输出“当前分辨率 xx px/mm，药片等效直径 xx 像素，结构元素半径 xx 像素”，跟预期对不上就直接报错退出，别让它默默跑完整批。这个自检大概十行代码，省下的排查时间是以天计的。

注意：批量跑之前一定要先跑一张带自检的样图。批处理跑了一半崩掉，前面写出的结果文件是不完整的，如果下游直接拿这份表做统计，错误会被带进下一道工序。

6. 二次开发：把脚本改成能落地的小工具

拿到这套代码之后最该做的第一件事，是把散在函数里的硬编码参数全部收进config/params.m，用一个结构体传下去。原来的写法里，自适应灵敏度、结构元素半径、面积上下限各写在各处，调一次参要翻五个文件。收拢之后长这样：

function p = params(pxPerMM) %PARAMS 全部可调参数，尺寸类统一以毫米给出并按分辨率换算 p.PxPerMM = pxPerMM; p.ChannelMode = 'gray'; p.BgRadiusPx = round(3.2 * pxPerMM); % 药片最大半径约 3.2mm p.DenoiseMode = 'median'; p.DenoiseWin = 5; p.Sens = 0.45; p.OpenPx = round(0.25 * pxPerMM); p.ClosePx = round(0.30 * pxPerMM); p.MinAreaPx = pi * (2.0*pxPerMM)^2; % 面积下限按等效半径换算 p.SlotAreaLow = p.MinAreaPx * 0.60; p.SlotAreaHigh = p.MinAreaPx * 1.50; p.CannyThresh = [0.08 0.20]; p.CannySigma = 1.0; p.EdgeBandPx = round(0.35 * pxPerMM); p.CircLow = 0.82; p.ConcaveHigh = 0.08; p.EdgeHigh = 0.16; end

第二步是把批处理入口写扎实，遍历data/下所有图，逐张跑，结果落成一张表。表里除了判定结果，把三个特征值也一起写进去，后面调阈值时直接看这列数据的分布，比重新跑一遍快得多。

function tbl = main_batch(cfg) %MAIN_BATCH 批量检测，输出每张图每个槽位的判定与特征 files = [dir(fullfile(cfg.dataDir, '*.png')); ... dir(fullfile(cfg.dataDir, '*.jpg'))]; rows = {}; for i = 1:numel(files) fp = fullfile(files(i).folder, files(i).name); gray = loadImage(fp, cfg.p.ChannelMode); pre = preprocess(gray, cfg.p); mask = segmentChip(pre, cfg.p.Sens, cfg.p.MinAreaPx, ... cfg.p.OpenPx, cfg.p.ClosePx); rois = gridROI(size(mask), cfg.Rows, cfg.Cols, 0.04, 0.86); for k = 1:numel(rois) [state, areaPx] = judgePresence(mask, rois(k).Rect, ... cfg.p.SlotAreaLow, cfg.p.SlotAreaHigh); feat = struct('Circularity', NaN, 'ConcaveRatio', NaN, ... 'EdgeDensity', NaN); if state == "PRESENT" mChip = imcrop(mask, rois(k).Rect); gChip = imcrop(pre, rois(k).Rect); [~, feat] = judgeDefect(gChip, mChip, cfg.p); end rows(end+1,:) = {files(i).name, rois(k).Row, rois(k).Col, ... char(state), areaPx, feat.Circularity, ... feat.ConcaveRatio, feat.EdgeDensity}; %#ok<AGROW> end end tbl = cell2table(rows, 'VariableNames', {'File','Row','Col','State', ... 'AreaPx','Circularity','ConcaveRatio','EdgeDensity'}); writetable(tbl, fullfile(cfg.outDir, 'result.csv')); end

imcrop切mask和切pre必须用同一个Rect，否则特征是在错位的图上算的。这种错位不会报错，只会让阈值调到怀疑人生。

第三步是验证。别拿跑通的图当验证集，要拿一批标注好的数据算混淆矩阵，重点看两类错误：正常片被判 NG 的误检，和缺陷片漏过去的漏检。前者影响产线节拍，后者影响质量，两个都得压。做法是把result.csv里State一列跟人工标注对一遍，用confusionchart画出来，误检集中在哪个特征上，回去单独调那个阈值。

最后说一个习惯。从那次右下角槽位永远报缺陷之后，我每次改完参数，都会先跑一张四周带留白的整板图、一张贴边拍摄的整板图、一张只有空位没有药片的图，三张全过再放进批处理。这三张覆盖了边界、满幅、毫无前景这三种最容易翻车的情况，跑一遍不到十秒。希望帮到你。

本文还有配套的精品资源，点击获取