《使用Qt Quick從零構建AI螺絲瑕疵檢測系統》——6. 傳統算法實戰：用OpenCV測量螺絲尺寸

一、概述

1.1 背景介紹：從“看見”到“看懂”

在上一篇文章中，我們成功地為應用程序安裝了“眼睛”——集成了OpenCV并實現了圖像的加載與顯示。現在，我們的程序已經能夠“看見”螺絲了。然而，僅僅看見是不夠的，機器視覺的核心價值在于能像人一樣“看懂”圖像，從中提取出有用的信息。

本篇文章的核心任務，就是實現從“看見”到“看懂”的第一次跨越。我們將利用OpenCV強大的圖像處理能力，編寫第一個真正的視覺算法——自動測量螺絲的尺寸。這是一種經典的、非接觸式的測量應用，在工業生產中非常常見。通過這個實戰，讀者將直觀地感受到傳統視覺算法是如何通過一系列步驟，從像素中提取出幾何信息的。

1.2 學習目標

通過本篇的學習，讀者將能夠：

掌握圖像預處理的基本技術，如灰度轉換和二值化，這是讓計算機能夠“理解”圖像的關鍵步驟。
學習并實踐OpenCV中一個核心的算法——輪廓發現（Contour Finding）。
利用發現的輪廓，計算其最小外接矩形（Min Area Rect），從而精確地獲得螺絲的長度和寬度。
將計算出的尺寸信息和判定結果，通過信號傳遞回QML界面進行顯示。

二、圖像預處理：讓目標更突出

計算機不像人眼那樣智能，一張彩色的原始圖像對它來說只是一堆復雜的RGB像素值。為了讓計算機能夠輕松地識別出我們感興趣的目標（螺絲），必須先對圖像進行預處理，其核心目的就是簡化圖像，增強目標特征，減弱背景干擾。

【例6-1】圖像灰度化與二值化。

1. 修改Backend (backend.cpp)
我們將繼續在Backend::startScan()函數中進行修改。在加載圖像之后，增加灰度轉換和二值化的步驟。

// backend.cpp
#include "backend.h"
// ... (之前的include保持不變)// ... (matToQImage輔助函數保持不變)Backend::Backend(QObject *parent) : QObject(parent) {}void Backend::startScan()
{// ... (加載圖像的代碼保持不變)QString imagePath = QDir::currentPath() + "/../../dataset/screw/test/scratch_head/000.png";cv::Mat sourceMat = cv::imread(imagePath.toStdString());if (sourceMat.empty()) { /* ... 錯誤處理 ... */ return; }emit statusMessageChanged("圖像加載成功，開始預處理...");// --- 1. 灰度轉換 ---// 將BGR彩色圖像轉換為單通道的灰度圖像cv::Mat grayMat;cv::cvtColor(sourceMat, grayMat, cv::COLOR_BGR2GRAY);// --- 2. 二值化 ---// 將灰度圖像轉換為只有黑白兩種顏色的二值圖像// 此處使用OTSU方法自動尋找最佳閾值cv::Mat binaryMat;cv::threshold(grayMat, binaryMat, 0, 255, cv::THRESH_BINARY_INV | cv::THRESH_OTSU);// 為了在UI上直觀展示處理結果，我們暫時只顯示二值化后的圖像QImage imageQ = matToQImage(binaryMat);if (imageQ.isNull()){ /* ... 錯誤處理 ... */ return; }m_imageProvider->updateImage(imageQ);emit imageReady("screw_processed");emit statusMessageChanged("圖像預處理完成！");
}

2. 運行結果
再次運行程序并點擊“開始檢測”，現在界面上顯示的不再是原始的彩色螺絲圖片，而是一張清晰的黑白輪廓圖。在這張圖中，螺絲主體是白色（像素值為255），背景是黑色（像素值為0），目標物被完美地凸顯了出來。
在這里插入圖片描述
關鍵代碼分析:
(1) cv::cvtColor(...): OpenCV中用于色彩空間轉換的函數。cv::COLOR_BGR2GRAY是一個預定義的常量，表示從BGR色彩空間轉換到灰度空間。
(2) cv::threshold(...): 二值化函數。它將圖像中所有像素值大于閾值的像素設為一個值（如255），小于等于閾值的設為另一個值（如0）。
(3) THRESH_BINARY_INV: 表示反向二值化。因為我們的螺絲比背景暗，普通二值化后螺絲會變黑。使用反向二值化，可以讓暗的螺絲變成白色，方便后續處理。
(4) THRESH_OTSU: 這是一個非常智能的標志。當使用它時，我們傳遞的閾值參數（這里是0）會被忽略，threshold函數會自動計算出一個最優的全局閾值來分割前景和背景。這對于光照不均的場景非常有效。

三、輪廓發現與尺寸測量

經過預處理后，圖像中的螺絲已經變成了一個清晰的白色區域。現在，我們可以讓OpenCV去“尋找”這個白色區域的邊界，這個邊界就是輪廓。

【例6-2】尋找輪廓并計算最小外接矩形。

1. 修改Backend (backend.cpp)
在二值化之后，加入輪廓發現和幾何計算的邏輯。

// backend.cpp
// ...
#include <vector> // C++標準庫，用于存儲輪廓// ... (matToQImage輔助函數)void Backend::startScan()
{// ... (加載圖像、灰度化、二值化的代碼保持不變) ...cv::Mat sourceMat = cv::imread(...);cv::Mat binaryMat;// ... cv::threshold(...) ...emit statusMessageChanged("預處理完成，開始尋找輪廓...");// --- 3. 輪廓發現 ---std::vector<std::vector<cv::Point>> contours;cv::findContours(binaryMat, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);// 假設最大輪廓就是我們的螺絲if (contours.empty()) {emit statusMessageChanged("錯誤：未在圖像中找到任何輪廓！");return;}// 尋找面積最大的輪廓double maxArea = 0;int maxAreaIdx = -1;for (int i = 0; i < contours.size(); i++) {double area = cv::contourArea(contours[i]);if (area > maxArea) {maxArea = area;maxAreaIdx = i;}}if (maxAreaIdx == -1) {// ... 錯誤處理return;}// --- 4. 尺寸測量 ---// 計算最大輪廓的最小外接矩形cv::RotatedRect rotatedRect = cv::minAreaRect(contours[maxAreaIdx]);// 獲取矩形的尺寸。注意：width和height不一定是物理的長和寬cv::Size2f rectSize = rotatedRect.size;float width = std::min(rectSize.width, rectSize.height);float length = std::max(rectSize.width, rectSize.height);qDebug() << "Measured dimensions (pixels): Length =" << length << ", Width =" << width;QString resultMessage = QString("測量結果: 長度= %1 px, 寬度= %2 px").arg(length, 0, 'f', 2).arg(width, 0, 'f', 2);// --- 5. 結果可視化 ---// 為了直觀展示，我們在原始彩色圖上把輪廓和矩形畫出來// 獲取矩形的四個頂點cv::Point2f vertices[4];rotatedRect.points(vertices);// 將輪廓和矩形畫在sourceMat上cv::drawContours(sourceMat, contours, maxAreaIdx, cv::Scalar(0, 255, 0), 2); // 綠色輪廓for (int i = 0; i < 4; i++) {cv::line(sourceMat, vertices[i], vertices[(i + 1) % 4], cv::Scalar(0, 0, 255), 2); // 紅色矩形}// 將帶有繪制結果的圖像發送到UIQImage imageQ = matToQImage(sourceMat);m_imageProvider->updateImage(imageQ);emit imageReady("screw_processed");emit statusMessageChanged(resultMessage);
}

2. 運行結果
點擊“開始檢測”后，界面上將顯示原始的彩色螺絲圖片，但上面已經疊加了綠色的輪廓線和紅色的最小外接矩形。同時，狀態欄會顯示出計算出的像素尺寸。
在這里插入圖片描述
關鍵代碼分析:
(1) cv::findContours(...): OpenCV中用于尋找輪廓的核心函數。
- binaryMat: 輸入必須是二值圖像。
- contours: 輸出參數，一個存儲向量的向量集（std::vector<std::vector<cv::Point>>），用于存儲所有找到的輪廓。每個輪廓本身是一個由點（cv::Point）組成的向量。
- cv::RETR_EXTERNAL: 表示只檢測最外層的輪廓，忽略內部的孔洞，這對于我們的需求是最高效的。
- cv::CHAIN_APPROX_SIMPLE: 一種輪廓點的壓縮算法，只保留輪廓的端點，可以節省大量內存。
(2) cv::contourArea(...): 計算一個輪廓所包圍的面積。我們通過遍歷所有輪廓并比較面積，來找到最大的那個，并假定它就是我們的目標螺絲。
(3) cv::minAreaRect(...): 計算并返回一個包圍輪廓點的、面積最小的旋轉矩形（cv::RotatedRect）。這個矩形能夠緊密地貼合傾斜的目標。
(4) rotatedRect.size: cv::RotatedRect對象包含中心點、角度和尺寸（cv::Size2f）信息。size的width和height不保證哪個是長哪個是短，因此我們用std::min和std::max來獲取物理上的寬度和長度。
(5) cv::drawContours(...) 和 cv::line(...): 用于在圖像上進行繪制的函數，非常適合在調試和結果展示時，將算法的中間結果可視化。