工业粉尘检测踩坑3次后，我用"暗通道先验"搞定了

关于作者

我接触视觉整整 10 年。

机器视觉、烟草、煤矿等行业都有深度开发经验。从硬件选型、算法开发、模型训练，到上位机开发及部署，都在一线磨过。

之前是多家公司人工智能团队的技术负责人。现在自己创业了，还在继续做视觉落地这件事。

---

作者说

在做视觉这件事之前，我以为最难的是算法开发和模型精度。

后来发现，真正让人崩溃的从来不是算法本身，而是现场那些"没想到"的情况——

• 摄像头突然逆光，画面一片白
• 皮带头晃动，带动的尘雾让检测全乱
• 机器停了，但传感器报告还在"运行"
• 边缘设备算力不够，一运行就卡死

这些问题是实验室里遇不到的。

所以我打算写一个系列，记录我们在真实工业场景下踩过的坑、解决过的问题。不讲多么酷炫的算法，只聊怎么让算法稳定跑在客户现场。

这是第二篇。

---

踩坑实录：粉尘上来后，我的算法全崩了

那是一个工厂项目。

客户说需求很简单：检测传送带上有没有异物。我信心满满地用 YOLO 训了一个模型，现场部署，测试——

第一天，完美。

第二天早上，现场电话打过来：模型彻底失灵了。

我一看监控画面，好家伙——粉尘全起来了，整个屏幕白茫茫一片，YOLO 框得满屏都是"异物"，其实全是误检。

后来才知道，工厂车间下午生产高峰期粉尘浓度会爆表，根本无法正常检测。

这是我踩的第一个坑：没考虑粉尘干扰。

---

01 问题的本质：粉尘与雾霾的相似性

1.1 粉尘即"人造雾"

从成像角度看，粉尘和雾霾本质上是同一类问题：

• 都是空气中悬浮的颗粒物
• 都会导致光线散射
• 都会让图像出现以下特征：
  • 对比度下降：画面变"灰"
  • 细节丢失：远处物体模糊
  • 颜色偏移：色彩变淡、发白

所以，雾霾去雾的算法，可以用来检测粉尘。

1.2 传统方法的局限

在工业场景下，传统的粉尘检测方法有：

方法	原理	局限
激光散射	测量粒子散射光强	需要额外传感器
重量法	称重过滤后的粉尘	离线、无法实时
摄像头 + 阈值	简单判断画面亮度	误检率高，受光照影响大

我们需要一种纯视觉、实时、鲁棒的方案。

---

02 暗通道先验原理

2.1 什么是暗通道？

暗通道先验（Dark Channel Prior）是 2009 年何恺明等人提出的，论文标题是《Single Image Haze Removal Using Dark Channel Prior》。

核心发现：在无雾图像中，几乎每个局部区域都存在至少一个"暗通道"像素——即某个通道的强度值非常低。

简单理解：自然场景中，总有一些很暗的地方（比如树叶阴影、黑色汽车、深色建筑）。

2.2 粉尘图像的暗通道

当有粉尘时，这些暗通道的强度会显著提升——因为粉尘颗粒会让光线散射，覆盖了原本的暗细节。

因此：

暗通道强度 ≈ 粉尘程度

2.3 透射率估算

基于暗通道，可以估算出图像的透射率（Transmission）——即每个像素有多少光线是通过粉尘层到达摄像头的。

2.4 粉尘检测公式

我们的核心公式：

粉尘浓度 = f(暗通道强度, 透射率, 光照估计)

实际使用时，我们做了简化：

def estimate_dust_level(img):
    # 计算暗通道
    dark_channel = np.min(img, axis=2)
    
    # 形态学闭操作，去噪
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (15, 15))
    dark_channel = cv2.morphologyEx(dark_channel, cv2.MORPH_CLOSE, kernel)
    
    # 计算平均强度
    dust_score = np.mean(dark_channel)
    
    return dust_score

---

03 落地避坑指南

坑1：光照干扰

问题：开灯/关灯时，暗通道计算会误判。

解决：增加光照判断，先区分"开灯/关灯"状态，再用不同阈值。

坑2：运动物体干扰

问题：皮带上物体快速移动时，会被误判为粉尘。

解决：结合光流法，只在"静态区域"计算粉尘。

坑3：镜头脏污

问题：镜头沾灰，算法以为是粉尘。

解决：定期自检 + 差分法剔除。

---

04 完整代码

import cv2
import numpy as np

def preprocess_image(img):
    """图像预处理"""
    # 自动白平衡
    result = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
    avg_a = np.average(result[:, :, 1])
    avg_b = np.average(result[:, :, 2])
    result[:, :, 1] = result[:, :, 1] - ((avg_a - 128) * (result[:, :, 0] / 255.0) * 1.1)
    result[:, :, 2] = result[:, :, 2] - ((avg_b - 128) * (result[:, :, 0] / 255.0) * 1.1)
    img = cv2.cvtColor(result, cv2.COLOR_LAB2BGR)
    return img

def dark_channel(img, window_size=15):
    """计算暗通道"""
    min_img = np.min(img, axis=2)
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (window_size, window_size))
    dark = cv2.erode(min_img, kernel)
    return dark

def estimate_atmospheric_light(img, dark):
    """估计全局光照"""
    h, w = dark.shape
    num_pixels = h * w
    num_top = int(max(num_pixels // 1000, 1))
    
    flat_dark = dark.flatten()
    flat_img = img.reshape(num_pixels, 3)
    
    idx = np.argsort(flat_dark)[-num_top:]
    
    atmospheric_light = np.max(flat_img[idx], axis=0)
    return atmospheric_light

def estimate_transmission(img, atmospheric_light, window_size=15):
    """估计透射率"""
    img = np.float64(img) / atmospheric_light
    transmission = 1 - dark_channel(img, window_size)
    transmission = np.clip(transmission, 0.1, 1.0)
    return transmission

def dust_detection(img, threshold=0.4):
    """主函数：检测粉尘浓度"""
    img = preprocess_image(img)
    dark = dark_channel(img)
    atmospheric_light = estimate_atmospheric_light(img, dark)
    transmission = estimate_transmission(img, atmospheric_light)
    
    dust_level = 1 - np.mean(transmission)
    is_dusty = dust_level > threshold
    
    return {
        'dust_level': dust_level,
        'is_dusty': is_dusty,
        'transmission': transmission,
        'atmospheric_light': atmospheric_light
    }

# 使用示例
# cap = cv2.VideoCapture(0)
# while True:
#     ret, frame = cap.read()
#     if not ret:
#         break
#     result = dust_detection(frame)
#     print(f"Dust Level: {result['dust_level']:.2f}")
#     cv2.imshow('frame', frame)
#     if cv2.waitKey(1) & 0xFF == ord('q'):
#         break

---

05 总结

这篇文章分享了我们在工业粉尘检测中的实战方案：

• 核心思路：借用"暗通道先验"去雾算法，转用于粉尘检测
• 关键优势：纯视觉、无需额外传感器、实时可用
• 落地经验：光照自适应 + 运动过滤 + 镜头自检

如果觉得有帮助，点个赞支持一下，后面我会继续更新边缘设备部署、数据闭环实战等系列文章。

有问题评论区见！

---

📎 相关阅读

• 工业视觉踩坑实录（一）：工业现场运动检测太难？YOLO + 光流让我把误检率降了一半
• 工业视觉踩坑实录（二）：工业粉尘检测踩坑3次后，我用“暗通道先验“搞定了
• 工业视觉踩坑实录（三）：工业视觉误检太多？我用4个工程技巧把误检率降到5%
• 工业视觉踩坑实录（四）：YOLO准了也没用？我用“分层决策”把误检率从15%降到2%
• 工业视觉踩坑实录（五）：系统上线第二天就崩了，我才意识到边缘部署有多难