圆孔毛刺检测系统：项目概述与整体架构设计

精密制造行业的一个真实需求：圆孔内壁毛刺检测。

人工目检效率低、标准不一、容易疲劳。用机器视觉自动化检测，是刚需。

一、项目背景

在光学、半导体、医疗器件行业，圆孔内壁的毛刺直接影响产品质量。传统人工目检有三个硬伤：

• 效率低：速度慢，跟不上批量生产

• 主观性强：不同人标准不一样

• 易疲劳：长时间盯着看，漏检率上升

这套系统用机器视觉替代人眼，实现自动化检测。

二、核心功能

三、MVC架构

text

┌─────────────────────────────────────────────────────────────┐
│                        MVC 架构                             │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  ┌─────────────┐    ┌─────────────┐    ┌─────────────┐      │
│  │   Model     │    │   View      │    │ Controller  │      │
│  │  数据+算法   │    │   界面展示   │    │  业务逻辑   │      │
│  └─────────────┘    └─────────────┘    └─────────────┘      │
│        │                  │                  │              │
│        ▼                  ▼                  ▼              │
│  detector.py        main_window.py      main.py             │
│  external_controller dialogs.py        batch_worker.py      │
│                                                             │
└─────────────────────────────────────────────────────────────┘

各层职责：

• Model：detector.py（检测算法）、external_controller.py（外部控制）

• View：main_window.py（主界面）、dialogs.py（配置对话框）

• Controller：main.py（入口和事件路由）、batch_worker.py（批量任务管理）

四、模块职责

4.1 主入口（main.py）

python

import sys
import logging
from PyQt6.QtWidgets import QApplication
from main_window import MainWindow

if __name__ == '__main__':
    logging.basicConfig(
        level=logging.INFO,
        format='%(asctime)s - %(levelname)s - %(message)s',
        handlers=[
            logging.FileHandler('logs/app.log'),
            logging.StreamHandler()
        ]
    )
    
    app = QApplication(sys.argv)
    window = MainWindow()
    window.show()
    sys.exit(app.exec())

4.2 模块清单

五、数据流与交互流程

用户选择目录
    │
    ▼
扫描图像文件 → 刷新表格显示
    │
    ▼
触发检测（单张/批量）
    │
    ▼
Detector.detect_single_image()
    │
    ▼
结果返回 → 更新界面展示
    │
    ▼
选中表格行 → 显示原图 + 标注图
    │
    ▼
点击"发送定位" → ExternalController
    │
    ▼
查找外部软件控件 → 执行定位

关键交互点：

1. 选择目录 → 自动加载图像列表

2. 点击检测 → 调用Detector算法 → 更新表格

3. 选中行 → 显示对应的原图和检测结果图

4. 发送定位 → 通过uiautomation联动外部软件

六、技术选型

七、文件结构

├── main.py                  # 程序入口
├── main_window.py           # 主窗口界面
├── detector.py              # 检测核心算法
├── batch_worker.py          # 批量处理线程
├── external_controller.py   # 外部软件控制
├── dialogs.py               # 参数配置对话框
├── requirements.txt         # 依赖列表
├── .venv/                   # 虚拟环境
├── logs/                    # 日志目录
├── results/                 # 检测结果保存目录
└── articles/                # 技术文档目录

八、踩坑记录（提前预警）

1. 外部软件联动：uiautomation依赖Windows系统，打包后路径问题要处理好

2. 批量处理卡界面：用QThread做后台任务，别在主线程跑循环

3. 日志目录不存在：启动时检查logs/目录，没有就创建

4. 大图像加载慢：表格显示缩略图，原图按需加载

下篇预告

下一篇写图像处理核心算法——圆孔定位技术：RANSAC圆拟合、自适应阈值、毛刺检测逻辑。

如果对架构设计有不同思路，评论区聊。