OpenCV数码管数字识别实战：从预处理到小数点精准提取

简介一份基于OpenCV的数码管数字识别系统毕业设计资料包面向计算机、电子、自动化、物联网等专业的学生与开发者可用于毕业设计、课程设计、作业提交或项目初期演示也适合有Python基础的初学者进阶。项目完整覆盖数字识别与小数点识别流程包含核心识别脚本、SVM模型数据、界面程序、示例图片与说明文档。资料包共18个文件、约2.93MB以Python脚本为主并辅以Jupyter Notebook、Excel信息表、txt说明与md文档便于对照理解代码运行逻辑和调试复现。这些文件从图像检测、特征提取到模型预测形成清晰链路读者既可学到数码管识别技术方案也能在此基础上修改扩展适配更多数字或字符识别场景。目前已有64人学习下载适合需要完整毕业设计参考或快速搭建识别原型的学习者。1. 数码管数字识别一个看着简单、上手全是坑的毕设方向如果你接过“用OpenCV识别数码管数字”这种需求——要么是毕设选题要么是工厂里想把电压表、温控器、计数器上的数字自动读出来——你会发现一个反直觉的事实数码管数字的识别难度一点都不比手写数字识别低甚至在断笔、反光、动态刷新这些干扰下比识别MNIST还要折磨人。七段数码管的每个数字只由几根矩形亮段组成相邻数字比如6和9、2和3只差一笔图像稍微糊一点、过曝一点结果就天差地别。这个标题给到的是一套完整的OpenCV数码管数字识别方案核心能力是两件事把图像里的数码管区域找出来、识别出上面的数字串并且小数点不丢。它不像深度学习方案那样需要显卡和标注数据集靠经典图像处理管线就能达到稳定可用的效果适合毕设快速出成果也适合老仪表数字化这种算力受限的场景。接下来我会按我自己搭这套系统的顺序展开从预处理、区域定位到字符切分、小数点回捞再到两种识别方案怎么选最后是实际踩坑记录和一套能拿出去答辩的验证方法。2. 从相机到干净的“8”预处理与数码管区域定位2.1 先想清楚数码管和普通数字在图像上差在哪普通印刷数字是连续笔画构成的笔画粗细均匀字形有衬线或无衬线而数码管的每个数字由七个离散的矩形亮段组合而成段与段之间有固定间距字符本身是“拼”出来的不是一个连通体。这带来两个直接后果第一预处理的目标是让每个亮段完整、边界锐利而不是让笔画连成一体所以形态学操作里“膨胀”要慎用膨胀得多了会把相邻段之间的空隙填上导致8变成矩形块第二字符的几何结构极其规则段的位置比例基本固定这为后面用七段码特征识别留下了方便之门。还有一个很多人忽略的点数码管的颜色。红色数码管最常见但绿色、黄绿色、蓝色也不少见。彩色相机拍红色数码管时红色通道和蓝色通道的响应差异非常大直接把BGR图像转成灰度会丢失部分亮度对比。我一般会在灰度化之前先做一次通道分离观察哪个通道下数字和背景的对比度最大红色数码管通常红色通道或者灰度图都可用蓝色数码管则要优先看蓝色通道。这一步不写代码也可以用Python交互式看一下三通道直方图就行但实际项目中它常常比后面调阈值更影响成败。2.2 预处理线程灰度、滤波、二值化拿到原始图像之后我的预处理管线通常是这样import cv2 import numpy as np def preprocess(src, channelgray, use_otsuTrue): # 通道选择红色数码管用红通道或灰度蓝管看蓝通道 if channel gray: gray cv2.cvtColor(src, cv2.COLOR_BGR2GRAY) else: idx {b: 0, g: 1, r: 2}[channel] gray src[:, :, idx] # 高斯模糊压低传感器噪声但对数码管段边缘影响小 blurred cv2.GaussianBlur(gray, (5, 5), 0) # 二值化优先大津法光照不均再换自适应阈值 if use_otsu: _, thresh cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU) else: thresh cv2.adaptiveThreshold(blurred, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 15, 5) return thresh这段代码有三个参数值得细说。第一个是阈值模式。大津法OTSU假设图像是双峰分布——背景一堆、亮段一堆自动找一个分割点在光照均匀的情况下非常稳。但如果数码管屏幕本身有渐变反光整图的灰度直方图可能是三峰甚至更乱这时候大津法会把反光区域也划成前景就得换成自适应阈值。自适应阈值里blockSize15表示按每个像素周围15×15邻域算均值做阈值C5是阈值偏移量C越大越不容易把噪声带进来。第二个是THRESH_BINARY_INV还是THRESH_BINARY。如果目标是“亮段是白色、背景是黑色”用INV做反相。为什么不直接用原极性因为后面做轮廓提取、模板匹配时白色前景对结果打印和调试更直观而且很多形态学算子的默认行为都是前景白。第三个是GaussianBlur的核大小。核太大会把数码管的笔画边缘磨圆让后面的轮廓提取丢失尖角核太小比如3×3对噪声几乎无效。我个人经验是5×5是一个平衡点如果图像分辨率很高比如单字符超过100×150像素可以提到7×7但不要更大。2.3 定位数码管区域轮廓过滤与透视矫正二值化之后接下来要把包含数字的矩形区域从整幅图像里抠出来。这一步直接用轮廓查找就行def locate_digit_region(thresh, min_area1500): contours, _ cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for c in contours: area cv2.contourArea(c) if area min_area: continue x, y, w, h cv2.boundingRect(c) # 数码管区域通常是宽的矩形宽高比在 2.5~6 之间具体看位数 aspect w / max(h, 1) if 1.5 aspect 10 and h 30: candidates.append((x, y, w, h)) if not candidates: return None # 取面积最大的候选框通常是完整显示区域 return max(candidates, keylambda r: r[2] * r[3])这里RETR_EXTERNAL只取最外层轮廓避免数字段内部的孔洞生成无意义的子轮廓。宽高比过滤很关键单个数码管字符是竖长的但一串数字整体是横宽的如果识别对象是“123.4”这种五位以上整个区域的宽高比可能超过6如果只识别两位数字宽高比在2左右。所以阈值下限我给到1.5目的是排除掉单独一个字符的情况宽高比小于1上限给到10避免把温度计上那种超宽条状屏幕误收进来。定位框拿到之后还有一个常见问题相机没有正对屏幕拍出来是斜的梯形此时直接用框去切字符切出来的每个数字宽度都不一致模板匹配的分数会被干扰。解决办法是先做四边形的透视矫正取定位框的四个角点映射到正矩形。注意这里要用minAreaRect求出带角度的最小外接矩形而不是用boundingRect否则倾斜角超过5°之后矫正效果很差。矫正的计算量不大但对后续切分精度的提升非常明显尤其是屏幕侧着摆的工厂场景。3. 把一串数字拆成单个字符切分与小数点提取3.1 投影切分 vs 连通域切分什么时候用哪个定位到数码管区域之后核心任务是把“128.4”这样一串字符拆成单个字符。拆不准后面识别再准也是白搭。我见过最典型的失败案例是字符间空隙被反光或过粗的形态学膨胀填上整串数字连成一个连通域怎么分都分不开。两种主流的切分方案是垂直投影切分和连通域切分。垂直投影切分的思路是把二值化图像按列求和得到每一列的白色像素数数字区域白色像素多、间隙区域白色像素接近0在波谷处下刀切断。它适合字符间距均匀、间隙清晰的场景但对小数点的处理很尴尬——小数点是个小圆点它的投影峰值远低于数字字符如果按同一阈值判断很容易被当成噪声丢弃。连通域切分则是直接调用cv2.findContours找出每个独立物体每个连通域就是一个候选字符或点位天然的能把数字和小数点分在同一套逻辑里。所以我的选择是字符主体用连通域切分因为数码管的段是离散的一个数字的多个段彼此之间存在小间隙但这些段之间的距离明显小于字符间距可以通过给连通域做一次横向膨胀把它们连成一体。def split_digits(thresh_roi): # 窄幅膨胀把同一个数字内部的段缝舔掉但不要跨字符 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) connected cv2.dilate(thresh_roi, kernel, iterations2) contours, _ cv2.findContours(connected, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) boxes [cv2.boundingRect(c) for c in contours] # 按 x 坐标排序保证识别顺序从左到右 boxes.sort(keylambda b: b[0]) return boxes这个膨胀核大小和迭代次数是关键。核是3×3迭代2次在普通分辨率的屏幕上大约能把数码管同段间2~3像素的间隙填上同时不会让5mm以上的字符间距被堵住。如果拍回来的图像分辨率不同膨胀效果需要重新试我的经验是先跑一次打印出每个连通域的宽度分布目标是数字宽度集中在同一区间且数值区域和字符间距有明显的宽度断层。3.2 小数点那个最容易丢的小圆点怎么救回来小数点大概是整套系统里最容易被骂“识别不了”的地方。它直径只有数字字符宽度的五分之一到四分之一位于数字区域的右下方亮度还常常被外壳遮盖反光吃掉。许多做这个课题的人卡了好几天最后发现是二值化阈值把小数点吃掉了——小数点的面积小像素数少在大津法的直方图统计里分量微小阈值稍微一偏它就变成背景。我的处理方法是把小数点作为独立目标处理不跟数字混在一起去阈值也不用同一个膨胀参数。在切分阶段所有的连通域包括小数点都会在boxes里出现我用两个条件把它认出来第一连通域面积显著小于数字字符的平均面积通常小于1/5第二连通域的几何中心落在它左侧数字框的下半部分也就是y坐标大于左侧字符框的垂直中点。为了拿到左侧数字框做参照我会把面积小的连通域暂存在一边先识别完大块的数字再回头逐个判定小连通域是不是小数点。def classify_small_regions(boxes, thresh_roi, digit_area_median): remain [] decimal_candidates [] for x, y, w, h in boxes: area w * h if area digit_area_median * 0.25: decimal_candidates.append((x, y, w, h)) else: remain.append((x, y, w, h)) decimals [] for dx, dy, dw, dh in decimal_candidates: center_y dy dh / 2 # 找它左边最近的数字框 left_digits [b for b in remain if b[0] b[2] dx dw / 2] if not left_digits: continue ref max(left_digits, keylambda b: b[0]) ref_center_y ref[1] ref[3] / 2 if center_y ref_center_y: decimals.append((dx, dy, dw, dh)) return remain, decimals这个“找左边最近数字框、判断是否在下半区”的策略比单纯按绝对坐标判断稳得多因为数码管区域在画面里的位置会变但小数点和数字之间的相对关系是不变的。还有一个细节小数点面积判定的倍率0.25这个值来自一个假设——数字至少亮了三四段以上而小数点只是一小圆点。如果数码管只显示了一位“1”1的亮段只有两段面积本来就小此时对应的小数点面积占比会超过0.25这时应该用“面积小于所有大连通域中位数的多少”来判断而不是小于平均值因为中位数对极端值不敏感。用中位数而不是平均值是我在这个项目里比较得意的一个小改动。4. 识别最后一公里模板匹配与七段码特征选哪条路4.1 模板匹配一套能用得住的模板设计和匹配参数切分完成之后识别阶段有两条主流路线模板匹配和七段码特征识别。模板匹配的思路朴素——拿标准数字图像模板在待识别区域里滑动比对算相关系数谁的分最高就是谁。但这里有一个新手必踩的坑用真实数码管照片做模板。照片里的模板带光照、角度、外壳反光拿它跟同样带光照的测试图去匹配效果反而差因为匹配算法比的不是结构而是亮度分布。我推荐的做法是合成模板。数码管的字形结构是规则的0到9各有固定的段亮灭组合你可以直接用OpenCV画出来或者更朴素一点在程序里用矩形填充搭建一套灰度模板集。每个模板尺寸归一化到40×72宽×高笔画厚度归一化到8像素左右。这样模板不带任何传感器噪声和光照匹配的是纯粹的结构相似度在真实图像上反而鲁棒得多。def build_templates(shape(40, 72), thickness8): # 预置七段码亮灭表稍后也可以复用 segment_map { 0: (1, 1, 1, 1, 1, 1, 0), 1: (0, 1, 1, 0, 0, 0, 0), 2: (1, 1, 0, 1, 1, 0, 1), 3: (1, 1, 1, 1, 0, 0, 1), 4: (0, 1, 1, 0, 0, 1, 1), 5: (1, 0, 1, 1, 0, 1, 1), 6: (1, 0, 1, 1, 1, 1, 1), 7: (1, 1, 1, 0, 0, 0, 0), 8: (1, 1, 1, 1, 1, 1, 1), 9: (1, 1, 1, 1, 0, 1, 1), } templates {} for digit, seg_flags in segment_map.items(): img np.zeros(shape, dtypenp.uint8) w, h shape # 七段的位置按比例摆布上横、中横、下横、左上、右上、左下、右下 # 这里给一个简化的三横四竖摆法实际可以再细调 cv2.rectangle(img, (w//4, 0), (w*3//4, thickness), 255, -1) # 上横 cv2.rectangle(img, (w//4, h//2-thickness//2), (w*3//4, h//2thickness//2), 255, -1) # 中横 cv2.rectangle(img, (w//4, h-thickness), (w*3//4, h), 255, -1) # 下横 cv2.rectangle(img, (0, 0), (thickness, h//2), 255, -1) # 左上竖 cv2.rectangle(img, (w-thickness, 0), (w, h//2), 255, -1) # 右上竖 cv2.rectangle(img, (0, h//2), (thickness, h), 255, -1) # 左下竖 cv2.rectangle(img, (w-thickness, h//2), (w, h), 255, -1) # 右下竖 # 按亮灭表把不需要的段擦掉 # 段顺序: 上横、中横、下横、左上、右上、左下、右下 erase [ (w//4, 0, w*3//4, thickness), (w//4, h//2-thickness//2, w*3//4, h//2thickness//2), (w//4, h-thickness, w*3//4, h), (0, 0, thickness, h//2), (w-thickness, 0, w, h//2), (0, h//2, thickness, h), (w-thickness, h//2, w, h), ] for i, enabled in enumerate(seg_flags): if enabled: continue x0, y0, x1, y1 erase[i] img[y0:y1, x0:x1] 0 templates[digit] img return templates这只是一个极简原型真要做得准模板里每段的位置要按真实屏幕比例调整而不是均分。注意我把七段码亮灭表也放在这段代码里了它本身可以同时服务七段码特征识别方案一个表两处用。匹配时把待识别字符resize到40×72然后逐个模板算相似度。4.2 七段码特征识别不依赖模板的另一个可靠方案模板匹配有个软肋如果待识别数字发生了严重断笔匹配分数会整体下降有时候甚至会拿到一个错误的“最高分”。这时候更好的选择是七段码特征识别——直接检测七段各自的亮灭状态拼出数字。思路是把归一化后的字符图像划分成七个区域分别统计每个区域里的白色像素占比超过阈值就认为该段亮低于阈值就认为灭然后把亮灭组合去查表。def recognize_seven_segment(char_img, thresh_ratio0.35): h, w char_img.shape # 七个检测区域的坐标沿用上面模板的分段布局 regions { a: (w//4, 0, w*3//4, h // 7), # 上横 b: (w - w//6, 0, w, h // 2), # 右上 c: (w - w//6, h // 2, w, h), # 右下 d: (w//4, h - h // 7, w*3//4, h), # 下横 e: (0, h // 2, w // 6, h), # 左下 f: (0, 0, w // 6, h // 2), # 左上 g: (w//4, h//2 - h//12, w*3//4, h//2 h//12), # 中横 } seg_state {} for name, (x0, y0, x1, y1) in regions.items(): region char_img[y0:y1, x0:x1] ratio np.count_nonzero(region) / region.size seg_state[name] 1 if ratio thresh_ratio else 0 table { (1,1,1,1,1,1,0): 0, (0,1,1,0,0,0,0): 1, (1,1,0,1,1,0,1): 2, (1,1,1,1,0,0,1): 3, (0,1,1,0,0,1,1): 4, (1,0,1,1,0,1,1): 5, (1,0,1,1,1,1,1): 6, (1,1,1,0,0,0,0): 7, (1,1,1,1,1,1,1): 8, (1,1,1,1,0,1,1): 9, } key (seg_state[a], seg_state[b], seg_state[c], seg_state[d], seg_state[e], seg_state[f], seg_state[g]) return table.get(key, ?)七段码特征的优点是逻辑透明、可以逐段调试哪一位不对直接打印seg_state就能看出是检测区域没对齐还是阈值不当。但它的可靠性完全依赖于区域划分是否准确如果透视矫正没做好字符变形后某一根段的检测区域会偏到另一根段上误判率立刻飙升。所以在实际项目中我通常用模板匹配做主要结果用七段码特征做一个“一致性校验”两份结果不一致时把字符打印出来人工看一眼。这个双保险策略在毕设答辩现场很实用你可以现场演示十张图然后展示两套结果一致率答辩老师对这个印象很好。4.3 小数点识别结果怎么合并到数字串里识别完数字字符和小数点候选区之后需要把它们合成为完整结果。数字字符按x坐标从左到右拼成一个字符串再把第3节捞回来的小数点按位置插进去。插入规则是找到小数点x坐标左边最近的数字字符框小数点插在那个数字的后面。比如字符框x坐标分别是10、60、110小数点的x坐标是85那它显然在第二个字符后面拼接结果是“12.3”。def build_result(digit_boxes, recognized_digits, decimal_points): combined [(x, y, w, h, text) for (x, y, w, h), text in zip(digit_boxes, recognized_digits)] combined.sort(keylambda t: t[0]) result for item in combined: result item[4] # 检查是否有小数点紧跟在当前字符右侧 for (dx, dy, dw, dh) in decimal_points: if abs(dx - (item[0] item[2])) max(8, item[2] * 0.5): result . break return result注意这个“紧跟在右侧”的判断容忍范围我用了两种尺度取最大值固定8像素和当前字符宽度的50%。因为不同拍摄距离下字符间距和小数点到字符的距离会等比变化用比例更泛化。如果小数点跟数字框有重叠说明切分环节没有把小数点分离干净此时应该回到第3节调整膨胀参数而不是在这里硬插。5. 数码管识别避坑记预处理到鲁棒性的 5 个常见问题5.1 断笔段不亮导致识别出错现象识别结果里2变成了3或者6变成了5。打印出二值化图像后发现——数码管的某一段根本没亮明显是硬件显示问题或老化灯珠。这不是图像处理能修复的但是可以通过后验知识挽救。原因七段数码管有个特点某些数字差的恰好就是一段。2a,b,g,e,d和3a,b,g,c,d只差e段6和5只差e段。断笔会让2看起来完全像3。解决在切分和识别之间加一个“断笔检测”逻辑如果识别结果是3但原始字符区域的e段位置完全没有亮像素同时a、b、g、d段正常就判为2。这本质上是把真值表加一个“允许一段缺失”的模糊匹配。实际项目中断笔率在2%~5%很常见加上这层逻辑能挽回一半以上的误识。5.2 反光与过曝二值化后字符缺段的元凶现象识别分数全面偏低某个数字反复识别错误而且每次错得不一样。在二值化图像里能看到亮段中间有大块白色空洞或者整段丢失。原因数码管外面常有一层透明塑料外壳灯光或阳光会在屏幕上形成镜面反光。反光区域灰度值接近255大津法为了压低它会把阈值抬高导致正常的亮段反而被分到背景。过曝同理——亮段亮度溢出后传感器把细节抹平了。解决三个手段依次用。一是在采集端加偏振片这是最根治的手段二是把大津法换成自适应阈值自适应阈值按局部均值分割能抵抗一定程度的渐变反光三是在预处理环节加一次中值滤波用5×5核把反光产生的孤立亮点压掉。这三招还不行就换拍摄角度让反光离开屏幕区域。5.3 小数点和外壳污渍/噪声点混淆现象识别结果里多了一个“.”或者小数点位置错乱。在连通域列表里看小数点和一些小碎屑的尺寸差不多。原因外壳上的灰尘、屏幕边角的磨损、光晕造成的亮环经过二值化后都可能形成小面积连通域它们的位置分布没有规律单纯靠面积过滤无法区分。解决第一道过滤是按位置——小数点的y坐标必须落在它左侧数字框的下半部分而且x坐标必须在两个数字框的间隙附近满足“位于间隙且在下方”的双重条件。第二道过滤是形状——真正的数码管小数点是接近圆形的宽高比在0.7到1.4之间灰尘或划痕的宽高比往往偏大或偏小。我通常先用第一道过滤把不满足直接丢掉再用第二道过滤把满足位置但不满足形状的也丢掉。5.4 模板匹配分数被半亮状态搞崩现象同一块数码管屏幕上午测试识别率95%下午只剩70%。把识别失败的图片打开发现字符段有的亮、有的半亮模板匹配的相似度普遍在0.5以下。原因数码管动态扫描驱动有一个特性——在任意时刻只有若干位处于点亮状态它们的点亮是分时复用的。如果相机曝光时间刚好远短于扫描周期拍到的就是某一位半亮甚至全灭的瞬间。这就是检索词里出现“tm1650数码管”“数码管动态显示”背后的真实问题。解决优先调曝光。把相机曝光时间调成大于一个扫描周期常见是1~4ms确保一帧里所有位都完整亮过。注意这会引入一点运动模糊但数码管是静态显示没有高速运动模糊量极小。如果曝光不能调就拍多帧取投票结果这个后面第6章细说。5.5 金字塔缩放导致字符太细现象高分图像缩到模板尺寸后笔画细到1像素二值化后都成了断线识别率暴跌。原因字符resize到40×72时没有做抗锯齿直接用了INTER_NEAREST最近邻插值亮度信息丢失严重。解决resize默认用INTER_LINEAR但如果发现细笔画失真就用INTER_CUBIC或INTER_AREA。更稳妥的做法是先把字符区域超采样到一个较大的尺寸比如80×144然后缩放到模板大小这等价于先平滑再降采样笔画连接性会好很多。6. 验证方法、批量跑分与一点经验6.1 自建测试集拍真实屏别只跑仿真很多毕设在最后验收时翻车原因只有一个训练和测试用同一批合成图像一到现场拍真实屏幕就露馅。我的建议是自建一个最小的真实测试集——不用多三五十张就够。覆盖几种典型的采集条件正常室内光、侧光、弱光、离焦一点点、屏幕轻微倾斜每张图用手机或USB相机拍摄文件名里直接标注答案比如“img_128.4.jpg”。这批图会成为你检验预处理和识别参数的唯一标尺。6.2 批量验证与误识率统计一个最小脚本逐张看识别结果太慢了我习惯写一个极简的批量脚本输出每张图的识别结果和整体准确率这在答辩时也是现成的实验数据。import glob import os def batch_evaluate(image_dir): files sorted(glob.glob(os.path.join(image_dir, *.jpg))) total 0 correct 0 for f in files: # 从文件名解析真实读数约定格式 img_真实值.jpg truth os.path.basename(f).split(_)[1].split(.)[0] . os.path.basename(f).split(.)[1] # 完整识别流程预处理 - 定位 - 切分 - 识别 - 合并 # predict(f) 返回字符串 pred predict(f) ok pred truth total 1 correct 1 if ok else 0 print(f{os.path.basename(f)}: 预测{pred}, 真实{truth}, {OK if ok else FAIL}) print(f总图数{total}, 正确数{correct}, 准确率{correct / max(total, 1) * 100:.1f}%) batch_evaluate(test_images)这个脚本的价值不在于代码本身而在于它逼你把整套流程封装成一个predict函数参数统一从配置文件读。一旦某张图识别失败脚本会把失败样本直接暴露出来方便你回查是哪一步出了问题。6.3 如果显示在动态刷新帧间去抖与多帧投票面对动态扫描的数码管单帧识别总会有一定概率撞上半亮状态。我的做法是连拍5帧每一帧独立跑完上述流程然后按字符位置投票取最多出现的数字构成最终结果。实测这个方法能把动态扫描导致的误识率从百分之几压到千分之一以下。投票时要忽略某一帧检测框位置轻微抖动的影响做法是先取第一帧的检测框为基准后续帧的字符框做简单对齐再按位投票。最后说说我自己的教训。我第一次做数码管识别时为了追求识别率把二值化阈值、膨胀次数、模板尺寸调到了一个只对某一张图最优的参数组合换一台设备当场失灵。后来我养成了一个习惯任何参数调完一定要在测试集里挑三张光照最极端的图跑一遍其中至少有两张不理想这个参数我就不敢说“鲁棒”。另一件事是数码管识别这种问题经典OpenCV方案在正常场景下已经够用不必一上来就上深度学习和万级标注数据。这套方案能跑通有真实数据支撑就已经是一个合格的毕设成果了。希望帮到你。本文还有配套的精品资源点击获取