FoodClassifier/bowl_size

碗尺寸识别模块 (bowl_size)

基于纯几何视觉方法的大/中/小碗自动识别方案，无需深度学习模型，轻量、快速、可解释。

---

目录

1. 为什么不用深度学习？
2. 核心思路：几何先验
3. 检测算法详解
   • 预处理：CLAHE 对比度增强
   • 方法一：霍夫圆变换
   • 方法二：轮廓法
   • 双路融合策略
   • 自适应降级重试
4. 标定系统
5. 尺寸分类逻辑
6. 文件结构
7. 使用流程
8. 调参指南
9. 已知局限性与改进方向

---

为什么不用深度学习？

直觉上，"识别大中小碗"应该用神经网络分类器。但本场景有一个极强的物理先验：

摄像头安装高度固定 → 碗的像素直径与真实直径成线性比例关系。

这意味着只需要量出碗在图像中的像素直径，就可以直接判断是大/中/小碗，而不需要学习任何"视觉特征"。

维度	深度学习方案	本方案（纯几何）
数据需求	每类 100+ 张	一次标定即可
部署新秤	重新采集 + 训练	重跑标定脚本（5分钟）
可解释性	黑盒	直接看像素直径
计算开销	GPU / 较慢	CPU 毫秒级
适用性	高通用性	依赖固定安装高度

---

核心思路：几何先验

摄像头（固定高度 H）
        |
        |  H 固定
        |
  ┌─────┴─────┐
  │   秤台    │
  │  [ 碗 ]   │
  └───────────┘

真实直径 D（cm） ←→ 像素直径 d（px）

关系：d = k × D   （k 是与安装高度相关的比例系数）

由于 k 对于固定安装的摄像头是常数，我们不需要求出 k 的具体值，只需要：

1. 标定阶段：拍大/中/小碗图片，记录每种碗的 d（像素直径）均值
2. 推理阶段：检测新图像中碗的 d，与标定阈值比较，直接输出大/中/小

---

检测算法详解

核心代码在 bowl_detector.py 的 detect() 方法中。整体流程：

原始图像 (BGR)
    │
    ▼
1. CLAHE 对比度增强（处理浅色碗+浅色背景）
    │
    ▼
2. 高斯模糊（去除噪点）
    │
    ├──► 霍夫圆变换（HoughCircles）────┐
    │                                  │
    └──► 轮廓法（Canny + findContours）─┤
                                       │
                              ▼ 双路结果融合
                                       │
                    （两路都失败？→ 宽松参数重试）
                                       │
                              ▼ 尺寸分类
                                       │
                           大 / 中 / 小碗

---

1. 预处理：CLAHE 对比度增强

问题：白色/米色碗放在浅灰色背景上，边缘对比度极低，Canny 检测不到边。

CLAHE（限制对比度自适应直方图均衡化） 是一种局部对比度增强算法：

clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8, 8))
enhanced = clahe.apply(gray)

原理：

• 将图像切成 8×8 的小块（tile）
• 对每个小块独立做直方图均衡化
• clipLimit=3.0 限制放大倍数，防止噪点被过度放大
• 相邻块之间做双线性插值，避免块状伪影

效果：即使背景和碗颜色接近，碗边缘的微弱灰度差也会被局部放大，让后续边缘检测能找到碗边。

---

2. 方法一：霍夫圆变换

霍夫圆变换（Hough Circle Transform）是 OpenCV 专门用于检测圆形的经典算法。

参数说明（重要！）：

cv2.HoughCircles(
    image,
    cv2.HOUGH_GRADIENT,
    dp=1.2,         # 分辨率倒数比（1=与原图同分辨率，>1降采样加速）
    minDist=xxx,    # 两个圆心之间的最小距离（防止重复检测同一个碗）
    param1=60,      # Canny边缘检测的高阈值（内部调用）
    param2=25,      # 圆心累加器阈值，越小越容易检测到（也越容易误检）
    minRadius=xxx,  # 最小圆半径（像素）
    maxRadius=xxx,  # 最大圆半径（像素）
)

param2 是最关键的参数：

• 值越大 → 只检测"完美圆"，漏检多
• 值越小 → 容易检测到"不完美圆"，误检多
• 本方案默认 25，对于碗这种规则形状已经足够

为什么选最大半径的圆？

best = max(circles, key=lambda c: c[2])  # c[2] 是半径

碗边是最大的圆形轮廓，碗底花纹、碗内装饰线都是更小的圆，取最大的才是碗边。

---

3. 方法二：轮廓法

作为霍夫圆的备用方案，用 Canny 边缘检测 + 轮廓分析来找圆。

步骤：

# 1. Canny 边缘检测
edges = cv2.Canny(blurred, threshold1=20, threshold2=60)

# 2. 膨胀边缘（让断裂的边缘连接起来）
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
edges = cv2.dilate(edges, kernel, iterations=1)

# 3. 找外部轮廓
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

筛选条件：

1. 面积过滤：轮廓面积必须在图像面积的 3%~95% 之间（太小是噪点，太大是背景）
2. 圆度过滤：circularity = 4π × 面积 / 周长²，值为 1.0 表示完美圆，本方案要求 ≥ 0.5

circularity 直觉示例：
  圆形 ≈ 1.0
  正方形 ≈ 0.785
  细长条 ≈ 0.1

评分机制：

score = circularity × area

越圆、越大的轮廓得分越高 → 最终选出最可能是碗边缘的轮廓。

---

4. 双路融合策略

def _merge_results(self, hough, contour):
    if hough and contour:
        # 两路都成功 → 取平均，互相校验，提高精度
        d = (hough["diameter"] + contour["diameter"]) / 2
        ...
        return {"method": "hough+contour", ...}
    elif hough:
        return hough   # 只有霍夫成功
    elif contour:
        return contour  # 只有轮廓成功
    return {"diameter": 0, ...}  # 全部失败

两路方法的优缺点互补：

	霍夫圆变换	轮廓法
擅长	圆弧不完整也能检测	任意形状，更灵活
弱点	噪声敏感，参数敏感	需要轮廓连续完整

融合取平均后，单方误差对最终结果的影响减半。

---

5. 自适应降级重试

如果两路都失败（比如图像质量极差），自动用更宽松的参数再试一次：

if hough_result is None and contour_result is None:
    relaxed_cfg = dict(cfg)
    relaxed_cfg["hough_param2"] //= 2      # 更容易检测到圆
    relaxed_cfg["canny_threshold1"] //= 2   # 更敏感的边缘检测
    relaxed_cfg["min_circularity"] = 0.4    # 允许更不圆的轮廓
    # 用宽松参数重试...

这是一个"渐进式降级"策略，优先保证精度，实在不行再放宽约束。

---

标定系统

标定是本方案的核心步骤，只需做一次，永久有效（除非更换摄像头安装高度）。

标定原理

大碗样本均值: d_large ≈ 420 px
中碗样本均值: d_medium ≈ 320 px
小碗样本均值: d_small ≈ 220 px

小碗阈值上限 = (d_small + d_medium) / 2 = 270 px
中碗阈值上限 = (d_medium + d_large) / 2 = 370 px

推理时：
  d ≤ 270 → 小碗
  d ≤ 370 → 中碗
  d > 370 → 大碗

取两档均值的中点作为阈值，使得各类别的误判容限最大化。

标定数据保存到 config.json

{
  "calibrated": true,
  "thresholds": {
    "small_max_diameter": 270.0,
    "medium_max_diameter": 370.0
  },
  "calibration_averages": {
    "small": 220.0,
    "medium": 320.0,
    "large": 420.0
  },
  "bowl_weights_grams": {
    "small": 180,
    "medium": 260,
    "large": 350
  }
}

---

尺寸分类逻辑

分类后还会给出一个置信度，反映检测到的直径距离阈值边界有多远：

# 以小碗为例：
# d 越远离阈值（small_max），置信度越高
conf = min(1.0, 0.7 + (small_max - d) / small_max × 0.3)

置信度范围在 0.7~1.0 之间：

• 1.0：直径远离边界，非常确定
• 0.7：直径刚好落在边界附近，较模糊

---

文件结构

bowl_size/
├── bowl_detector.py   # 核心检测类 BowlDetector
│                        - detect(image) → BowlDetectionResult
│                        - 双路检测 + CLAHE + 自适应降级
│
├── calibrate.py       # 标定 GUI（CustomTkinter）
│                        - 加载大/中/小碗图片
│                        - 自动检测直径并统计
│                        - 计算阈值并写入 config.json
│
├── app.py             # 主应用 GUI
│                        - 图片模式：拖拽/选择图片
│                        - 摄像头模式：实时检测
│                        - 重量计算：秤示数 - 碗重 = 食物重量
│
├── config.json        # 标定配置（标定后自动生成）
│                        - 检测参数
│                        - 尺寸阈值
│                        - 碗的实际重量
│
└── README.md          # 本文件

---

使用流程

第一次使用（标定）

python bowl_size/calibrate.py

1. 选择"小碗"→ 点击"加载该碗型图片"→ 导入 10~20 张小碗图片
2. 重复步骤 1，完成中碗、大碗的图片导入
3. 左侧"检测统计"栏会显示每种碗的平均检测直径
4. 填入各碗的实际重量（克）
5. 点击"✅ 生成标定配置" → 自动写入 config.json

💡 建议每种碗的图片在实际使用场景中拍摄（有食物、实际光线），这样标定结果更准确。

日常使用（识别）

python bowl_size/app.py

• 图片模式：拖拽图片到预览区，或点击"打开图片"
• 摄像头模式：点击"开启摄像头"，实时检测并显示结果
• 重量计算：识别成功后，在"秤示数"输入框填入重量，点击"计算食物重量"

---

调参指南

如果检测效果不理想，可修改 config.json 中的 detection 部分：

参数	作用	调大效果	调小效果
hough_param2	霍夫圆灵敏度	只检测完美圆（漏检多）	容易误检
hough_param1	内部 Canny 高阈值	只检测强边缘	边缘更敏感
canny_threshold2	轮廓法 Canny 高阈值	只检测强边缘	边缘更敏感
min_circularity	轮廓圆度要求	只接受更圆的轮廓	接受更不规则的形状
blur_kernel_size	高斯模糊强度	去除更多噪点（可能模糊边缘）	保留更多细节

推荐调参顺序：

1. 先降低 hough_param2（如从 25 → 15）
2. 再降低 canny_threshold2（如从 60 → 40）
3. 如果还不行，降低 min_circularity（如从 0.5 → 0.4）

---

已知局限性与改进方向

当前局限

场景	问题	影响
碗没放正/严重倾斜	投影从圆形变为椭圆，直径偏小	可能误判为更小的碗
多个碗同时在画面中	取最大圆，可能选到错误的碗	建议每次识别只有一个碗
碗边被遮挡 > 30%	轮廓不连续，圆度降低，可能检测失败	确保碗边清晰可见
摄像头高度改变	原标定失效	需要重新运行 calibrate.py

可能的改进方向

1. 加入 YOLOv8 目标检测：先 YOLO 定位碗的 bounding box，再在 ROI 内做几何检测，解决多碗场景
2. 椭圆拟合：将 minEnclosingCircle 改为 fitEllipse，应对轻微倾斜
3. 结合秤重量信号：大碗比小碗重，可做双重校验，拒绝明显矛盾的结果
4. 在线自适应：记录历史检测直径，发现漂移时自动提醒重新标定

---

本模块是 FoodClassifier 项目的子模块，服务于智慧秤的食物净重计算场景。