SKU 颜色分选：类型明确的颜色与 SKU 规则

目的与适用边界

在声明的图像格式上实现颜色判定，同时把语义 SKU 识别与任何云端模型的批准分开处理。

本教程给出的是一套工程评估方法，而不是可直接运行的产品认证。Deyi Vision 目前公开的 PC 示例，涵盖的是在已确认的样品图像上运行 EAN-13 的工作流。工程代码中的原生 OCR 和检测部分，使用前必须对照已安装的运行环境、已绑定的模型和任务逐一核实。浏览器模板并不能证明可以在浏览器中执行：规划中的 OpenCV.js 后端需要单独验证。云端识别须明确批准图像范围、服务提供方、模型和费用。评审归档包不是可执行的发布包。相机、固件和驱动的兼容性需另行核查。下文所有记录表中的数值均为假设值，不是 Deyi Vision 的测量结果，也不是客户的结果。

准备证据

冻结源通道顺序、位深、物体掩膜和允许的类别。明确绑定一个本地可执行的工作流；浏览器模板或评审归档包并不提供运行环境。解读最终标志之前，先对照其约定的格式检查中间输出。缺失的区域、格式错误的文本字段、无效的坐标或非有限的数值，必须保持为明确的失败，而不能变成默认的合格结果。记录该次运行实际使用的执行后端和依赖项；不要把另一个后端上的验收结论沿用过来，即使它的模板同名。选用新的模型或预处理版本时，要保留旧版本，并重新运行固定的对比，而不是把不同版本的结果混在一起。要给出尝试过的全部用例数、其中有多少返回了可用的证据，以及对其余用例所作的处理决定。这些数量既反映识别质量，也反映覆盖率和失败处理情况。颜色分选与 SKU 识别回答的是不同的问题。某个颜色区域可能与红色参考相符，而该物品的尺寸、标签或包装规格却是错的。要先明确该任务是按实物颜色分选、核对预期的 SKU，还是两项独立的检查都要做。使用通道顺序已知的彩色图像，并把曝光、白平衡和光源光谱写入配方。要测试可接受的各批材料、光泽表面、阴影和外来产品，而不是只测一张干净的参考色卡。饱和度低时色相不可靠，而被截断的高光会丢掉算法无法还原的信息。未知、无法观察和混色的物品需要有明确的分流去向。若语义 SKU 识别使用了模型，要把该模型与颜色阈值分开验证，并且在向云端传输任何数据之前先取得批准。把工作流看作一串类型明确的判定，而不是模型给出的单一答案。运行实验之前，先绑定输入标识、区域变换、节点版本、预处理和模型包。在开发图像上选取参数，与在冻结集上评估要分开；冻结集的答案不得用于调参。保留每个用例的基线结果和候选结果，包括执行失败的情况。AI 的建议可以提出修订方案，但不能确认参考答案，不能授予数据上传权限，也不能批准投入生产使用。如果对服务提供方的调用回执不明，要保留请求标识，并先查清回执，再考虑是否重发。运行环境是否可用、识别质量和发布批准，是相互独立的检查。

操作步骤

1. 按正确的输入顺序做转换，并在设定范围之前先声明 HSV 的表示方式。
2. 对于 8 位的 OpenCV 试验，红色跨越色相环的边界，应使用 H 范围 0–10 或 170–179 来处理；饱和度和明度的限值要依据源样品选取，而不是套用通用默认值。
3. 统计匹配的有效物体像素，证据不足时返回 Review，并保留测得的比值。
4. 语义 SKU 要用已批准的产品身份单独评估；任何上传云端的操作，都须对数据、服务提供方、模型和费用给出明确批准。

解读试验结果

假设的物体含有 1000 个有效像素和 600 个匹配像素，得到 60%。按已声明的 70% 试验判据，结果返回 Review，而不是强行判为红色类别。这些作为示例的色相范围和比值判据，需要在实际使用的位深和产品上验证。仅凭颜色正确，无法区分两个同色的 SKU。

记录表

ratio = 600 / 1000 = 60%
60% < 70% -> Review

两个工程视角

故障诊断

• 套用来自另一种位深的色相范围，会悄悄改变类别边界。
• 云端给出的置信度再高，只要没有经批准的 SKU 映射或可用的物体证据，就不得据此授权实物分流。

验收与交接

用独立的已知样品和未知样品验收颜色逻辑，再评估单独的产品规则。范围、掩膜、可执行包以及所用模型的版本，都要与结果记录绑定在一起。

将源图像、预期判定、确切的版本和完整的结果记录放在一起保存。在选定最终参数之前，先冻结评估集。如果这些答案后来被用于调整工作流，就把该集合标记为开发数据，并另取一组新的独立验收集。要让 Review、NoResult、执行错误和采集缺失一直计入分母；不要通过筛掉记录行把它们变成合格。把可复现的失败案例与成功样例一并保存。交接材料应写明：谁有权更改配方，如何恢复先前已批准的版本，以及在验收之前哪些设备输出仍保持禁止。仅凭软件结果，不能证明运动中的实物零件到达了正确的目的地。