SKU 颜色分选：照明与物体掩膜

目的与适用边界

在稳定的物体区域上比较产品颜色，避免阴影、镜面高光和彩色背景悄悄改变样品的定义。

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

在拟采用的漫射光下，准备一个中性靶标和有代表性的产品形状。在查看分类结果之前，先确定哪一块表面区域代表目标类别。选定的条件要在把治具复位之后再重复一遍，而不能只是在什么都不动的情况下重复。这样才能看出配方在换型时能否复现。当环境光状态和光源开启后经过的时间会影响图像时，要把它们记录下来。不要把来自不同掩膜或不同位深转换的测量值放在一起比较，仿佛只有照明发生了变化。被否决的光学条件也要留在记录中，包括它的图像和否决原因。看起来漂亮的图像不一定是最适合检测的图像：所选条件必须在约定的全部样品范围内，保留相关特征，并使其与可接受的差异保持可区分。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。在调整阈值之前，先建立一套受控的光学比较。标记治具、工作距离、光源角度和对焦位置，使每种条件都能复原。只改变选定的照明或区域变量，同时保持相机设置和样品标识不变。每个裁剪图或掩膜旁边，都要保留完整的源帧，以及回到源坐标的变换关系。既要采集可接受的差异，也要采集已知有问题的样品，并包括允许摆放范围的边缘位置。解读数值结果之前，先在原图上检查区域叠加图。缩小区域可能掩盖失败而不是改进检测，所以被排除的区域必须有明确的工程理由。

操作步骤

1. 在相机设置固定的条件下比较不同照明，并检查中性色块有无通道失衡或截断。
2. 定位物体，把它的掩膜映射到源坐标，排除已知背景，同时不要切掉决定类别的材料。
3. 记录有效物体像素数，并在原图上检查眩光/阴影的排除区域；绝不能仅因某块难处理的区域会导致分错类别，就把它排除掉。
4. 在相同样品上保存基线掩膜和候选掩膜，再改变姿态和饰面重复一遍，然后才冻结 ROI。

解读试验结果

在这份假设的掩膜记录中，试验窗口内有 2000 个像素，但有效物体像素只有 1000 个。颜色像素数 600 必须以物体像素数为分母，得到 60%，而不是以整个窗口为分母得到 30%。可见，掩膜的构建方式会改变比值的含义；被排除的像素及其原因必须可供审计。

记录表

object_ratio = 600 / 1000 = 60%
window_ratio = 600 / 2000 = 30%

两个工程视角

故障诊断

• 占据 ROI 的彩色传送带，可能主导颜色结果。
• 如果高光排除把大部分彩色表面都抹掉了，应给出证据不足的结果，而不是硬判为某个已知类别。

验收与交接

在声明的变化范围内，只要目标材料仍可观察、分母保持稳定，即可接受照明和几何配置。颜色阈值与语义 SKU 识别留到下一阶段。

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。