颜色空间：HSV 不万能

1. 产线换班次后，绿色 indicator 全漏检

固定光源下 HSV inRange 数红绿指示器，白班 OK。夜班 ambient 变、相机 auto WB 一锁，同一 (h_min, h_max) 把阴影里的金属反光判成「绿」，真 indicator 反而出界。HSV 把 hue 从亮度里拆出来只是近似——阴影、低饱和、sensor WB 都会搬移 hue bucket。问题不是 morphology 不够，是颜色模型与部署域不匹配。运维若只看到「阈值 yaml 没改却坏了」，多半漏看了光照与 WB 契约。

2. OpenCV 转换契约

python

hsv = cv2.cvtColor(bgr, cv2.COLOR_BGR2HSV)
mask = cv2.inRange(hsv, (h_min, s_min, v_min), (h_max, s_max, v_max))
lab = cv2.cvtColor(bgr, cv2.COLOR_BGR2LAB)

OpenCV 读图是 BGR；matplotlib 是 RGB——cvtColor 常量写错是最低级也最致命的 bug。HSV 的 H 范围 0–180（8bit），S/V 0–255。NN 预处理 blobFromImage(..., swapRB=True) 必须与训练一致。16-bit 或 depth 图转 HSV 前先 normalize 到 8bit，否则 inRange 阈值没有物理意义。团队里应把「颜色空间 + 数值范围」写进 code review checklist，而不是只靠个人记忆。

3. 何时 HSV 够用

受控光源、锁 WB/曝光、色块对比强（产线 indicator、分拣红绿件）；简单 blob 计数且误检代价低；阈值可在 ROI 内用直方图标定，且跨班次抽检稳定。三条同时满足才值得维护 HSV yaml。若任一条动摇（例如加了夜班或换了相机驱动默认 WB），应触发阈值重标流程，而不是先加 morphology 核大小。

4. 何时不够、替代路径

户外日光阴影、金属高光 sat→0、跨相机色偏——固定阈值必崩。替代：CLAHE 在 Lab 的 L 通道再 threshold；灰度+梯度；CNN detector。Lab 对阴影略友好，仍非物理 color constancy。

python

lab = cv2.cvtColor(bgr, cv2.COLOR_BGR2Lab)
l, a, b = cv2.split(lab)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
l2 = clahe.apply(l)

HSV 不稳定区：低 S 或低 V 时 H 噪声大——阈值前常设 S>40, V>40 gate，减少灰色区域误分割。

5. 实践：标定阈值而非堆 morphology

阈值前在 ROI 内画 H/S 直方图，看 bimodal 是否跨帧/跨相机稳定。morphologyEx 去噪救不了 wrong color model。Auto WB 改变 BGR→HSV 映射；锁 WB 和锁 exposure 一样重要。产线优先硬件光控：同一 batch 物料、同一光源角度，比软件 patch 便宜。标定集应覆盖「最暗班次 + 最亮班次」各一段录像，而不是只在工程师调试的白天采图。

6. 与 NN 检测的 pipeline 分工

HSV 适合 快速粗筛 或 规则兜底；泛化交给 detector。仍用 HSV 做主路径时，record 失败帧进 hard example，定期重标阈值。训练 detector 时 augment 含 color jitter，部署又用 HSV，等于两套颜色假设打架——pick one primary。若业务要求 HSV 兜底 NN，应明确 NN 失败时才 fallback，并单独验收 fallback 路径 recall。

7. 多相机与 color constancy

同型号相机 serial 不同，默认 WB curve 可差一截。多机位产线每台独立标 (h,s,v) 区间，或统一 gray-world 只是 heuristic。YCrCb 肤色老方案在 diverse tone 上 fail；需要泛化时用 learned detector + 正常曝光。换镜头或改光圈后，即使型号不变也要抽检直方图 drift。

8. 失败模式

现象	原因
阴影下 hue 跳	H 与 V 耦合
高光 sat→0	退化成无信息
跨相机色偏	无 color constancy
NN 与 OpenCV 不一致	BGR/RGB 或 normalize 错

9. 验收

跨时段/跨相机 recall；误检 mask 可视化。对比固定阈值 vs CLAHE/自适应在同一光照变化 clip 上的表现。部署前记录光源型号、WB 模式、阈值 YAML 版本——换相机或换灯必须重标。业务侧接受误检率上限写进 SOP，别用 overall detection rate 掩盖 minority failure。每周抽检一张失败 mask 归档，便于追溯是光照 drift 还是阈值过期。

10. 案例：反光区不是调宽 H 能救

某分拣线红件误检集中在输送带反光区——HSV 里反光 sat 低、hue 随机，加宽 (h_min,h_max) 只会放进更多背景。最终改为 ROI 内灰度 Otsu + 形状 filter，HSV 只做预筛。教训：先画失败 mask 的空间分布，再决定换颜色空间还是换 ROI。颜色分割 PR 应附失败 mask 图，而不是只报 overall precision。

颜色是线索之一，不是稳定物理量。部署域光照不可控时，别在 HSV 阈值上堆 morphology 补丁。