缺陷检测·

@小程

已于 2023-10-27 10:05:40 修改

阅读量51

点赞数

文章标签：计算机视觉图像处理人工智能

于 2023-09-26 19:26:24 首次发布

本文链接：https://blog.csdn.net/2301_79417775/article/details/133316255

版权

一、预处理+定位（分割）+特征

求两个区域的交集
intersection (Region1, Region2, RegionIntersection)
输入区域1（区域1 要与区域2 中所有区域相交，大于等于区域2）
输入区域2
输出交集区域

求区域在图像像中的最小最大灰度值
min_max_gray (RegionIntersection, ImageReduced, 0, Min, Max, Range)
输入区域输入图像百分比（0-50）最小灰度值最大灰度值范围（最大灰度值，最小灰度值之差）

求区域特征
region_features (RegionOpening, 'area', Value)
输入区域输入特征输出值

求灰度特征
gray_features (SelectedRegions, H, 'mean', Value1)
输入区域输入图像输入特征输出值

二、差分--定位（缺陷图减去标准图得到缺陷）

注意：进行差分运算的两个区域或图像一定要重合，大的减小的
gray_opening_shape (Pcb, ImageOpening, 7, 7, 'octagon') //灰度开运算（增加暗像素）
gray_closing_shape (Pcb, ImageClosing, 7, 7, 'octagon') //灰度闭运算（增加亮像素）
输入图像输出图像结构元素大小（高、宽）结构元素形状（矩形，八角形，菱形）

图像差分（缺陷图减去标准图得到缺陷）
sub_image (Image1, Image2, ImageSub, 1, 128)
图像1 图像2 减法得到的图像乘1 加128

图像相乘（图像整体像素变大，黑白像素对比度拉开）
mult_image (Image, Image, ImageResult, 0.05, 0)
图像1 图像2 乘法得到的图像乘0.05 加0

将区域绘制到图像中
paint_region (RegionTrans, Image, ImageResult, 255, 'fill')
输入区域输入图像
输出图像区域的灰度值填充

区域差分
difference (Region1,Region2 , RegionDifference)
输入区域输入要处理区域
输出相减得到的区域

印刷差分步骤
前提：把所有图像都转标准位置让差分对比区域重合
1、创建差分模型
create_variation_model (Width, Height, 'byte', 'standard', ModelID1)
图像宽高一个字节算法模型句柄
2、训练
train_variation_model (ImageAffine1, ModelID1)
训练的图片模型句柄
3、获得标准图
get_variation_model (ImageRE, VarImage, ModelID1)
平滑图像边缘图像模型句柄
4、设置参数
prepare_variation_model (ModelID1, 20, 5)
模型句柄阈值（越大要求越高）要求越低越容易找错（一些小边缘也能找出来）
5、循环采图进行差分
compare_variation_model (ImageReduced3, Region2, ModelID1)
对比图像输出与模板图不同区域句柄

三、频域

傅里叶变换-针对光滑表面的微小缺陷（周期性正弦噪声）
空间到频域 -- 傅里叶变换 --输出频谱图

傅里叶正逆变换
空间图像转频域图像
fft_generic (ImageSub, ImageFFT, 'to_freq', -1, 'sqrt', 'dc_center', 'complex')
输入图像输出频域图像空间到频域（to_freq）符号（反着填，不然转回空间域图像会镜像）归一化系数（亮度）位置（默认dc_center）输出图像类型（频域图像选 'complex'）

频域图像转空间图像
fft_generic (ImageSub, ImageFFT, 'from_freq', 1, 'sqrt', 'dc_center', 'real')
输入频域图像输出图像频域到空间（from_freq）符号归一化因子位置（默认dc_center）输出图像类型（图像选 'real' 或 'byte'）

生成低通滤波器
gen_lowpass (ImageLowpass, 0.1, 'none', 'dc_center', Width, Height)
输出滤波器（中心有个小圆孔的图像，中间灰度值为1，四周为0，计算时只要中间低频率）中心圆孔大小归一化因子位置图像宽高

生成高通滤波器
gen_highpass (ImageHighpass, 0.1, 'none', 'dc_center', Width, Height)
输出滤波器（中心有个小圆孔的图像，中间灰度值为0，四周为1，计算时只要四周高频率）中心圆孔大小归一化因子位置图像宽高

频域乘法
convol_fft (ImageLowpass, ImageLowpass, ImageConvol)
输入频域图像输入滤波器（频域图像放在前面）
输出结果频域图像

生成高斯滤波器
gen_gauss_filter (ImageGauss, 1, 1, 0, 'none', 'dc_center', 512, 512)
输出图像 sigmal水平值（越大越平滑（越大光斑越小）） sigmal垂直值方向归一化因子位置图像大小

根据灰度范围差处理（）
gray_range_rect (ImageFFT, ImageResult, 11, 11)
输入图像
输出图像
掩膜大小

生成正弦形状的带通滤波器
gen_sin_bandpass (ImageFilter, 0.1, 'none', 'dc_center', 512, 512)
输出滤波器图像
输入正弦值归一化因子位置图像大小

纹理检测
texture_laws (ImageFilter, ImageTexture, 'el', 2, 5)
输入图像
输出纹理图像

分水领域法
把图像灰度值分成一块一块的区域，区域中心灰度值小，区域边缘灰度值大，区域边缘减去两边中心的最大灰度值之差小于设定阈值合并
watersheds_threshold (ImageMedian, Basins1, 10)
输入图像，输出区域，分水岭的阈值
用分水领域法分割图像后，再用灰度特征--熵（gray_entropy）筛选区域区域灰度值越杂乱熵越大

四、光度立体重建

光度立体重建
photometric_stereo (Images, HeightField, Gradient, Albedo, Slants, Tilts, 'all', 'poisson', [], [])
输入图像（多张）高度场梯度场反射率图两个角度结果类型泊松方程参数名参数值

将梯度场转成曲率图
derivate_vector_field (Gradient, MeanCurvature, 3.0, 'mean_curvature')
梯度场输出曲率平滑系数曲率类型
'divergence'
'curl'
'mean_curvature'
'gauss_curvature'

五、mlp分类器

ocr字符识别
创建分类器模型
create_ocr_class_mlp (8, 10, 'constant','default', ['六边形','圆','齿轮'], 20, 'normalization', 10, 42, OCRHandle)
物料宽高插值算法特征名称（默认值）输出种类的名称中间层隐式节点数量（神经元数量）特征值的预处理（'normalization'--映射到0和1）特征值的对应预处理值（前面选 'normalization' 不用管这个值）随机数种子模型句柄

添加样本--生成trf文件
append_ocr_trainf (ObjectSelected, Image, ClassName[I], 'D:/train_ocr525.trf')
区域图像种类名称保存路径

训练
trainf_ocr_class_mlp (OCRHandle, 'D:/train_ocr525.trf', 500, 0.1, 0.01, Error, ErrorLog)
模型句柄样本文件路径迭代次数（不能写太小）权重阈值误差阈值输出误差输出每次误差（每次误差组成的数组，最后一次误差就是输出误差）

识别
do_ocr_single_class_mlp (ObjectSelected1, Image, OCRHandle, 1, Class, Confidence)
区域图像模型句柄种类个数（种类写几个输出几个结果和概率）输出结果概率

清除
clear_ocr_class_mlp (MLPHandle1)

mlp分类器
创建分类器(构建神经网络)
create_class_mlp (1, 10, 3, 'softmax', 'normalization', 10, 42, MLPHandle)
输入特征数量（输入层）中间层隐式节点数输出种类数量（输出层）分类函数特征值的预处理（'normalization'--映射到0和1）特征值的对应预处理值（前面选 'normalization' 不用管这个值）随机数种子模型句柄

添加样本
add_sample_class_mlp (MLPHandle, FeatureVector, ClassIDs[Index])
模型句柄特征值（对应创建输入层）种类对应索引（0开始）

训练
train_class_mlp (MLPHandle, 200, 0.1, 0.01, Error, ErrorLog)
模型句柄迭代次数（不能写太小）权重阈值误差阈值输出误差输出每次误差（每次误差组成的数组，最后一次误差就是输出误差）

识别
classify_class_mlp (MLPHandle1, FeatureVector, 1, Class, Confidence)
输入句柄输入特征值种类个数（种类写几个输出几个结果和概率）结果概率

清除
clear_class_mlp (MLPHandle1)

保存模型
write_class_mlp (MLPHandle, 'D:/MyClass.gmc')

读入模型
read_class_mlp ('D:/MyClass.gmc', MLPHandle1)
FeatureVector:=real(FeatureVector) real 实数