复习opencv：螺丝螺纹缺陷检测

已于 2023-08-14 10:39:11 修改
阅读量1.1k 收藏 9
点赞数
文章标签： opencv 计算机视觉 人工智能
于 2023-07-12 21:29:33 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hukou6335490/article/details/131674160
版权

螺牙缺陷检测

简述

  • 今天收到了一个检测螺牙缺陷的问题，当复习opencv练个手，记录一下基础知识。
  • 这里的代码是检测弯曲的，其他缺陷用yolo处理。
  • 东家给的图片有的是有干扰的(红框标识)，所以要求一下最大凸包。
    在这里插入图片描述
  • 里面很多知识是复习用，最终代码在最后一行，给的101张图片，有2个弯曲度超过0.25，来到了0.33以上
  • 有个小技巧可以提高弯直的区分度，这里就不介绍了，需要的私信。

去噪

椒盐噪声

import cv2

img = cv2.imread('image.jpg')
median = cv2.medianBlur(img, 5)
cv2.imshow('Median filter', median)
cv2.waitKey(0)
cv2.destroyAllWindows()

高斯噪声

import cv2

img = cv2.imread('image.jpg')
gaussian = cv2.GaussianBlur(img, (5,5), 0)
cv2.imshow('Gaussian filter', gaussian)
cv2.waitKey(0)
cv2.destroyAllWindows()

小波变换

import cv2
import pywt

img = cv2.imread('image.jpg', 0)
coeffs = pywt.dwt2(img, 'haar')
cA, (cH, cV, cD) = coeffs
cv2.imshow('Wavelet denoising', pywt.idwt2((cA, (None, None, None)), 'haar'))
cv2.waitKey(0)
cv2.destroyAllWindows()

引导滤波

import numpy as np
import cv2

main_path="D:/Handletiling/NG_org_20230602103406819.bmp"

def guideFilter(I, p, winSize, eps):

    mean_I = cv2.blur(I, winSize)    
    mean_p = cv2.blur(p, winSize)       

    mean_II = cv2.blur(I * I, winSize)  
    mean_Ip = cv2.blur(I * p, winSize) 

    var_I = mean_II - mean_I * mean_I  
    cov_Ip = mean_Ip - mean_I * mean_p  

    a = cov_Ip / (var_I + eps)        
    b = mean_p - a * mean_I          

    mean_a = cv2.blur(a, winSize)     
    mean_b = cv2.blur(b, winSize)     

    q = mean_a * I + mean_b
    return q


if __name__ == '__main__':
    eps = 0.01
    winSize = (5,5)
    image = cv2.imread(main_path, cv2.IMREAD_ANYCOLOR)
    image = cv2.resize(image, None,fx=0.7, fy=0.7, interpolation=cv2.INTER_CUBIC)
    I = image/255.0        #将图像归一化
    p =I
    guideFilter_img = guideFilter(I, p, winSize, eps)

    # 保存导向滤波结果
    guideFilter_img  = guideFilter_img  * 255
    guideFilter_img [guideFilter_img  > 255] = 255
    guideFilter_img  = np.round(guideFilter_img )
    guideFilter_img  = guideFilter_img.astype(np.uint8)
    cv2.imshow("image",image)
    cv2.imshow("winSize_5", guideFilter_img )
    cv2.waitKey(0)
    cv2.destroyAllWindows()

求最大凸包

import cv2
import os
import numpy as np
from skimage.measure import label

main_path="D:\Handletiling\luoya/NG/NG_org_20230602103407364.bmp"

##method1 --opencv
def get_lagrest_connect_component1(img):

    # rgb->gray
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # gaussian filter
    img_gray = cv2.GaussianBlur(img_gray, (5, 5), 0)
    # binary exp-threshold=0
    # https://blog.csdn.net/weixin_42272768/article/details/110746790
    _, img_gray = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY_INV)  # ret==threshold
    # find contour
    contours, _ = cv2.findContours(img_gray, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # cv2.drawContours(img_gray, contours, -1, 255, 3)

    # find the area_max region
    area = []
    for i in range(len(contours)):
        area.append(cv2.contourArea(contours[i]))
    if len(area) >= 1:
        max_idx = np.argmax(area)
        max_contour_area = area[max_idx]

        for k in range(len(contours)):
            if k != max_idx:
                cv2.fillPoly(img_gray, [contours[k]], 0)
    else:
        max_contour_area = 0

    return max_contour_area, img_gray

if __name__ == '__main__':
    img = cv2.imread(main_path)
    max_area, img_gray = get_lagrest_connect_component1(img)
    print(max_area)
    cv2.imwrite('img_gray.jpg', img_gray)

判断曲直

1.查找轮廓,提取凸包
2.获得点集
3.计算导数方差
4.比较阈值

def calccurl(str,thresh):
    img = cv2.imread(str)
    # cv2.imshow('src',img)
    #提取凸包
    max_area, img_gray =get_lagrest_connect_component1(img)

    gray = img_gray
    #阈值处理
    ret,binary = cv2.threshold(gray,127,255,0)
    #查找轮廓,提取凸包
    contours,hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
    hull = cv2.convexHull(contours[0])
    cv2.polylines(img_gray,[hull],True,(255,255,0),2)
    min_x=min(hull[:,0,0])
    max_x=max(hull[:,0,0])
    topList=[]
    bottomList=[]
    thresh_left=220
    thresh_right=30
    count=hull.shape[0]
    isthesame=False
    for i in range(hull.shape[0]):
        point = tuple(hull[i][0]) #  
        # cv2.circle(img, point, 1, (0, 255, 0) , 12)
        if point[0]<(max_x-thresh_right) and point[0]>(min_x+thresh_left):
            length=binary.shape[0]
            x1 = np.linspace(start=0, stop=length-1, num=length)
            temp=x1 * (binary[:, point[0]] / 255)
            n = np.sum(temp > 0)
            index=temp.sum()/(n*1.)
            # if i in[0,count-1]:
            #     if not isthesame:
            #         isthesame=True
            #     else:
            #         continue
            if point[1]>index:
                bottomList.append(point)
            else:
                topList.append(point)    

    space = np.linspace(start=min_x+thresh_left, stop=max_x-thresh_right, num=15)
    space= np.ceil(space)
    length = img_gray.shape[0]
    x1 = np.linspace(start=0, stop=length - 1, num=length)
    tempM = (img_gray / 255.)* x1[:,None]

    if len(topList) >len(bottomList):
        topList.clear()
        for x in space:
            temp=tempM[:, int(x)]
            temp = temp[temp != 0]
            topList.append([x,temp.min()])

        line = np.array(topList, dtype=float)

    else:
        bottomList.clear()
        for x in space:
            temp = tempM[:, int(x)]
            temp = temp[temp != 0]
            bottomList.append([x, temp.max()])

        line = np.array(bottomList, dtype=float)
       if line.size > 0:
        #method1
        slopend=(line[-1,1]-line[0,1])/(line[-1,0]-line[0,0])
        slop=(line[1:,1]-line[:-1,1])/((line[1:,0]-line[:-1,0])+0.0001)
        dis=slop-slopend
        std = np.std(dis)
        if std>thresh:
            return 0,std

    return 1,0
        # method2
        # std= np.std(slop)


if __name__ == '__main__':
    filesPath = os.listdir(main_path)
    threshstd=0.025

    files = tqdm(filesPath)
    for file in files:
        absolute_file_path = os.path.join(main_path, file)
        if '.bmp' in absolute_file_path.lower():
            result,std=calccurl(absolute_file_path,threshstd)
            if result:
                print(absolute_file_path+":", std)

在这里插入图片描述

结果
--------------------
std: 0.037498851806574245

全部代码

import cv2
import numpy as np

import os
from tqdm import tqdm
import shutil

#需要检测弯曲的图片的文件夹地址
main_path="D:\Handletiling\src"

def get_lagrest_connect_component1(img):

    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    img_gray = cv2.GaussianBlur(img_gray, (5, 5), 0)

    _, img_gray = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY_INV)  # ret==threshold

    contours, _ = cv2.findContours(img_gray, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    area = []
    for i in range(len(contours)):
        area.append(cv2.contourArea(contours[i]))
    if len(area) >= 1:
        max_idx = np.argmax(area)
        max_contour_area = area[max_idx]

        for k in range(len(contours)):
            if k != max_idx:
                cv2.fillPoly(img_gray, [contours[k]], 0)
    else:
        max_contour_area = 0

    return max_contour_area, img_gray

def calccurl(str,thresh):
    img = cv2.imread(str)

    #提取凸包
    max_area, img_gray =get_lagrest_connect_component1(img)

    gray = img_gray
    #阈值处理
    ret,binary = cv2.threshold(gray,127,255,0)
    #查找轮廓
    contours,hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
    hull = cv2.convexHull(contours[0])
    cv2.polylines(img_gray,[hull],True,(255,255,0),2)
    min_x=min(hull[:,0,0])
    max_x=max(hull[:,0,0])
    topList=[]
    bottomList=[]
    thresh_left=220
    thresh_right=30
    count=hull.shape[0]
    isthesame=False
    for i in range(hull.shape[0]):
        point = tuple(hull[i][0]) #
        # cv2.circle(img, point, 1, (0, 255, 0) , 12)
        if point[0]<(max_x-thresh_right) and point[0]>(min_x+thresh_left):
            length=binary.shape[0]
            x1 = np.linspace(start=0, stop=length-1, num=length)
            temp=x1 * (binary[:, point[0]] / 255)
            n = np.sum(temp > 0)
            index=temp.sum()/(n*1.)
            # if i in[0,count-1]:
            #     if not isthesame:
            #         isthesame=True
            #     else:
            #         continue
            if point[1]>index:
                bottomList.append(point)

            else:
                topList.append(point)


    space = np.linspace(start=min_x+thresh_left, stop=max_x-thresh_right, num=15)
    space= np.ceil(space)
    length = img_gray.shape[0]
    x1 = np.linspace(start=0, stop=length - 1, num=length)
    tempM = (img_gray / 255.)* x1[:,None]

    if len(topList) >len(bottomList):
        topList.clear()
        for x in space:
            temp=tempM[:, int(x)]
            temp = temp[temp != 0]
            topList.append([x,temp.min()])

        line = np.array(topList, dtype=float)

    else:
        bottomList.clear()
        for x in space:
            temp = tempM[:, int(x)]
            temp = temp[temp != 0]
            bottomList.append([x, temp.max()])

        line = np.array(bottomList, dtype=float)
    if line.size > 0:
        #method1
        slopend=(line[-1,1]-line[0,1])/(line[-1,0]-line[0,0])
        slop=(line[1:,1]-line[:-1,1])/((line[1:,0]-line[:-1,0])+0.0001)
        dis=slop-slopend
        std = np.std(dis)
        if std>thresh:
            return 0,std

    return 1,0
        # method2
        # std= np.std(slop)

  

if __name__ == '__main__':
    filesPath = os.listdir(main_path)
    threshstd=0.025

    files = tqdm(filesPath)
    for file in files:
        absolute_file_path = os.path.join(main_path, file)
        if '.bmp' in absolute_file_path.lower():
            result,std=calccurl(absolute_file_path,threshstd)
            if not result:
                print(absolute_file_path+"-图片弯曲:", std)

#结果
[00:00<00:01, 44.18it/s]D:\Handletiling\src\NG_org_20230602103409544.bmp-图片弯曲: 0.0334415572613885
[00:00<00:01, 44.24it/s]D:\Handletiling\src\NG_org_20230602103410530.bmp-图片弯曲: 0.037498851806574245
捣蛋老爷
关注
  • 0
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于Opencv的法兰盘螺纹孔位置确定（一）
sunrise_oneday的博客
11-18 1359
法兰盘螺纹位置确定
螺纹检测程序
weilin000的博客
03-05 3188
1、首先对彩色图像进行灰度处理：采用的模块是，该模块不一定正确。2、对图像进行中值滤波。模块，3、灰度阈值分割，，凸显感兴趣轮廓。变位二值化图像。4、边缘检测。同样是滤波模块，采用canny算法，。5、形态学处理。对边缘图像进行闭合计算。，二值化图像中空洞都被填补，并且图像边缘细节更加的完善。通过“视觉助手”生成程序框图如下：6、接下来截取感兴趣区域（左右螺纹区域），截取模块为。由于有左右螺纹，要...
基于opencv，实现螺丝防松动检测
02-19
基于opencv，实现螺丝防松动检测
python opencv实现图片缺陷检测（讲解直方图以及相关系数对比法）
09-17
主要介绍了python opencv 图片缺陷检测，主要讲解直方图以及相关系数对比法，本文通过实例截图给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下
基于opencv ，实现螺丝松动检测
J。
02-19 7721
目前地铁上检修螺丝后，会涂抹一种红色标记线，来代表检测完成，日后检修员就可以通过肉眼来观察螺丝是否松动，这样可以大大提高检修的效率问题。所以我们参照这个思路，通过opencv来实现螺丝是否松动检测。
一种确定六边形螺栓中心（形心）的Opencv方法——Python实现
xiaohouzi112233的博客
03-21 2276
图像处理方法——六边形求中心点/形心
基于形状匹配的螺丝识别（完整代码）
bookshu6的博客
12-25 3431
文章目录前言一、算法设计1.1改进一1.2改进二二、完整代码总结 前言 物品的分拣是许多工业生产线必不可少的部分。最初的物品分拣工作由人工完成，分拣效率低，需要消耗大量的人力，对工人的安全和健康也存在一定的威胁，并且受到很多因素的干扰，有可能出现错误分拣或者损坏物料的情况。所以，有必要设计一种自动分拣系统来解决这个问题。本文以螺丝的分拣为例，设计一种基于形状匹配的螺丝识别算法 一、算法设计 流水线工作环境应处于明亮的室内，流水线的输送皮带颜色应该是暗色系，黑色最佳，相机摄取到的图片如图 对其进行阈值分
基于Opencv的机器视觉缺陷检测、印刷检测
07-08
本项目聚焦于利用OpenCV进行缺陷检测和印刷检测，通过提供可执行的exe文件，使得用户可以直接运行并观察结果，无需深入编程。 一、OpenCV简介 OpenCV是一个跨平台的计算机视觉库，它包含了众多用于处理图像和视频的...
Python-opencv进行CT图像缺陷检测
最新发布
06-17
本教程将引导你利用Python和OpenCV库进行CT图像的缺陷检测，这是一个非常适合初学者和研究人员的实践项目。 OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库，它提供了丰富...
划痕、油污、瑕疵检测
10-06
划痕、油污、瑕疵检测的经典案例，结合算子的说明，更好的了解其原理。
缺陷检测算法
09-23
缺陷检测算法，检测黑点，亮点，黑团等！
基于OpenCV的木材表面缺陷检测系统
12-21
一篇文章，感兴趣的可以看一下，基于OpenCV的木材表面缺陷检测系统
不锈钢棒材表面的螺纹缺陷图像数据集
u012646786的博客
11-10 2457
本团队构建了一个较为复杂的不锈钢棒材螺纹缺陷检测数据集，该数据集将工程实践中的大部分情况如实记录，对螺纹缺陷检测的算法开发与工程应用具有极强的参考意义。 该螺纹缺陷图像数据集，用于不锈钢棒材的螺纹缺陷检测，本数据集中的螺纹图像大小均为140×140。如图1所示，左侧三列绿色方框中为无螺纹的正常图像，从图中可见，正常类的图像中包含了其他各类缺陷，以划痕为主，受材料表面影响，图像光照不均匀，且有很多的白色斑点，正常类的图像类内差距较大。右侧三列红色方框中为含螺纹的图像，图中可见，螺纹的背景受光照、白色斑点及其
计算机视觉 opencv_使用opencv计算机视觉和螺旋波测试检测帕金森
weixin_26756255的博客
09-07 1053
计算机视觉 opencvUtilizing computer vision and machine learning to automatically detect and predict Parkinson’s disease based on geometric drawings (i.e., spirals and sign waves). 利用计算机视觉和机器学习，可以根据几何图形(即螺旋...
Python + OpenCV边沿检测(Edge Detection)
山高人为峰
11-11 1万+
Python + OpenCV边沿检测(Edge Detection) senchenrui@126.com OpenCV提供了3种边沿检测算法 Laplacian sobel canny 本文分别采用这3种算法进行边沿检测，并给出比较结果1 基于Laplacian的边沿检测代码如下 import numpy import argparse import cv2 imag
opencv实现二维码检测
热门推荐
念去去的博客
07-03 1万+
title: opencv实现二维码检测 date: 2020-07-03 14:03:44 tags: [opencv] categories: 图像处理 opencv调用 opencv从4代之后推出了二维码识别接口.调用方法是这样的. ‘’’ import cv2 img = cv2.imread(‘data/qrcode.jpg’) img = cv2.imread(‘qrcode/11.jpg’) qrcode = cv2.QRCodeDetector() result, points, c.
opencv：多个二维码检测与识别—python
05-10
您可以使用OpenCV和ZBar库来实现多个二维码的检测和识别。 首先，您需要安装ZBar库。在Ubuntu上，您可以使用以下命令安装它： ``` sudo apt-get install libzbar0 sudo apt-get install libzbar-dev ``` 接下来，您需要安装OpenCV。您可以使用pip来安装它： ``` pip install opencv-python ``` 一旦您安装了这些库，您可以使用以下代码来检测和识别多个二维码： ```python import cv2 import numpy as np import zbar # Create a zbar scanner scanner = zbar.Scanner() # Load the image img = cv2.imread('image.jpg') # Convert the image to grayscale gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # Use OpenCV to find the contours in the image _, contours, _ = cv2.findContours(gray, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # Iterate through the contours for contour in contours: # Get the bounding rectangle of the contour x, y, w, h = cv2.boundingRect(contour) # Crop the contour from the image qr_code = gray[y:y+h, x:x+w] # Use the zbar scanner to decode the qr code result = scanner.scan(qr_code) # If a qr code was detected, print the result if result: print(result[0].data) ``` 此代码将加载图像，将其转换为灰度图像，使用OpenCV找到图像中的轮廓，然后对每个轮廓进行裁剪和扫描以识别二维码。如果检测到二维码，则输出其内容。 请注意，此代码仅适用于检测和识别二维码。如果要检测和识别其他类型的二维码，您需要使用相应的库。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值