2D算法 Halcon 印刷质量缺陷检测

最新推荐文章于 2024-08-15 19:36:50 发布

LeonDL168

最新推荐文章于 2024-08-15 19:36:50 发布

阅读量822

点赞数 17

分类专栏： Halcon 文章标签：算法计算机视觉人工智能视觉检测图像处理

本文链接：https://blog.csdn.net/m0_37302966/article/details/139946407

版权

Halcon 专栏收录该内容

203 篇文章 28 订阅

订阅专栏

该例程用到了差异模型，将一个或多个图像同一个理想图像做对比，去找到明显的不同。进而鉴定出有缺陷的物体。差异模型的优势是可以直接通过它们的灰度值做比较，并且通过差异图像，比较可以被空间地加权。

变化模型检测缺陷的整体思路：

create_variation_model —— 创建一个差异模型
get_variation_model —— 获得差异模型
train_variation_model —— 训练差异模型
prepare_variation_model —— 准备差异模型
compare_variation_model —— 比较模型与实例
clear_variation_model —— 清除差异模型
dev_update_off ()

选择第1张图像创建形状模板
read_image (Image, ‘pen/pen-01’)
get_image_size (Image, Width, Height)
dev_close_window ()
dev_open_window (0, 0, Width, Height, ‘black’, WindowHandle)
set_display_font (WindowHandle, 16, ‘mono’, ‘true’, ‘false’)
dev_set_color (‘red’)
dev_display (Image)
把我感兴趣的区域抠出来，原则上范围越小越好，因为这样创建模板时干扰会少很多
threshold (Image, Region, 100, 255)
fill_up (Region, RegionFillUp)
difference (RegionFillUp, Region, RegionDifference)
shape_trans (RegionDifference, RegionTrans, ‘convex’)
dilation_circle (RegionTrans, RegionDilation, 8.5)
reduce_domain (Image, RegionDilation, ImageReduced)
inspect_shape_model (ImageReduced, ModelImages, ModelRegions, 1, 20)
gen_contours_skeleton_xld (ModelRegions, Model, 1, ‘filter’)
获得抠图区域的中心，这是参考点
area_center (RegionDilation, Area, RowRef, ColumnRef)
创建形状模板
create_shape_model (ImageReduced, 5, rad(-10), rad(20), ‘auto’, ‘none’, ‘use_polarity’, 20, 10, ShapeModelID)* 创建变化模型（用于和缺陷比较）
create_variation_model (Width, Height, ‘byte’, ‘standard’, VariationModelID)
文件夹中前15张图片是质量良好的，可以用来训练模板
for I := 1 to 15 by 1
read_image (Image, ‘pen/pen-’ + I$‘02d’)
- 先寻找模板的实例
  find_shape_model (Image, ShapeModelID, rad(-10), rad(20), 0.5, 1, 0.5, ‘least_squares’, 0, 0.9, Row, Column, Angle, Score)
  if (|Score| == 1)
  - 使用仿射变换，将当前图像平移旋转到与模板图像重合，注意是当前图像转向模板图像
    vector_angle_to_rigid (Row, Column, Angle, RowRef, ColumnRef, 0, HomMat2D)
    affine_trans_image (Image, ImageTrans, HomMat2D, ‘constant’, ‘false’)
  - 训练差异模型
    train_variation_model (ImageTrans, VariationModelID)
    dev_display (ImageTrans)
    dev_display (Model)
    endif
    endfor
获得差异模型
get_variation_model (MeanImage, VarImage, VariationModelID)
做检测之前可以先用下面这个算子对可变模型进行设参,这是一个经验值,需要调试者调整
prepare_variation_model (VariationModelID, 20, 3)
dev_set_draw (‘margin’)
NumImages := 30
可变模板训练完成后，我们终于可以进入主题，马上对所有图像进行缺陷检测，思想就是差分
for I := 1 to 30 by 1
read_image (Image, ‘pen/pen-’ + I$‘02d’)
- 要注意做差分的两幅图像分辨率相同，当然也需要通过仿射变换把待检测的图像转到与模板图像重合
  - 先寻找模板的实例
    find_shape_model (Image, ShapeModelID, rad(-10), rad(20), 0.5, 1, 0.5, ‘least_squares’, 0, 0.9, Row, Column, Angle, Score)
    if (|Score| == 1)
    - 使用仿射变换，将当前图像平移旋转到与模板图像重合，注意是当前图像转向模板图像
      vector_angle_to_rigid (Row, Column, Angle, RowRef, ColumnRef, 0, HomMat2D)
      affine_trans_image (Image, ImageTrans, HomMat2D, ‘constant’, ‘false’)
  - 抠图
    reduce_domain (ImageTrans, RegionDilation, ImageReduced)
  - 差分（就是检查两幅图像相减，剩下的区域就是不同的地方了，与模板图像不同的地方就是缺陷）
  - 这里可不能用difference做差分啊，halcon为变形模板提供了专门的差分算子：compare_variation_model
    compare_variation_model (ImageReduced, RegionDiff, VariationModelID)
    connection (RegionDiff, ConnectedRegions)
  - 特征选择：用一些特征来判断这幅图像印刷是否有缺陷，这里使用面积
  - 其实可以考虑利用区域面积的大小来判断缺陷的严重程度，这里就不过多讨论了
    select_shape (ConnectedRegions, RegionsError, ‘area’, ‘and’, 20, 1000000)
    count_obj (RegionsError, NumError)
    dev_clear_window ()
    dev_display (ImageTrans)
    dev_set_color (‘red’)
    dev_display (RegionsError)
    set_tposition (WindowHandle, 20, 20)
    if (NumError == 0)
    dev_set_color (‘green’)
    write_string (WindowHandle, ‘Clip OK’)
    else
    dev_set_color (‘red’)
    write_string (WindowHandle, ‘Clip not OK’)
    endif
    endif
    if (I < NumImages)
    disp_continue_message (WindowHandle, ‘black’, ‘true’)
    stop ()
    endif
    endfor
结语：如果发现前面作为训练变形模板的良好图像也被判定为NG，

 可以调整prepare_variation_model参数

 或者调整select_shape特征筛选的标准

在这里插入图片描述

相关算子分析:

create_variation_model（创建一个差异模型）
create_variation_model(Width, Height, Type, Mode ,ModelID)
//创建一个ID为ModelID，宽为Width,高为Height,类型为Type的差异模型参数
参数Mode决定了创建标准图像和相应的变化图像的方法。（可选三种方法）

'standard’表示标准的训练方法，标准图像的位置是各训练图像位置的平均，
'robust’表示鲁棒的训练方法，标准图像的位置是各训练图像的中值，此模式在训练图像中可能存在ERROR时使用，
'direct’表示标准图像由单张图像经过处理得到，由此方法得到的标准图像只能应用prepare_direct_variation_model算子得到variation model。
get_variation_model（获得差异模型）
get_variation_model(Image, VarImage ,ModelID )
//返回差异模型中的标准图像（Image）和差异图像（VarImage），此算子主要用来检视创建的差异模型是否OK。
train_variation_model（训练差异模型）
train_variation_model(Images, ModelID )
prepare_variation_model（准备差异模型）
prepare_variation_model( : : ModelID, AbsThreshold, VarThreshold : )
//设置variation model(差异模型）的绝对阈值和相对阈值。
//绝对阈值即待检测图像与标准图像的差值，
//相对阈值即待检测图像与variation model与VarThreshold乘积的差值。
compare_variation_model（比较模型与实例）
compare_variation_model(Image : Region : ModelID : )
//待检测图像与variation model进行比较，超过阈值的区域在Rgion参数中返回。
同threshold一样，返回的区域被看做一个区域，可以使用connection算子进行连通性分析，然后根据区域的特征（如面积）对区域进行选择。
总结：

差异模型（Variation Model）使用标准图像与待检测图像灰度值相比较，来判断产品是否OK，适用于印刷品检测及产品表面检测。

从实际算法过程可以看出，此检测实际可分为两部分：

对于图像中的大面积灰度一致区域，主要利用待检测图像与标准图像（ideal image)比较得出差异区域，
对于图像中的边缘位置（edges）区域，主要利用待检测图像与Variation图像（variation image）比较得出差异区域。
所以在实际应用中，应根据实际情况设置AbsThreshold和VarThreshold的值。