海康VisionMaster使用学习笔记7-Group模块

最新推荐文章于 2025-03-03 18:28:54 发布
最新推荐文章于 2025-03-03 18:28:54 发布
阅读量2.2k 收藏 18
点赞数 24
分类专栏： 海康VisionMaster使用 文章标签： 笔记 计算机视觉
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/qq_44082700/article/details/141283575
版权

Group模块的使用

在这里插入图片描述

1. 添加图像源，导入图片

在这里插入图片描述

2. 添加快速匹配

在这里插入图片描述
在这里插入图片描述

对匹配框区域进行顶点检测
并循环10次(匹配框个数
从而检测出所有顶点)。

3. 添加Group工具

在这里插入图片描述

拖一个Group模块

在这里插入图片描述

点击设置

  1. 输入设置

添加图像源输入数据

在这里插入图片描述

添加快速匹配的匹配框

在这里插入图片描述

4. 双击Group工具块进入

在这里插入图片描述

  1. 添加顶点检测

在这里插入图片描述

用于定位匹配框中的顶点

基本参数设置

图像输入源选择Group的图像输入源

ROI区域继承方式

  1. ROI创建选择继承

  2. 继承方式选择按区域

  3. 区域选择Group的快速匹配的匹配框
    光标需放在[]中选择循环索引,循环索引用于实现依次检测10个匹配框的顶点,若不订阅,模块会循环检测同一个匹配框

在这里插入图片描述

5. 执行顶点检测

在这里插入图片描述

可以看到绿色是它的边缘点.为方便查看顶点,将边缘点设置为不可见

在这里插入图片描述

为显示方便,将OK设为红色,NG设为绿色

在这里插入图片描述

可以看到检测到的顶点

在这里插入图片描述

6. 添加点集

在这里插入图片描述

拖出一个点集模块，用于组合检测出的顶点

  1. 基本参数
    点输入选择顶点检测的顶点

打开循环使能

在这里插入图片描述

点击执行

此时Group内部的方案就完成了

7. Group设置

回到上一层,点击Group工具的设置图标,

  1. 输出设置

将点集的点结果输出

在这里插入图片描述

  1. 循环设置

循环使能打开,开始值设为0,循环结束值设为快速匹配的匹配个数

在这里插入图片描述

  1. 显示设置

添加订阅到Group内部的顶点检测

在这里插入图片描述

8. 添加圆拟合工具

在这里插入图片描述

圆拟合的点设置为Group工具输出的点集

9. 运行流程

在这里插入图片描述

海康visionmaster-循环模块搭配脚本使用的方法
视觉人机器视觉的博客
10-18 3506
海康visionmaster-循环模块搭配脚本使用的方法
海康visionmaster-Group输入输出图像数据的方法
视觉人机器视觉的博客
10-17 2332
海康visionmaster-Group输入输出图像数据的方法
学习海康VisionMaster之模板匹配（快速匹配）
最新发布
yuhouxiyang的专栏
03-03 685
一：有感坚持就是力量，每天进步一点点，若干天后就会有大的突破二：开始学习今天学习VisionMaster中的快速匹配：快速匹配模块相较于高精度匹配和轮廓匹配，通常拥有更快的匹配速度，且对存在形变的目标有着更好的匹配效果，但匹配精度不如后两个模块。
海康visionmaster-Group 循环：获取 Group 循环数 据结果的方法
视觉人机器视觉的博客
12-31 1588
海康visionmaster-Group 循环：获取 Group 循环数 据结果的方法
VisionMaster -Group循环、数组数据格式化
weixin_69505365的博客
07-12 2424
这里创建一个格式化工具，按照自己想要的模式格式化刚刚输出的数据。因为是检测多个物体，所以这里选择输出的是数组。第一次的模板很不满意，反复调整参数也没好，边缘不整齐，强迫症患者受不了。实测如果输入设置太多，会导致模块失效，所以尽量选择需要的少量参数。这里要打开循环使能，循环数值就是高精度匹配的匹配个数。Group输出设置里选择刚刚建立的数据集。左边是主流程，右边是组合模块内部流程。修改采图这里的曝光值，图像提亮一点。建一个数据集，把想要的数据收集起来。用TCP助手测试一下OK。成功得到了想要的数据。
海康VisionMaster(颜色识别+Group模块+计数)方案
08-30
海康VM颜色识别方案
海康VisionMaster(Group+齿轮测量+脚本输出)方案
weixin_74245131的博客
10-19 7122
测量齿轮中心到顶点的距离并输出数据，VM+Group+齿轮测量+脚本+顶点拟合
海康visionmaster有哪些深度学习模块
视觉人机器视觉的博客
01-07 1382
海康visionmaster有哪些深度学习模块
海康二次开发笔记10-独立Group导入、导出及执行
风凌的博客
08-31 537
Group相当于VM中的模块,因此在调用相关接口函数前,需要引用对应的动态库IMVSGroupCs,同时将复制本地的属性改为False。
海康VisionMaster使用学习笔记8-OKNG计数方案图像素材
08-26
海康VisionMaster使用学习笔记8-OKNG计数方案图像素材
海康VisionMaster的应用（方案含图片）
08-30
《海康VisionMaster在亮度检测、Group管理和渲染中的应用详解》 海康威视的VisionMaster是一款强大的机器视觉软件，广泛应用于工业自动化、质量控制、智能安防等领域。它以其高效、精准的图像处理能力，为用户提供...
海康VisionMaster中使用OpenCvSharp程序
06-07
本文将详细探讨如何在海康VisionMaster中使用OpenCvSharp进行图像处理。 首先，了解OpenCvSharp的基础结构至关重要。OpenCvSharp提供了与OpenCV相同的类和方法，如`Mat`类用于表示图像，`ImreadModes`枚举定义了...
海康visionmaster开发笔记9-使用OpenCV开发算子模块的方法
视觉人机器视觉的博客
10-13 1159
海康visionmaster开发笔记9-使用OpenCV开发算子模块的方法
【VisionMaster SDK开发】第二讲 常用控件使用介绍及应用实例(C#)
让视觉应用更轻松
07-05 8829
VisionMaster算法平台集成机器视觉多种算法组件，适用多种应用场景，可快速组合算法，实现对工件或被测物的查找测量与缺陷检测等。VM算法平台依托海康威视在图像领域多年的技术积淀，自带强大的视觉分析工具库，可简单灵活地搭建机器视觉应用方案，无需编程即可满足定位、测量、检测和识别等视觉应用需求，具有功能丰富、性能强大、用户操作界面友好的特点。.........
海康VisionMaster-脚本模块
热门推荐
Lminmine的博客
06-23 1万+
在VM的工具箱中，虽然已经包含了一百多个算法模块可供用户通过连线组合的方式来完成相应的视觉需求，但仍存在一些数据处理逻辑是工具箱中的模块所不涵盖的。此时，脚本模块就可以体现数据处理的灵活性。例如打印日志、二位坐标排序，多个试剂盒中有无试纸一次性输出结果，图像格式转换，联合OpenCV开发等等。..........................................
VM图像类型转换专题（C#篇）
让视觉应用更轻松
10-15 4833
当前行业主流的图像格式包括相机图像数据流、Bitmap、Mat和Halcon中的图像类型等，而VM不同开发模式的图像类型也有所不同，本文将介绍如何实现这些图像类型之间的互转。
VM中使用group的注意事项
yu_fujiang的专栏
10-21 995
VisionMaster group使用注意事项
【VisionMaster 行业应用案例】第四讲 单相机螺纹测量应用
让视觉应用更轻松
07-09 3693
本案例是真实的“高血压”需求，物料无明显特征，只能观察图像来分析特征，且方案设计具有一定挑战性。但是只要思想不滑坡，办法总比困难多。通过一系列VM模块“组合拳”，最终检测率达到97%以上。...
VisionPro的for循环脚本检测多目标
qq_49627063的博客
05-13 2395
脚本内容： #region namespace imports using System; using System.Collections; using System.Drawing; using System.IO; using System.Windows.Forms; using Cognex.VisionPro; using Cognex.VisionPro.ToolBlock; using Cognex.VisionPro3D; using Cognex.VisionPro.Blob; ..
visionmaster轮廓度检测
01-22
### VisionMaster 轮廓度检测的方法及应用实例 #### 一、轮廓度检测原理 在工业视觉领域，轮廓度检测是一种重要的质量控制手段。通过图像处理技术获取目标对象的边缘特征，并将其与预定义的标准模型进行对比分析来判断产品是否合格。VisionMaster软件平台支持多种方式来进行精确可靠的轮廓测量。 对于不规则形状零件而言，在实际操作中通常会先建立一个理想化的理论边界曲线作为参照物[^1]。接着利用机器学习算法自动识别并提取待测工件的真实外形轮廓线段集合。最后计算两者之间的偏差量从而得出最终的结果评价指标。 #### 二、具体实施流程 为了完成一次完整的轮廓度检验过程，一般按照以下逻辑顺序执行各个子任务： - **图像采集**：使用高分辨率相机拍摄被检物品表面影像； - **预处理阶段**：去除噪声干扰因素影响的同时增强感兴趣区域内的细节表现力； - **边缘定位**：借助Canny算子等经典方法找到物体外缘所在位置； - **拟合建模**：依据所得数据点集构建数学表达式表示预期形态； - **误差评估**：量化实测值同设定标准间的差异程度大小关系。 ```python import cv2 from skimage import feature, data def detect_contour(image_path): img = cv2.imread(image_path) gray_img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) edges = feature.canny(gray_img,sigma=3) contours,hierarchy=cv2.findContours(edges.copy(),cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)[-2:] contour_image = cv2.drawContours(img.copy(),contours,-1,(0,255,0),2) return contour_image ``` 上述代码片段展示了如何运用Python结合OpenCV库实现基本的轮廓抽取功能。其中`cvtColor()`负责颜色空间转换以便后续步骤能够顺利开展；而`findContours()`则可以快速找出所有封闭连通域对应的顶点坐标序列供进一步加工处理之用。 #### 三、应用场景举例说明 以汽车制造行业为例，车身钣金件装配前后的尺寸精度至关重要。此时就可以引入VisionMaster系统辅助工程师们高效准确地完成这项工作。当生产线上的机器人手臂抓取到新生产的门板后立即将其放置于专门设计好的夹具之上固定住姿态方位不变动。紧接着启动安装在其正上方的一组CCD摄像机组件同步拍照记录下当前状况下的整体外观情况。经过一系列复杂的运算之后屏幕上就会显示出两幅重叠在一起的画面——一边是CAD图纸上标注出来的完美版样貌，另一边则是刚刚拍下来的实物照片。技术人员只需简单观察二者之间是否存在明显错位现象即可知晓该批次产品质量的好坏等级了[^2]。
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