结合自己理解的缺陷检测

最新推荐文章于 2021-11-23 22:41:08 发布

文静先生

最新推荐文章于 2021-11-23 22:41:08 发布

阅读量616

点赞数

分类专栏： halcon学习笔记文章标签： halcon的缺陷检测总结

原文链接：https://blog.csdn.net/qq_24946843/article/details/82222634

版权

halcon学习笔记专栏收录该内容

10 篇文章 4 订阅

订阅专栏

缺陷检测在机器视觉中还是比较常见的，故查看了大神东城青年的博客，自己跟着做了一遍，效果达到了，也有些不明之处有待解决。不废话直接上代码：

*图像采集
read_image (Image, 'C:/Users/LWJ/Desktop/AS_1/缺陷检测.jpg')
get_image_size (Image, Width, Height)
dev_close_window ()
dev_open_window (0, 0, Width/2, Height/2, 'black', WindowHandle)
dev_display (Image)

*采用快速二值化算子，可自动取阈值，最后一个参数相当于select_shape作用
fast_threshold (Image, Region, 128, 255, 20)

*采用形态学提取边界
boundary (Region, RegionBorder, 'inner')   //使区域往边界缩小
*用矩形结构元素膨胀区域
dilation_rectangle1 (RegionBorder, RegionDilation, 7, 7)
reduce_domain (Image, RegionDilation, ImageReduced)   //选取区域

*采用canny过滤器提取亚像素轮廓，1.7为平滑系数
edges_sub_pix (ImageReduced, Edges, 'canny', 1.8, 20, 40) //过滤器选择为canny
select_shape_xld (Edges, SelectedXLD, 'area', 'and', 150, 99999)   //选择轮廓
count_obj (SelectedXLD, Number)  //计算提取的轮廓区域数量

*采用最小外接矩形拟合提取的亚像素轮廓
fit_rectangle2_contour_xld (SelectedXLD, 'regression', -1, 0, 0, 3, 2, Row, Column, Phi, Length1, Length2, PointOrder)
dev_set_draw ('margin')  //定义区域填充模式

*生成拟合的亚像素矩形轮廓
gen_rectangle2_contour_xld (Rectangle, Row, Column, Phi, Length1, Length2)
dev_display (Rectangle)

set_display_font (WindowHandle, 16, 'mono', 'true', 'false')   //设置字体
dev_display (Image)
for i := 0 to Number-1 by 1
    *依次提取图中的亚像素轮廓
    select_obj (SelectedXLD, ObjectSelected, i+1)
    
    *获取每个亚像素轮廓的每一个点坐标
    get_contour_xld (ObjectSelected, Row1, Col)
    gen_rectangle2_contour_xld (Rectangle1, Row[i], Column[i], Phi[i], Length1[i], Length2[i])
    get_contour_xld (Rectangle1, Row2, Col1)
    
    *筛选缺陷。即计算轮廓上每一点到拟合矩形四个角点的最小距离，对四周的点比较宽松，如果在拟合矩形以角点为圆心，
    *半径为7的圆内，认为是正常的，对于边缘比较严格，如果某点离其拟合矩形对应点之间的距离大于1认为有缺陷
    D1:=sqrt((Row1-Row2[1])*(Row1-Row2[1]) + (Col-Col1[1])*(Col-Col1[1]))
    D2:=sqrt((Row1-Row2[2])*(Row1-Row2[2]) + (Col-Col1[2])*(Col-Col1[2]))
    D3:=sqrt((Row1-Row2[3])*(Row1-Row2[3]) + (Col-Col1[3])*(Col-Col1[3]))
    D4:=sqrt((Row1-Row2[4])*(Row1-Row2[4]) + (Col-Col1[4])*(Col-Col1[4]))
    DistConor:=min2(min2(D1,D2),min2(D3,D4))
    
    *计算轮廓上每一点与其拟合矩形对应点之间的距离
    dist_rectangle2_contour_points_xld (ObjectSelected, 0, Row[i], Column[i], Phi[i], Length1[i], Length2[i], Distances)
    
    flag:=true
    for j:=0 to |Distances|-1 by 1
    if (DistConor[j] > 7 and Distances[j] > 1)
        flag:=false
        break
    endif
    endfor
    if(flag)
       disp_message (WindowHandle, 'OK', 'Image', Row[i], Column[i]- Length2[i]/2, 'black', 'true')
    else
       disp_message (WindowHandle, 'Not OK', 'Image', Row[i], Column[i]- Length2[i]/2, 'red', 'true')
    endif
    stop ()
endfor

效果：连续按F5键可一一检测图像中的缺陷，效果图如下：
在这里插入图片描述
总结：采用快速二值化算子把我吓到了，真的够快，就是直接打出算子代码，参数就默认不改，然后出来的二值化效果非常地好。接着就是提取边界，这里用到形态学（这里用到矩形结构元素）提取。然后到了我不明白的地方了——提取亚像素轮廓并拟合轮廓，我自己来来回回调试观察了好几遍，这步大致的作用就是：提取亚像素轮廓然后用矩形代替亚像素轮廓，那么不是平直的轮廓就平直了（也不知道为什么要这样？？？）。最重要的一步到了，就是筛选缺陷，这一步更加不懂了，我自己都不好描述（大家就自己脑补吧，已懂的可以在下方评论让我也懂吧。哈哈哈），最后就是显示缺陷检测结果。