利用霍夫变换检测圆形，识别变异物料

最新推荐文章于 2023-12-04 10:04:51 发布

徐步陌上行

最新推荐文章于 2023-12-04 10:04:51 发布

阅读量2.4k

点赞数 2

分类专栏：图像识别文章标签： python 人工智能

本文链接：https://blog.csdn.net/weixin_42878250/article/details/125861011

版权

图像识别专栏收录该内容

3 篇文章 0 订阅

订阅专栏

失效分析是可靠性工作中的重要内容。

最近想批量检测一些物料的圆度是否符合。

传统检测手段，我们可以用二次元影像仪去检查，但急需分析，手头没有设备的时候，就无从下手。

另外一个思路是把图片导入CAD里采用三点画圆去检查，只是需要重复性的操作，数量大的时候比较麻烦。

而且用CAD确定圆，有一个非常重要的问题，你怎么判断所选取的三个点确定的这个圆就是准确圆？圆周上有无穷多个点，只有大多数点指向的圆心是同一个时，才有理由相信这个真的就是我们要找的圆。所以这个方法只能大概的估计一下，不具有准确性。

按照上面CAD的思路，如果我们从圆周上选取多个点，都去做了圆心判断，那可以认可是需要的圆。只是人工去做，肯定不现实。于是周末研究了下，网上还挺多参考资料的，用的是霍夫变换找圆。

一个用来尝试找圆的效果图：

卡爪找圆效果图：

其实我想先检测的是卡爪外边缘，通过外边缘求得圆心，再以圆心画圆，判断内部刀片特征与所画的圆的重合度，以此评估是否有变异。

不过当时拍照的时候用了显微镜，聚焦到了内圈，外边缘很模糊，就只把里面的圆检测出来了。

按照这个思路，我试了一下直接拍照，没有显微聚焦。但手机不太行，灯光也没有调好，拍的效果不好，有阴影，不够清晰。

不过这不影响试验，识别效果如下：

红色圆的为检测到的外围边缘，蓝色为程序在此圆心上画的圆。

这样肉眼可以看出实物与标准尺寸的差异，判断卡爪是否有发生变化。

当然，我们可以用程序去判断是否有变化。比如，在刚才这张图基础上，再做一次检测。用程序判断卡爪的圆和人工画出的圆的重叠度，超出阈值则认为存在变化。

绿色为卡爪边缘检测后画出的圆，可以看出与蓝色的圆不重叠，有一定的偏差。

简单点可以用圆心和半径偏差去评估。

至于偏差多少在生产上可以接受，这就需要研究了。

比较麻烦的是调参的过程，这主要是拍的照片不太好导致的。经验是先进行边缘检测，这样能看出阈值是否合适，比较快把参数调整到合适范围。

附：示例代码及参数含义，以及霍夫变换的原理

霍夫变换找圆代码（开头圆盘那个案例）：

#!/usr/bin/python
# -*- coding: gbk -*-
# 用霍夫变换找圆
# 王永平 2022.7.17
import cv2
import numpy as np
import os

ii=10

for k in range(1):
  try:
    source_pic = cv2.imread(r"D:/0/IMG000"+str(ii+k)+".jpg")
    gray_img= cv2.cvtColor(source_pic,cv2.COLOR_BGR2GRAY)
    #进行中值滤波
    img = cv2.medianBlur(gray_img,5)

    #显示灰度图
    #cv2.namedWindow("Gray", cv2.WINDOW_NORMAL)
    cv2.imshow("Gray",img)
    cv2.waitKey(1000)

    #显示边缘检测结果
    edges = cv2.Canny(img,200,300)
    #cv2.namedWindow("Edges", cv2.WINDOW_NORMAL)
    cv2.imshow("Edges",edges)
    cv2.waitKey(1000)

    circles = cv2.HoughCircles(edges,cv2.HOUGH_GRADIENT,1,100,param1=300,param2=20,minRadius=0,maxRadius=0)
    #对数据进行四舍五入变为整数
    circles = np.uint16(np.around(circles))
    for i in circles[0:]:
      #画出来圆的边界
      cv2.circle(source_pic,(i[0],i[1]),i[2],(0,0,255),2)
      #画出来圆心
      cv2.circle(source_pic,(i[0],i[1]),2,(0,255,255),3)

    #cv2.namedWindow("Circle", cv2.WINDOW_NORMAL)
    cv2.imshow("Circle",source_pic)

    imgpath = 'D:/1/'
    
    #保存图片到另外一个文件夹
    cv2.imwrite(os.path.join(imgpath , 'IMG000'+str(ii+k)+'.jpg'),source_pic)
    cv2.waitKey(1000)
    cv2.destroyAllWindows()
  except:
    print('IMG000'+str(ii+k)+'.jpg'+"未找到")

霍夫变换的参数：

image: 输入图像，8位灰度单通道图像

method: 检测圆的方法,目前OpenCV中有HOUGH_GRADIENT和HOUGH_GRADIENT_ALT两种方法。

dp: 检测圆心的累加器图像的分辨率与输入图像之比的倒数，如果dp= 1时，累加器和输入图像具有相同的分辨率。如果dp=2，累加器输入图像便有输入图像一半那么大的宽度和高度。减少图像的分辨率（宽高变小）是为了减少计算量，一般默认为1就好，保持原有图像精度。

minDist: 检测到的两个圆心之间的最小距离。如果参数太小，除了真实的一个圆圈之外，可能错误地检测到多个相邻的圆圈。如果太大，可能会遗漏一些圆圈。

circles: 检测到的圆的信息输出向量（x,y,r），分别代表检测到圆的中心坐标和圆半径。

param1: Canny 边缘检测的高阈值，低阈值被自动置为高阈值的一半，默认为 100。也就是说检测图像中像素点的值大于param1是会检测为边缘。

param2: 表示在检测阶段圆心的累加器阈值。它越小的话，会误检测到更多根本不存在的小圆，而越大，能通过检测的圆就更加接近完美的圆形了。

minRadius: 表示图像中能检测到最小圆的半径的值。

maxRadius: 表示图像中检测到的圆的最大半径的值。

(摘自CSDN，原文链接：

https://blog.csdn.net/weixin_45192980/article/details/119814390)

再了解下霍夫变换的原理：

霍夫圆变换是将二维图像空间中一个圆转换为该圆半径、圆心横纵坐标所确定的三维参数空间中一个点的过程，因此，圆周上任意三点所确定的圆，经Hough变换后在三维参数空间应对应一点。该过程类似于选举投票过程，圆周上任意三个点为一选举人，而这三个点所确定的圆则为一侯选人（以下称为候选圆）。遍历圆周上所有点，任意三个点所确定的候选圆进行投票。遍历结束后，得票数最高点（理论上圆周上任意三点确定的圆在Hough变换后均对应三维参数空间中的同一点）所确定的圆即为该圆周上绝大多数点所确定的圆（以下称为当选圆），即绝大多数点均在该当选圆的圆周上，以此确定该圆。(摘自CSDN，有删改使得通顺，原文链接https://blog.csdn.net/u010368556/article/details/70167993)

因为霍夫圆检测对噪声比较敏感，所以首先要对图像做中值滤波。

基于效率考虑，Opencv中实现的霍夫变换圆检测是基于图像梯度的实现，分为两步：

1. 检测边缘，发现可能的圆心

2. 基于第一步的基础上从候选圆心开始计算最佳半径大小