Halcon缺陷检测之（Blob+差分法&&模板匹配＋差分法）

最新推荐文章于 2024-07-18 13:48:56 发布

三元荧

最新推荐文章于 2024-07-18 13:48:56 发布

阅读量1w

点赞数 28

分类专栏： Halcon 文章标签：图像识别

本文链接：https://blog.csdn.net/weixin_45617323/article/details/111578347

版权

Halcon 专栏收录该内容

4 篇文章 10 订阅

订阅专栏

一、缺陷检测概述

缺陷检测是机器视觉重要的应用方向之一，由于在制造产品的过程中，表面缺陷的产生往往是不可避免的，故机器视觉的缺陷检测有较大的市场需求。熟练掌握缺陷检测是视觉工程师的必要技能。
在工业视觉检测当中，常见的工业视觉检测表面缺陷有划伤、划痕、辊印、凹坑、粗糙、波纹等外观缺陷，此外还有像一些非金属产品表面的夹杂、破损、污点，以及纸张表面的色差、压痕等。
相比于人工检测，基于机器视觉的检测有如下优点：
①能24小时不间断工作
②检测速度快，准确率高
③检测精度高
④不受外界因素的干扰，检测结果稳定
⑤非接触性检测

二、缺陷检测方法

个人总结如下：
①基于颜色的Blob法＋差分
②模板匹配＋差分
③基于轮廓的边缘提取
④频域+空间结合
⑤机器学习的方法
⑥光度立体法

三、模板匹配+差分法

主要检测物品损坏，凸起，破洞，缺失等。先定位模板区域后，求得模板区域的坐标，创建物品的形状模板create_shape_model，注意把模板的旋转角度改为rad(0)和rad(360)。匹配模板find_shape_model时，由于物品的缺陷使形状有局部的改变，所以要把MinScore设置小一点，否则匹配不到模板。并求得匹配项的坐标。关键的一步，将模板区域仿射变换到匹配成功的区域。由于差集运算是在相同的区域内作用的，所以必须把模板区域转换到匹配项的区域。之后求差集，根据差集部分的面积判断该物品是否有缺陷。
图片集链接：https://pan.baidu.com/s/1x1dCrW17GM0d7v9DZPpQZA
提取码：df5u
这是完整形状的模板：
在这里插入图片描述
目标检测204这三个字符可能出现的缺陷
检测结果如下，蓝色区域代表的是缺陷：

Halcon代码如下：

*CSDN->三元荧
*读入标准模板图片（图片名字为standard.bmp）
read_image (Image, 'D:/halcon用到的照片/standard.bmp')
*设置图像窗口
get_image_size (Image, Width, Height)
dev_close_window ()
dev_open_window (0, 0, Width, Height, 'black', WindowHandle)
dev_display (Image)
*选中模板区域
gen_rectangle1 (ROI_0, 201, 244, 385, 526)
reduce_domain (Image, ROI_0, ImageReduced)
*选中模板区域数字
threshold (ImageReduced, Regions, 106, 255)
connection (Regions, ConnectedRegions)
select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 163.12, 10000)
union1 (SelectedRegions, RegionUnion)
*求模板区域坐标
area_center (RegionUnion, Areastandard, Rowstandard, Columnstandard)
*扣取模板区域图像，创建模板需要的是图像，不是区域
reduce_domain (ImageReduced, RegionUnion, ImageReduced1)
*创建模板
create_shape_model (ImageReduced1, 'auto', rad(0), rad(360), 'auto', 'auto', 'use_polarity', 'auto', 'auto', ModelID)
*读入图像路径，循环遍历每个图像
list_files ('D:/halcon用到的照片/204', ['files','follow_links'], ImageFiles)
tuple_regexp_select (ImageFiles, ['\\.(tif|tiff|gif|bmp|jpg|jpeg|jp2|png|pcx|pgm|ppm|pbm|xwd|ima|hobj)$','ignore_case'], ImageFiles)
for Index := 0 to |ImageFiles| - 1 by 1
    read_image (Image, ImageFiles[Index])
    *模板匹配
    find_shape_model (Image, ModelID, 0, rad(360), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)
     *判断匹配是否成功
    if (|Score| > 0)
        *搜寻当前图像匹配成功的区域并求它的坐标和角度
        dev_display_shape_matching_results (ModelID, 'red', Row, Column, Angle, 1, 1, 0)
        *将模板区域仿射变换到匹配成功的区域
        vector_angle_to_rigid (Rowstandard, Columnstandard, 0, Row, Column, Angle, HomMat2D)
        affine_trans_region (RegionUnion, RegionAffineTrans, HomMat2D, 'nearest_neighbor')
        dev_display (Image)
       *blob方法提取当前图像的数字，并变成一个联通域
        threshold (Image, Regions1, 106, 255)
        connection (Regions1, ConnectedRegions1)
        select_shape (ConnectedRegions1, SelectedRegions1, 'area', 'and', 163.12, 10000) 
        union1 (SelectedRegions1, RegionUnion1)
        *仿射变换后的模板区域与当前区域求差集，即缺陷部分
        difference (RegionAffineTrans, RegionUnion1, RegionDifference)
       *开运算去除很小点的噪声
        opening_circle (RegionDifference, RegionOpening, 3)
       *求缺陷的面积
        area_center (RegionOpening, Area, Row1, Column1)
         *缺陷面积大于阈值，说明有缺陷
        if(Area>100)
            *设置缺陷区域的颜色
            dev_set_color ('blue')
            *显示缺陷区域
            dev_display (RegionOpening)
            *显示NG
            set_display_font (WindowHandle, 50, 'mono', 'true', 'false')
            disp_message (WindowHandle,'NG', 'window', 15, 40, 'yellow', 'false')
          *缺陷面积小于阈值，说明没缺陷
        else
            *显示OK
            set_display_font (WindowHandle, 50, 'mono', 'true', 'false')
            disp_message (WindowHandle,'OK', 'window', 15, 40, 'green', 'false')
        endif
  *没有匹配到模板，直接NG       
      else
          set_display_font (WindowHandle, 50, 'mono', 'true', 'false')
          disp_message (WindowHandle,'NG', 'window', 15, 40, 'yellow', 'false')
      endif
endfor

四、Blob+差分法

Halcon官网自带挺多例子，这里以Blob分析的fin.hdev为例。
算子binary_threshold(Image : Region : Method, LightDark : UsedThreshold)使用二进制阈值分割图像，主要看LightDark参数。如果LightDark=‘light’，所有灰度值大于或等于的像素都被选中；如果LightDark=‘dark’，则选择灰度值小于的所有像素。比如fin.hdev目的提取背景区域，而背景偏向白色，故LightDark设为’light’即将背景区域提取出来。
完整区域的图像：
在这里插入图片描述

* fin.hdev: Detection of a fin
* 
dev_update_window ('off')
read_image (Fins, 'fin' + [1:3])
get_image_size (Fins, Width, Height)
dev_close_window ()
dev_open_window (0, 0, Width[0], Height[0], 'black', WindowID)
set_display_font (WindowID, 14, 'mono', 'true', 'false')
for I := 1 to 3 by 1
    select_obj (Fins, Fin, I)
    dev_display (Fin)
    *使用二进制阈值分割图像，选中背景
    binary_threshold (Fin, Background, 'max_separability', 'light', UsedThreshold)
    dev_set_color ('blue')
    dev_set_draw ('margin')
    dev_set_line_width (4)
    dev_display (Background)
    disp_continue_message (WindowID, 'black', 'true')
    stop ()
    *膨胀背景区域，此时凸起会被覆盖
    closing_circle (Background, ClosedBackground, 250)
    dev_set_color ('green')
    dev_display (ClosedBackground)
    disp_continue_message (WindowID, 'black', 'true')
    stop ()
    *将膨胀后的背景区域与未膨胀的区域求差集，即缺陷区域
    difference (ClosedBackground, Background, RegionDifference)
    *去除小噪声
    opening_rectangle1 (RegionDifference, FinRegion, 5, 5)
    dev_display (Fin)
    dev_set_color ('red')
    dev_display (FinRegion)
    area_center (FinRegion, FinArea, Row, Column)
    if (I < 3)
        disp_continue_message (WindowID, 'black', 'true')
        stop ()
    endif
endfor

五、交集差集补集

如图，画两个圆：
在这里插入图片描述
①两个圆的交集，算子intersection，求相同部分：

②两个圆的差集，算子difference，求不相同部分：
红色圆-绿色圆：

绿色圆-红色圆：

③补集求的是区域之外的区域，算子complement，求两个圆的补集：
在这里插入图片描述

点个赞，点个关注呀‎|•’-’•)و✧

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/weixin_45617323/article/details/111578347

三元荧

关注

28
点赞
踩
183

收藏

觉得还不错? 一键收藏
2
评论
Halcon缺陷检测之（Blob+差分法&&模板匹配＋差分法）

一、缺陷检测概述缺陷检测是机器视觉重要的应用方向之一，由于在制造产品的过程中，表面缺陷的产生往往是不可避免的，故机器视觉的缺陷检测有较大的市场需求。熟练掌握缺陷检测是视觉工程师的必要技能。在工业视觉检测当中，常见的工业视觉检测表面缺陷有划伤、划痕、辊印、凹坑、粗糙、波纹等外观缺陷，此外还有像一些非金属产品表面的夹杂、破损、污点，以及纸张表面的色差、压痕等。相比于人工检测，基于机器视觉的检测有如下优点：①能24小时不间断工作②检测速度快，准确率高③检测精度高④不受外界因素的干扰，检测
复制链接

扫一扫