python opencv 图像匹配 缺陷检测 opencv缺陷检测常用方法

摘要

本文使用opencv实现Halcon中的一个瓶口缺陷检测实例（C++实现），Halcon中对应的例子为inspect_bottle_mouth.hdev，用于检测酒瓶瓶口是否出现破损等缺陷情形。

---

 Halcon实例主要步骤包含五步，分别是：

• 使用阈值处理和形态学粗定位品口位置；
• XLD轮廓拟合最近似的圆形区域作为瓶口的轮廓；
• 极坐标变换，转换到水平或垂直方向进行处理；
• 均值滤波图与原图做差分，根据阈值提取；
• 将绘制的缺陷部分通过反极坐标变换投影到原图上。

需要注意的是：在opencv中第一步和第二步这里直接用霍夫圆变换来替换(最重要的就是参数要设置合适)。

opencv实现步骤分解：

---

 （一）读入图像，预处理，霍夫圆检测

---

Mat dst,src1;
    Mat src = imread("D:/opencv练习图片/瓶口缺陷检测.png");
    src.copyTo(src1);
    imshow("原图", src);
    //预处理，霍夫园检测
    Mat gray;
    cvtColor(src, gray, COLOR_RGB2GRAY);
    medianBlur(gray, gray, 3);
    vector<Vec3f>circles;
    HoughCircles(gray, circles, HOUGH_GRADIENT, 1, 100, 200, 30, 150, 500);

但是对于霍夫圆检测，设置参数必须精确，才能有效果。

• HoughCircles函数API

vector<Vec3f>circles;
HoughCircles(gray, circles, HOUGH_GRADIENT, 1, 100, 200, 30, 150, 500);
//第一个参数是输出被检测图片
//第二个参数表示存储数组，其中存储被检测的圆的圆心的坐标和圆的半径。
//第三个参数是检测圆的方法（霍夫梯度法）
//第四个参数可以设置为1就行--默认参数
//第五个参数是圆心与圆心之间的距离，这是一个经验值。这个大了，那么多个圆就是被认为一个圆。
//第六个参数 就设为默认值就OK
//第七个参数这个根据你的图像中的圆  大小设置，如果圆越小，则设置越小
//第八个和第九个参数 是你检测圆 最小半径和最大半径是多少  这个是经验值

---

 （二）极坐标变换（重点就是要准确找到圆心作为极坐标变换的中心）

---

int X = 0;//圆心坐标的X
    int Y = 0;//圆心坐标的Y
    int R = 0;//半径
    Mat ROI;
    for (int i = 0; i < circles.size(); i++)
    {
         X = cvRound(circles[i][0]);
        Y = cvRound(circles[i][1]);
        Point center(X,Y);//圆心坐标
         R = cvRound(circles[i][2]);
         ROI = src(Rect(X - R, Y - R, 2 * R, 2 * R));//提取ROI区域
         Point trans_center = Point(R, R);//ROI区域内的中心坐标
        warpPolar(ROI, dst, Size(300, 600), trans_center, R, INTER_LINEAR | WARP_POLAR_LINEAR);

    }
    imshow("ROI区域", ROI);
    imshow("极坐标变换", dst);

---

 （三）均值滤波做差分，二值化

---

//均值滤波做差分
    Mat dst_blur,diff,binary,dst_gray;
    cvtColor(dst, dst_gray, COLOR_RGB2GRAY);
    blur(dst_gray, dst_blur, Size(3, 501), Point(-1, -1));
    absdiff(dst_gray, dst_blur, diff);
    imshow("差分", diff);
    threshold(diff, binary, 70, 255, THRESH_BINARY);
    medianBlur(binary, binary, 3);
    imshow("二值化", binary);

 注意这里的均值滤波核大小，一般我们都是设置(3,3)或(5,5)等，这里物体垂直方向较长，参考Halcon例子中设置为(3, 501)。

可以看到，通过均值滤波差分后图像的缺陷已经可以很明显的看到了。

---

 （四）轮廓提取，筛选缺陷轮廓

---

vector<vector<Point>>contours;
    findContours(binary, contours, RETR_EXTERNAL, CHAIN_APPROX_NONE, Point());
    for (int i = 0; i < contours.size(); i++)
    {
        Rect rect = boundingRect(contours[i]);
        float width = rect.width;
        if (width>10)
        {
            drawContours(dst, contours,i, Scalar(0, 0, 255), 2);
        }
    }
    imshow("缺陷", dst);

 

 这里筛选缺陷的标准是：轮廓宽度大于10的都认为是缺陷（可以添加更精确的标准）

---

（五）反极坐标变换，结果投影到原图

---

Mat polarImg_Inv;
    warpPolar(dst, polarImg_Inv, ROI.size(), Point(R,R), R, INTER_LINEAR | WARP_POLAR_LINEAR| WARP_INVERSE_MAP);
    circle(polarImg_Inv, Point(R, R), 3, Scalar(0, 255, 0), -1, 8, 0);
    circle(polarImg_Inv, Point(R, R), R, Scalar(255, 0, 0), 3, 8, 0);
    imshow("反极坐标变换", polarImg_Inv);