CVの瓶口缺陷检测

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\(gray, circles, HOUGH\_GRADIENT, 1, 100, 200, 30, 150, 500\);

我测试了一下，16张测试图，效果都不错，暂时采用它。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\("反极坐标变换", polarImg\_Inv\);