大连网站建设收费,安全的集团网站建设,网站建设知名公司排名,汕头网站制作找谁表面瑕疵检测是机器视觉领域非常重要的一个应用。机器视觉是集光学、机电和计算机三个领域的一门不算新的技术。但目前表面瑕疵检测在学界主要是计算机专业或者控制专业瞄准图像处理方向在做#xff0c;而视觉光学系统这一块主要是光学工程专业在做。很少有研究者把这三块都结…表面瑕疵检测是机器视觉领域非常重要的一个应用。机器视觉是集光学、机电和计算机三个领域的一门不算新的技术。但目前表面瑕疵检测在学界主要是计算机专业或者控制专业瞄准图像处理方向在做而视觉光学系统这一块主要是光学工程专业在做。很少有研究者把这三块都结合的很好而国内做这机器视觉(注意是机器视觉 不是计算机视觉)基本上都是小公司。软件这一块就不说了国内的整体软件环境不好。据我所知日本、德国和美国在机器视觉方面有很多相对成熟的软件。中国农业大学的陈兵旗教授在留日期间弄过很多机器视觉方面的农业机器人同时他也写过一本书介绍视觉图像处理后面还附录了他们自己主推的软件。德国的软件就是下面要介绍的halcon。提到halcon就有必要和开源的opencv进行对比opencv在图像处理方面也是小有名气但是其成型的图像模块函数并不多而且由于是开源并没有专门对各种图像处理领域方面的检测需求进行扩展还是那句话毕竟是开源。halcon是商业软件国内主要是大恒公司在代理其在图像处理方面特别是检测测量方面有很多优势。下面我以一个例子在介绍halcon图像算法开发过程。启动软件ctrlE弹出例程选择表面检测中的detect_mura_defects_texture 。这个是液晶面板上的mura 损伤 。附录上张存在损伤的图像在杂乱的纹理上出现的黑色区域就是损伤。如何检测呢代码如下* this example shows how to detect mura defects* in highly textured images*dev_close_window ()dev_update_off ()Path : lcd/mura_defects_texture_read_image (Image, Path01)get_image_size (Image, Width, Height)dev_open_window (0, 0, 640, 480, black, WindowHandle)set_display_font (WindowHandle, 14, courier, true, false)dev_set_draw (margin)dev_set_line_width (3)dev_set_color (red)for f : 1 to 2 by 1read_image (Image, Pathf$.2i)decompose3 (Image, R, G, B)* defects are characterized by dark patches. Hence, by substracting the* estimated background illumination from the original image the* defects become more apparentestimate_background_illumination (B, ImageFFT1)sub_image (B, ImageFFT1, ImageSub, 2, 100)* median filter smooths out the fine texture, simplifying the following* segmentation and final detection of defectsmedian_image (ImageSub, ImageMedian, circle, 9, mirrored)watersheds_threshold (ImageMedian, Basins, 20)* dark patches corresponding to defects have a very low energycooc_feature_image (Basins, ImageMedian, 6, 0, Energy, Correlation, Homogeneity, Contrast)tuple_find (sgn(Energy-0.05), -1, Indices)select_obj (Basins, Defects, Indices1)*dev_display (Image)dev_display (Defects)count_obj (Defects, NDefects)disp_message (WindowHandle, NDefects \mura\ defects detected, window, -1, -1, red, true)if (f 2)disp_continue_message (WindowHandle, black, true)stop ()endifendfor1对彩色图像进行R G B分解选取B作为后续图像。这个原因是通过实验处理的在B图像下黑色斑和背景差异最大吧。2 生成背景模板将图像傅里叶变换到频域中通过高斯滤波然后傅里叶反变换回来得到的图像就是背景模板3 背景差分。采用以下函数,增强两幅图像的差异sub_image ( ImageMinuend, ImageSubtrahend : ImageSub : Mult, Add : )ImageSub(ImageMinuend-ImageSubtrahend)*MultAdd4 分水岭算法分割在分割之前采用中值滤波来抑制小斑点或细线。分水岭后图像分割为多个轮廓(region)。5 计算多个轮廓region的灰度信息包括能量。相关度、同一度、对比度通过灰度共生矩阵。 前面的两个参数是灰度级和方向灰度级是2^方向即灰度共生矩阵方向。6 根据能量信息对多个region进行筛选筛选后的region就是检测结果。Halcon::tuple_find ((Energy-0.05).Sgn(), -1, Indices);image_opencv_testm_ip-HImageToIplImage(m_hoImage);int numberIndices.Num();for (int i0;i{Halcon::HTuple new_Indices;new_Indices[0]Indices[i].I()1;Halcon::select_obj (Basins, Defects, new_Indices);Hlong x1,x2,y1,y2;Halcon::smallest_rectangle1(Defects,y1,x1,y2,x2);cvRectangle(image_opencv_test,cvPoint(x1,y1),cvPoint(x2,y2),cvScalar(0,0,255),2,8,0);}判断能量是否大于0.05通过sgn函数将大于0.05的置1小于的置-1。通过find在(Energy-0.05).Sgn()中寻找-1出现的位置注意这个位置是从0开始的。貌似这个是经过人为排序的所以indices 中就是前三个 0 1 2select_obj (Basins, Defects, new_Indices);是从Basins提取序号为new_Indices的region 。为什么重新定义一个HTuple 因为HTuple实际上是个数组。find后得到的就是一个indices 数组里面存在三个数。select_obj 的参数必须是HTuple也就是数组所以只能重新定义而且序号从1开始因此要加1只能获取数组中的值加1获取的代码为new_Indices[0]Indices[i].I()1; 也就是说数组中的值可以直接访问然后转化为需要的类型。这是我弄的比较笨的方法直接通过halcon转化c代码只有一句。我觉得还是单个取出来比较靠谱。贴一个检测结果吧
