复杂背景下缺陷检测将Halcon实现转为OpenCV的实例

导读 本文主要介绍一个复杂背景下缺陷检测的实例，并将Halcon实现转为OpenCV。

实例来源

实例来源于51Halcon论坛的讨论贴： https://www.51halcon.com/forum.php？mod=viewthread&tid=1173&extra=page%3D1

Halcon实现

参考回帖内容，将代码精简如下：

read_image （Image， ‘。/1.bmp’）dev_set_line_width （3）threshold （Image， Region， 30， 255）reduce_domain （Image， Region， ImageReduced）mean_image （ImageReduced， ImageMean， 200， 200）dyn_threshold （ImageReduced， ImageMean， SmallRaw， 35， ‘dark’）opening_circle （SmallRaw， RegionOpening， 8）closing_circle （RegionOpening， RegionClosing， 10）connection （RegionClosing， ConnectedRegions）dev_set_color （‘red’）dev_display （Image）dev_set_draw （‘margin’）dev_display （ConnectedRegions）

OpenCV实现

分析实现方法与思路： ［1］ 原图转灰度图后使用核大小201做中值滤波； ［2］ 灰度图与滤波图像做差，然后阈值处理 ［3］ 圆形核做开运算，去除杂讯 ［4］ 圆形核做闭运算，缺陷连接 ［5］ 轮廓查找绘制 实现代码（Python-OpenCV）：

import cv2import numpy as np

img = cv2.imread（‘。/1.bmp’）cv2.imshow（‘src’，img）gray = cv2.cvtColor（img，cv2.COLOR_BGR2GRAY）

mean = cv2.medianBlur（gray，201）cv2.imshow（‘mean’，mean）

#diff = cv2.absdiff（gray， mean）diff = gray - meancv2.imshow（‘diff’，diff）cv2.imwrite（‘diff.jpg’，diff）_，thres_low = cv2.threshold（diff，150，255，cv2.THRESH_BINARY）#二值化_，thres_high = cv2.threshold（diff，220，255，cv2.THRESH_BINARY）#二值化thres = thres_low - thres_highcv2.imshow（‘thres’，thres）

k1 = np.zeros（（18，18，1）， np.uint8）cv2.circle（k1，（8，8），9，（1，1，1），-1， cv2.LINE_AA）k2 = np.zeros（（20，20，1）， np.uint8）cv2.circle（k2，（10，10），10，（1，1，1），-1， cv2.LINE_AA）opening = cv2.morphologyEx（thres， cv2.MORPH_OPEN， k1）cv2.imshow（‘opening’，opening）closing = cv2.morphologyEx（opening， cv2.MORPH_CLOSE， k2）cv2.imshow（‘closing’，closing）

contours，hierarchy = cv2.findContours（closing， cv2.RETR_EXTERNAL， cv2.CHAIN_APPROX_NONE）

for cnt in contours： （x， y， w， h） = cv2.boundingRect（cnt） if w 》 5 and h 》 5： #cv2.rectangle（img，（x，y），（x+w，y+h），（0，255，0），2） cv2.drawContours（img，contours，-1，（0，0，255），2）

cv2.drawContours（img，cnt，2，（0，0，255），2）cv2.imshow（‘result’，img）

cv2.waitKey（0）cv2.destroyAllWindows（）print（‘Done！’）

逐步效果演示

滤波效果：mean

做差效果：diff

阈值效果：thres

开运算效果：opening

闭运算效果：closing

轮廓查找绘制最终结果：

结尾语

［1］ 算法只是针对这一张图片，实际应用为验证算法鲁棒性还需大量图片做测试方可； ［2］ 缺陷检测如果用传统方法不易实现，可以考虑使用深度学习分割网络如：mask-rcnn、U-net等

—版权声明—

来源：OpenCV与AI深度学习

编辑：jq