瓶口缺陷檢測

摘要

本文使用opencv實現Halcon中的一個瓶口缺陷檢測實例（C++實現），Halcon中對應的例子為inspect_bottle_mouth.hdev，用於檢測酒瓶瓶口是否出現破損等缺陷情形。

---

 Halcon實例主要步驟包含五步，分別是：

• 使用閾值處理和形態學粗定位品口位置；

• XLD輪廓擬合最近似的圓形區域作為瓶口的輪廓；

• 極坐標變換，轉換到水平或垂直方向進行處理；

• 均值濾波圖與原圖做差分，根據閾值提取；

• 將繪制的缺陷部分通過反極坐標變換投影到原圖上。

需要注意的是：在opencv中第一步和第二步這里直接用霍夫圓變換來替換(最重要的就是參數要設置合適)。

opencv實現步驟分解：

---

 （一）讀入圖像，預處理，霍夫圓檢測

---

    Mat dst,src1;
    Mat src = imread("D:/opencv練習圖片/瓶口缺陷檢測.png");
    src.copyTo(src1);
    imshow("原圖", src);
    //預處理，霍夫園檢測
    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);

 我測試了一下，16張測試圖，效果都不錯，暫時采用它。但是對於霍夫圓檢測，設置參數必須精確，才能有效果。

• HoughCircles函數API

vector<Vec3f>circles;
HoughCircles(gray, circles, HOUGH_GRADIENT, 1, 100, 200, 30, 150, 500);
//第一個參數是輸出被檢測圖片
//第二個參數表示存儲數組，其中存儲被檢測的圓的圓心的坐標和圓的半徑。
//第三個參數是檢測圓的方法（霍夫梯度法）
//第四個參數可以設置為1就行--默認參數
//第五個參數是圓心與圓心之間的距離，這是一個經驗值。這個大了，那么多個圓就是被認為一個圓。
//第六個參數 就設為默認值就OK
//第七個參數這個根據你的圖像中的圓  大小設置，如果圓越小，則設置越小
//第八個和第九個參數 是你檢測圓 最小半徑和最大半徑是多少  這個是經驗值

---

 （二）極坐標變換（重點就是要准確找到圓心作為極坐標變換的中心）

---

    int X = 0;//圓心坐標的X
    int Y = 0;//圓心坐標的Y
    int R = 0;//半徑
    Mat ROI;
    for (int i = 0; i < circles.size(); i++)
    {
         X = cvRound(circles[i][0]);
        Y = cvRound(circles[i][1]);
        Point center(X,Y);//圓心坐標
         R = cvRound(circles[i][2]);
         ROI = src(Rect(X - R, Y - R, 2 * R, 2 * R));//提取ROI區域
         Point trans_center = Point(R, R);//ROI區域內的中心坐標
        warpPolar(ROI, dst, Size(300, 600), trans_center, R, INTER_LINEAR | WARP_POLAR_LINEAR);

    }
    imshow("ROI區域", ROI);
    imshow("極坐標變換", dst);

---

 （三）均值濾波做差分，二值化

---

    //均值濾波做差分
    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);

 注意這里的均值濾波核大小，一般我們都是設置(3,3)或(5,5)等，這里物體垂直方向較長，參考Halcon例子中設置為(3, 501)。

可以看到，通過均值濾波差分后圖像的缺陷已經可以很明顯的看到了。

---

 （四）輪廓提取，篩選缺陷輪廓

---

    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);

 

 這里篩選缺陷的標准是：輪廓寬度大於10的都認為是缺陷（可以添加更精確的標准）

---

（五）反極坐標變換，結果投影到原圖

---

    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("反極坐標變換", polarImg_Inv);