笔记|工业缺陷检测项目实战(一)——基于opencv的工件缺陷检测C++实现 opencv|ubuntu|算法|opencv|机器视觉

基于opencv的工件缺陷检测C++实现 【笔记|工业缺陷检测项目实战(一)——基于opencv的工件缺陷检测C++实现】作为研究生，每一个项目都很重要，这里给大家分享一个好入门项目，代码纯自己写，网上都是python的，但是有些企业要求C++编写项目，所以希望大家能学到东西。
一. 问题陈述
工件的展示，这是一个视频，然后工件一个个经过，要检测出哪个工件有缺陷，并且分类缺陷的种类。可以看到缺陷是不止一种。

文章图片

文章图片

二. 代码步骤
1.读取图像，转为灰度图并二值化

cvtColor(img, gray, COLOR_BGR2GRAY); threshold(gray, thresh, 127, 255, THRESH_TOZERO_INV); 、

2.寻找轮廓

std::vector hireachy; std::vector> contours; findContours(thresh, contours, hireachy, RETR_LIST, CHAIN_APPROX_NONE);

3.遍历轮廓，对工件圈进行统计，防止重复标记
原理是计算图像矩，可以确定图像的灰度中心，根据每个时刻每个工件的中心位置的变换，可以判断画面里是否出现新的工件。同时，也要记得更新每个时刻每个工件的位置。具体代码实现可以参考完整工程文件。这里贴出部分：

for (size_t cnt = 0; cnt < contours.size(); cnt++) { double area = contourArea(contours[cnt]); //求轮廓面积(大约的) if (area > 18000 & area < 28000)//把工件圈出来 { mu[cnt] = moments(contours[cnt], false); //计算图像矩，表示工件的位置 //计算图像质心位置 double cx = mu[cnt].m10 / mu[cnt].m00; double cy = mu[cnt].m01 / mu[cnt].m00; boundRect[cnt] = boundingRect(Mat(contours[cnt])); //计算外接矩形new_object = true; //通过质心位置判断视频出现的工件是否是最新的 if (cx > 100) //工件要全部出现 { if (products.size() > 0) //判断出现的工件是不是新的 { for (size_t i = 0; i < products.size(); i++) { //存在一个 if (fabs(cx - products[i].getX()) <= 35 && fabs(cy - products[i].getY()) <= 35) { new_object = false; //更新位置参数 products[i].updateCoords(cx, cy, boundRect[cnt].x, boundRect[cnt].y, boundRect[cnt].width, boundRect[cnt].height); } } } if (new_object == true) { Product p(pid, cx, cy, boundRect[cnt].x, boundRect[cnt].y, boundRect[cnt].width, boundRect[cnt].height); p.save_pic(img); products.emplace_back(p); p.count = pid; defects = p.defect_detect(); //缺陷检测 pid += 1; } } //圈出来 rectangle(img, boundRect[cnt].tl(), boundRect[cnt].br(), Scalar(0, 0, 255), 2, 8, 0); } }

效果是这样：

文章图片

4.遍历轮廓，把工件圈出来，顺便保存调试，如下图。圈出来的原理也不难，其实就是通过函数

boundRect[cnt] = boundingRect(Mat(contours[cnt]));

计算外接矩形，就可以获得矩形的左上角和右下角坐标，就可以画了。效果如下：

文章图片

文章图片

5.对每个框进行缺陷提取，原理依然是轮廓检测加面积判断。效果如下：

文章图片

文章图片

6.缺陷类型判断，这里利用直方图统计。即统计0-255中每个像素的个数，根据个数，转为百分比，接着我们设定一个阈值，就可以判断出缺陷类型。部分代码：

//------------------------直方图计算 Mat hist; //设定像素取值范围 int histSize = 256; float range[] = {0, 256}; const float *histRanges = {range}; // hist索引为像素，值为像素点的个数 calcHist(&resul, 1, 0, Mat(), hist, 1, &histSize, &histRanges, true, false); //-------------------------判断缺陷 float sum = 0; for (int i = 0; i < 256; i++) { float bin_val = hist.at(i); //遍历hist元素（注意hist中是float类型） sum = sum + bin_val; //计算总的个数 } // std::cout << "sum:" //<< sum << "\n"; //计算各个像素点的个数百分比 for (int i = 0; i < 256; i++) { if (hist.at(i) > 0) //像素点个数大于0的时候 { hist.at(i) = hist.at(i) / sum; } // std::cout << "hist:" //<< hist.at(i) << "\n"; } float hist_sum_scratch = 0; float hist_sum_blot = 0; for (int i = 90; i < 135; i++) //比较灰的 { hist_sum_scratch = hist_sum_scratch + hist.at(i); } std::cout << "hist_sum_scratch:" << hist_sum_scratch << "\n"; for (int i = 15; i < 90; i++) //比较黑的 { hist_sum_blot = hist_sum_blot + hist.at(i); } std::cout << "hist_sum_blot:" << hist_sum_blot << "\n"; if (hist_sum_scratch >= hist_sum_blot) { Defect d(1, boundRect[cnt].x, boundRect[cnt].y, boundRect[cnt].width, boundRect[cnt].height); Result.emplace_back(d); state = 1; std::cout << "此处缺陷划痕" << "\n"; } if (hist_sum_scratch < hist_sum_blot) { Defect d(2, boundRect[cnt].x, boundRect[cnt].y, boundRect[cnt].width, boundRect[cnt].height); Result.emplace_back(d); state = 2; std::cout << "此处缺陷污渍" << "\n"; }

到此就可以完成啦!!!
三. 最终效果：