基于Halcon学习的缺陷检测【一】detect_mura

这个例子展示了如何在模糊图像中检测mura缺陷

总代码：

*频域+差分+空间域
dev_close_window ()
dev_update_off ()
Path := 'lcd/mura_defects_blur_'
read_image (Image, Path + '01')
get_image_size (Image, Width, Height)
dev_open_window_fit_size (0, 0, Width, Height, 640, 480, WindowHandle)
set_display_font (WindowHandle, 14, 'mono', 'true', 'false')
dev_set_draw ('margin')
dev_set_line_width (3)
dev_set_color ('red')
ScaleFactor := 0.4*根据要提取的线条的最大宽度和对比度，计算线条的Sigma、Low和High参数。
calculate_lines_gauss_parameters (17, [25,3], Sigma, Low, High)
for f := 1 to 3 by 1*1采集图像read_image (Image, Path + f$'.2i')*转换为3通道图像decompose3 (Image, R, G, B)*2预处理之频域变换（建立背景+高斯滤波）* correct side illumination*正确的侧面照明*快速傅里叶变换rft_generic (B, ImageFFT, 'to_freq', 'none', 'complex', Width)*生成一个高斯滤波器gen_gauss_filter (ImageGauss, 100, 100, 0, 'n', 'rft', Width, Height)*在频域中用滤波器卷积图像。convol_fft (ImageFFT, ImageGauss, ImageConvol)*傅里叶逆变换rft_generic (ImageConvol, ImageFFT1, 'from_freq', 'none', 'byte', Width)*差分在空间域--lines_gausssub_image (B, ImageFFT1, ImageSub, 2, 100)* perform the actual inspection*按给定因子缩放图像。zoom_image_factor (ImageSub, ImageZoomed, ScaleFactor, ScaleFactor, 'constant')* avoid border effects when using lines_gauss()*使用时lines_gauss()避免边界效果*获取图像的区域。get_domain (ImageZoomed, Domain)*腐蚀erosion_rectangle1 (Domain, RegionErosion, 7, 7)*抠图reduce_domain (ImageZoomed, RegionErosion, ImageReduced)*检测线条及其宽度。lines_gauss (ImageReduced, Lines, Sigma, Low, High, 'dark', 'true', 'gaussian', 'true')*进行仿射变换hom_mat2d_identity (HomMat2DIdentity)hom_mat2d_scale_local (HomMat2DIdentity, 1 / ScaleFactor, 1 / ScaleFactor, HomMat2DScale)affine_trans_contour_xld (Lines, Defects, HomMat2DScale)* dev_display (Image)dev_display (Defects)if (f < 3)disp_continue_message (WindowHandle, 'black', 'true')stop ()endif
endfor

逐段分析：

*频域+差分+空间域
dev_close_window ()
dev_update_off ()
Path := 'lcd/mura_defects_blur_'
read_image (Image, Path + '01')
get_image_size (Image, Width, Height)
dev_open_window_fit_size (0, 0, Width, Height, 640, 480, WindowHandle)
set_display_font (WindowHandle, 14, 'mono', 'true', 'false')
dev_set_draw ('margin')
dev_set_line_width (3)
dev_set_color ('red')
ScaleFactor := 0.4*根据要提取的线条的最大宽度和对比度，计算线条的Sigma、Low和High参数。
calculate_lines_gauss_parameters (17, [25,3], Sigma, Low, High)
for f := 1 to 3 by 1*1采集图像read_image (Image, Path + f$'.2i')

    *转换为3通道图像decompose3 (Image, R, G, B)

    *快速傅里叶变换rft_generic (B, ImageFFT, 'to_freq', 'none', 'complex', Width)

    *生成一个高斯滤波器gen_gauss_filter (ImageGauss, 100, 100, 0, 'n', 'rft', Width, Height)*在频域中用滤波器卷积图像。convol_fft (ImageFFT, ImageGauss, ImageConvol)*傅里叶逆变换rft_generic (ImageConvol, ImageFFT1, 'from_freq', 'none', 'byte', Width)

    *差分在空间域--lines_gausssub_image (B, ImageFFT1, ImageSub, 2, 100)

    *按给定因子缩放图像。zoom_image_factor (ImageSub, ImageZoomed, ScaleFactor, ScaleFactor, 'constant')*使用时lines_gauss()避免边界效果*获取图像的区域。get_domain (ImageZoomed, Domain)*腐蚀erosion_rectangle1 (Domain, RegionErosion, 7, 7)

    *抠图reduce_domain (ImageZoomed, RegionErosion, ImageReduced)

    *检测线条及其宽度。lines_gauss (ImageReduced, Lines, Sigma, Low, High, 'dark', 'true', 'gaussian', 'true')

*进行仿射变换hom_mat2d_identity (HomMat2DIdentity)hom_mat2d_scale_local (HomMat2DIdentity, 1 / ScaleFactor, 1 / ScaleFactor, HomMat2DScale)affine_trans_contour_xld (Lines, Defects, HomMat2DScale)* dev_display (Image)dev_display (Defects)if (f < 3)disp_continue_message (WindowHandle, 'black', 'true')stop ()endif
endfor

主要算子：

lines_gauss(Image : Lines : Sigma, Low, High, LightDark, ExtractWidth, LineModel, CompleteJunctions :

功能：检测线条及其宽度

Image：输入图像

Lines：提取出的亚像素精度线条

Sigma：应用的高斯平滑的系数

Low：后滞阈值分割的低值

High：后滞阈值分割的高值

LightDark：提取图像中的亮色或者暗色线条

ExtractWidth：是否提取线条的宽度

LineModel：用于校正线条位置和宽度的线条模型

CompleteJunctions：是否添加能够提取的接合点

基于Halcon学习的缺陷检测【一】detect_mura_blur.hdev相关推荐

基于Halcon学习的缺陷检测【四】光伏电池片的指纹以及划痕检测【第一种方法】
此例子主要是为了把光伏电池片的指纹以及划痕标注出来. 总代码: *读取图片 read_image (Image, 'E:/研究生学习/电池片练习/手指印/截图.png') *清除窗口 dev_cle ...
基于Halcon学习的缺陷检测【五】光伏电池片的指纹以及划痕检测【第二种方法】
此例子主要是为了把光伏电池片的指纹以及划痕标注出来. 总代码: *读取图片 read_image (Image, 'E:/研究生学习/电池片练习/手指印/截图.png')*清除窗口 dev_cle ...
基于halcon的木板缺陷检测算法代码-基于halcon的区域增长、大津分割算法、直方图均衡化
关键词:Halcon:图像处理:视觉检测:木板缺陷检测:特征提取对于木条.木板等木制品表观缺陷检测,是机器视觉检测在工业中的一个主要应用,而在这其中节子的提取和检测又是一项重要的品控检测指标,本文以 ...
基于深度学习的表面缺陷检测方法综述-论文阅读笔记
//2022.3.2日阅读笔记原文链接:基于深度学习的表面缺陷检测方法综述 (aas.net.cn) 个人对本篇综述内容的大致概括论文首先介绍了表面缺陷检测中不同场景下的成像方案,主要根据表面颜色 ...
论文《基于深度学习的表面缺陷检测方法综述》学习笔记
<基于深度学习的表面缺陷检测方法综述>学习笔记前段时间完成了<基于图像的零部件缺陷识别系统设计>毕业课程设计,过程中收获了很多,老师也分享了很多论文,在此记录一下学习的收获. ...
AI-无损检测方向速读：基于深度学习的表面缺陷检测方法综述
1 表面缺陷检测的概念表面缺陷检测是机器视觉领域中非常重要的一项研究内容, 也称为 AOI (Automated optical inspection) 或 ASI (Automated surfa ...
基于AI深度学习的缺陷检测系统
1. 基于AI深度学习的工业缺陷检测现状在工业生产中,由于生产和运输环境中的不可控因素,很容易产生划痕.压伤.擦挂等缺陷.而其中的缺陷大部分都极其微小,甚至是肉眼难以识别,这些缺陷所造成的坏品率极大 ...
基于机器视觉的图像处理缺陷检测方法论文学习
基于机器视觉的图像处理缺陷检测方法论文学习 Machine Vision based Defect Detection Approach using Image Processing Abstract ...
使用深度学习进行缺陷检测，GAN用于表面缺陷检测
使用深度学习进行缺陷检测链接: 千顺智能. 数据库– GRIMA database http://dmery.ing.puc.cl/index.php/material/gdxray/ steel ...

基于Halcon学习的缺陷检测【一】detect_mura_blur.hdev

这个例子展示了如何在模糊图像中检测mura缺陷

总代码：

逐段分析：

主要算子：

lines_gauss(Image : Lines : Sigma, Low, High, LightDark, ExtractWidth, LineModel, CompleteJunctions :

功能：检测线条及其宽度

Image：输入图像

Lines：提取出的亚像素精度线条

Sigma：应用的高斯平滑的系数

Low：后滞阈值分割的低值

High：后滞阈值分割的高值

LightDark：提取图像中的亮色或者暗色线条

ExtractWidth：是否提取线条的宽度

LineModel：用于校正线条位置和宽度的线条模型

CompleteJunctions：是否添加能够提取的接合点

基于Halcon学习的缺陷检测【一】detect_mura_blur.hdev相关推荐

最新文章

热门文章