Halcon表面缺陷檢測

本文章轉(zhuǎn)載自 link

1* Optimize the fft speed for the specific image size
優(yōu)化特定圖像大小的FFT速度
optimize_rft_speed( : : Width, Height, Mode : )

optimize_rft_speed (Width, Height, ‘standard’)

//對指定大小的圖片的fft速度進(jìn)行優(yōu)化
//Width, Height圖片大小
// Mode 優(yōu)化模式
（（fft（Fast Fourier Transformation），即為快速傅氏變換，是離散傅氏變換（DFT）的快速算法，它是根據(jù)離散傅氏變換的奇、偶、虛、實等特性，對離散傅立葉變換的算法進(jìn)行改進(jìn)獲得的。）

2* Construct a suitable filter by combining two gaussian
構(gòu)造兩個濾波器
gen_gauss_filter( : ImageGauss : Sigma1, Sigma2, Phi, Norm, Mode, Width, Height : )
sub_image(ImageMinuend, ImageSubtrahend : ImageSub : Mult, Add : )
gen_gauss_filter (GaussFilter1, Sigma1, Sigma1, 0.0, ‘none’, ‘rft’, Width, Height)
gen_gauss_filter(GaussFilter2, Sigma2, Sigma2, 0.0, ’none’, ’rft’, Width,Height)
//在頻域生成兩個高斯濾波器
//參數(shù)說明： 生成的高斯濾波器（GaussFilter）
// 空域中高斯在主方向上的標(biāo)準(zhǔn)差（Sigma）
// 空域中高斯在正交于主方向的方向上的標(biāo)準(zhǔn)差（Sigma）
// 濾波器主方向的角度（0.0）
// 濾波器的規(guī)范（’none’）
// 直流項在頻域的位置（’rft’）
// 圖片的大小（Width,Height）

sub_image(GaussFilter1,GaussFilter2,Filter,1,0)
//兩圖片相減（灰度） 做減法
//sub_image(ImageMinuend, ImageSubtrahend : ImageSub : Mult, Add : )
//g’ := (g1 - g2) * Mult + Add
//以上為函數(shù)原型以及運(yùn)算公式
(Enhance the scratches by filtering in the frequency domain
在頻域中通過濾波增強(qiáng)劃痕)

3* Perform the convolution in the frequency domain
//在頻域執(zhí)行卷積
rft_generic (Image, ImageFFT, ‘to_freq’, ‘none’, ‘complex’, Width)
convol_fft (ImageFFT, Filter, ImageConvol)
rft_generic (ImageConvol, ImageFiltered, ‘from_freq’, ‘n’, ‘real’, Width)

rft_generic(Image,ImageFFT,’to_freq’,’none’,’complex’,Width)
//對計算一幅圖片實部進(jìn)行快速傅里葉變換

//參數(shù)說明： 輸入的圖片（Image）
// 傅里葉變換后輸出的圖片（ImageFFT）
// 變換方向（’to_freq’或’from_freq’）
// 變換因子的規(guī)范（’none’）
// 輸出圖片的數(shù)據(jù)類型（’complex’）
// 圖片的寬（Width）

convol_fft(ImageFFT,Filter,ImageConvol)
//對圖片用一個濾波器在頻域進(jìn)行卷積運(yùn)算

//參數(shù)說明： 輸入的圖片（ImageFFT）
// 頻域濾波器（Filter）
// 運(yùn)算后輸出的結(jié)果
rft_generic(ImageConcol,ImageFiltered,’from_freq’,’n’,’real’,Width)

//對濾波后的圖片進(jìn)行傅里葉反變換

4* Process the filtered image

處理已過濾的圖像

gray_range_rect (ImageFiltered, ImageResult, 10, 10)

min_max_gray (ImageResult, ImageResult, 0, Min, Max, Range)

gray_range_rect(ImageFiltered,ImageResult,10,10)
//用一個矩形掩膜計算像素點(diǎn)的灰度范圍
//參數(shù)說明： 輸入的圖片（ImageFiltered）
// 輸出的灰度范圍圖（ImageResult）
// 矩形掩膜大小（10,10）

min_max_rect(ImageResult,ImageResult,0,Min,Max,Range)
//判斷區(qū)域內(nèi)灰度值的最大和最小值

//參數(shù)說明： 待分析圖片區(qū)域（ImageResult）
// 圖片（ImageResult）
// 被去除的直方圖兩邊像素點(diǎn)所
// 占總像素數(shù)的百分比（0）
// 得到的最小值最大值及灰度值范圍（Min,Max,Range）

threshold (ImageResult, RegionDynThresh, max([5.55,Max * 0.8]), 255)
connection (RegionDynThresh, ConnectedRegions)
select_shape (ConnectedRegions, SelectedRegions, ‘a(chǎn)rea’, ‘a(chǎn)nd’, 4, 99999)
union1 (SelectedRegions, RegionUnion)
closing_circle (RegionUnion, RegionClosing, 10)
connection (RegionClosing, ConnectedRegions1)
select_shape (ConnectedRegions1, SelectedRegions1, ‘a(chǎn)rea’, ‘a(chǎn)nd’, 10, 99999)
area_center (SelectedRegions1, Area, Row, Column)

例程：detect_indent_fft.hdev

說明：針對的檢測表面很多是具有一定紋理的比如：布匹、皮革、塑料等的針孔瑕疵檢測。

這個程序展示了如何利用快速傅里葉變換（FFT）對塑料制品的表面進(jìn)行目標(biāo)（缺陷）的檢測，大致分為三步：

首先，我們用高斯濾波器構(gòu)造一個合適的濾波器（將原圖通過高斯濾波器濾波）；

然后，將原圖和構(gòu)造的濾波器進(jìn)行快速傅里葉變換；

最后，利用形態(tài)學(xué)算子將缺陷表示在濾波后的圖片上（在缺陷上畫圈）。

算法講解：在實際的表面缺陷檢測系統(tǒng)中，針對的檢測表面很多是具有一定紋理的比如：布匹、皮革、塑料等，針對這一類表面的檢測就不能單純依靠幀差或者背景差來完成，因為背景的紋理不可能和當(dāng)前圖像的紋理完全相同。因此，本例程的算法通過將圖像變換到頻域進(jìn)行處理，提取缺陷分量后反變換到時域，獲得缺陷的具體位置。

高斯濾波器：在本算法中，在一開始就構(gòu)造了兩個高斯濾波器，高斯濾波器是一種線性平滑濾波器，適用于消除高斯噪聲。濾波器的實質(zhì)是對信號進(jìn)行濾波，濾除不需要的部分，得到想要的部分。一個低通的濾波器可以濾除高頻信號，對于圖像來說，噪聲和邊緣往往集中在高頻分量，因此低通能夠降噪，但是也能造成圖像的模糊。

本文關(guān)鍵：本文的關(guān)鍵就是使用兩個低通濾波器，進(jìn)行相減后構(gòu)造了一個帶阻濾波器來提取缺陷分量。這就需要保證在實際的待檢測表面中缺陷所處的頻率范圍要和背景以及噪聲有明顯的差異，并且?guī)ё璧念l率選擇要合適。通過帶阻濾波后獲得的頻率成分對背景中的紋理要有明顯的抑制，并且突出缺陷成分，進(jìn)行傅里葉反變換后重構(gòu)的圖像就是缺陷圖像，經(jīng)過簡單的分割就能很容易得到缺陷了。

• Enhance the scratches by filtering in the frequency domain

*在頻域中通過濾波增強(qiáng)劃痕

1*構(gòu)造濾波器
gen_sin_bandpass( : ImageFilter : Frequency, Norm, Mode, Width, Height : )
產(chǎn)生帶正弦形態(tài)的帶通濾波器

gen_sin_bandpass (ImageBandpass, 0.4, ‘none’, ‘rft’, Width, Height)

//參數(shù)說明： 帶通濾波器（ImageBandpass）
// 濾波器最大距離（0.4）
// 濾波器常規(guī)因子 (none)
// 頻率譜中心位置（rft）
// 圖像的寬、高（Width，Height）

3* Perform the convolution in the frequency domain

//在頻域執(zhí)行卷積

rft_generic (Image, ImageFFT, ‘to_freq’, ‘none’, ‘complex’, Width)

convol_fft (ImageFFT, Filter, ImageConvol)

rft_generic (ImageConvol, ImageFiltered, ‘from_freq’, ‘n’, ‘real’, Width)

rft_generic(Image,ImageFFT,’to_freq’,’none’,’complex’,Width)
//對計算一幅圖片實部進(jìn)行快速傅里葉變換

//參數(shù)說明： 輸入的圖片（Image）
// 傅里葉變換后輸出的圖片（ImageFFT）
// 變換方向（’to_freq’或’from_freq’）
// 變換因子的規(guī)范（’none’）
// 輸出圖片的數(shù)據(jù)類型（’complex’）
// 圖片的寬（Width）

convol_fft(ImageFFT,Filter,ImageConvol)
//對圖片用一個濾波器在頻域進(jìn)行卷積運(yùn)算

//參數(shù)說明： 輸入的圖片（ImageFFT）
// 頻域濾波器（Filter）
// 運(yùn)算后輸出的結(jié)果
rft_generic(ImageConcol,ImageFiltered,’from_freq’,’n’,’real’,Width)

//對濾波后的圖片進(jìn)行傅里葉反變換

這個例子是檢查劃痕的，感覺是金屬表面劃痕

calculate_lines_gauss_parameters( : : MaxLineWidth, Contrast : Sigma, Low, High)

？

1*將圖片RGB圖像分為GRG三個通道的圖像

decompose3(MultiChannelImage : Image1, Image2, Image3 : : )

decompose3 (Image, R, G, B)

2*

gen_gauss_filter (ImageGauss, 100, 100, 0, ‘n’, ‘rft’, Width, Height)

生成高斯濾波器

‘n’=’none’

(Enhance the scratches by filtering in the frequency domain

在頻域中通過濾波增強(qiáng)劃痕)

• Perform the convolution in the frequency domain

//在頻域執(zhí)行卷積

rft_generic (Image, ImageFFT, ‘to_freq’, ‘none’, ‘complex’, Width)

convol_fft (ImageFFT, Filter, ImageConvol)

rft_generic (ImageConvol, ImageFiltered, ‘from_freq’, ‘n’, ‘real’, Width)

rft_generic(Image,ImageFFT,’to_freq’,’none’,’complex’,Width)
//對計算一幅圖片實部進(jìn)行快速傅里葉變換

//參數(shù)說明： 輸入的圖片（Image）
// 傅里葉變換后輸出的圖片（ImageFFT）
// 變換方向（’to_freq’或’from_freq’）
// 變換因子的規(guī)范（’none’）
// 輸出圖片的數(shù)據(jù)類型（’complex’）
// 圖片的寬（Width）

convol_fft(ImageFFT,Filter,ImageConvol)
//對圖片用一個濾波器在頻域進(jìn)行卷積運(yùn)算

//參數(shù)說明： 輸入的圖片（ImageFFT）
// 頻域濾波器（Filter）
// 運(yùn)算后輸出的結(jié)果
rft_generic(ImageConcol,ImageFiltered,’from_freq’,’n’,’real’,Width)

//對濾波后的圖片進(jìn)行傅里葉反變換

sub_image(ImageMinuend, ImageSubtrahend : ImageSub : Mult, Add : )

sub_image (B, ImageFFT1, ImageSub, 2, 100)

//兩幅圖片做減法

zoom_image_factor(Image : ImageZoomed : ScaleWidth, ScaleHeight, Interpolation : )

zoom_image_factor (ImageSub, ImageZoomed, ScaleFactor, ScaleFactor, ‘constant’)

//將圖片按照給定的圖像比例進(jìn)行縮放

在模糊圖像中

印痕/水痕 一類的缺陷檢測

在高紋理物體上做缺陷檢測

get_image_size (Image, Width, Height)

gen_gauss_filter (ImageGauss, 50, 50, 0, ‘n’, ‘rft’, Width, Height)

rft_generic (Image, ImageFFT, ‘to_freq’, ‘none’, ‘complex’, Width)

convol_fft (ImageFFT, ImageGauss, ImageConvol)

rft_generic (ImageConvol, IlluminationImage, ‘from_freq’, ‘none’, ‘byte’, Width)

sub_image (B, ImageFFT1, ImageSub, 2, 100)

（Sng 返回返回參數(shù)的正負(fù)。語法Sgn(number)， number 參數(shù)是任何有效的數(shù)值表達(dá)式。返回值如果數(shù)字大于0，則Sgn 返回1，數(shù)字等于0，則返回0，數(shù)字小于0，則返回-1，數(shù)字參數(shù)的符號決定了Sgn 函數(shù)的返回值。）

• median filter smooths out the fine texture, simplifying the following * segmentation and final detection of defects

*中值濾波平滑的質(zhì)地優(yōu)良，簡化如下

*缺陷的分割和最終檢測

median_image (ImageSub, ImageMedian, ‘circle’, 9, ‘mirrored’)

watersheds_threshold (ImageMedian, Basins, 20)

后期尋找：

cooc_feature_image (Basins, ImageMedian, 6, 0, Energy, Correlation, Homogeneity, Contrast)

tuple_find (sgn(Energy - 0.05), -1, Indices)

select_obj (Basins, Defects, Indices + 1)

總結(jié)

以上是生活随笔為你收集整理的Halcon表面缺陷检测的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。