基于C++的OpenCV项目实战——零部件的自动光学检测

基于C++的OpenCV项目实战——零部件的自动光学检测

一、背景

首先任务背景是AOI(自动光学检测)

最重要的目的在于:将前景和物体进行分割与分类;

场景示意图:

基于C++的OpenCV项目实战——零部件的自动光学检测_第1张图片

需要注意,在螺母的传送带上,需要有前光和背光,给物体打光才能够拍摄清晰的图像;


二、基础知识

首先分为以下几步:

1、噪声抑制(预处理)

2、背景移除(分割)

3、二值化

4、连通域、轮廓查找算法


  • 降噪算法:

​ 先使用中值滤波对椒盐噪声进行过滤,再使用高斯滤波对物体边缘进行模糊;

  • 背景移除

    首先有两种方案可以实现背景移除,也就是减法和除法;

基于C++的OpenCV项目实战——零部件的自动光学检测_第2张图片

  • 连通图检测计数

    首先连通域类型分为4路连通和8路连通:

基于C++的OpenCV项目实战——零部件的自动光学检测_第3张图片

使用连通图检测算法,可以将不连通的每个物体都用不同颜色划分出来;


三、代码实现

1、实现多窗口展示

如果想要多张图像展示在一个窗口中,也就是实现拼接图片的操作,使用Python代码实现起来可能比较便捷,C++代码需要定义一个类,并且实际编写也比较繁琐;

class Display {
private:
	int cols, rows, width, height;
	String title;
	vector win_names;
	vector images;
	Mat canvas;
public:
	Display(String t, int c, int r, int flags) :title(t), cols(c), rows(r) {
		height = 1080;
		width = 1920;
		namedWindow(title, flags);
		canvas = Mat(height, width, CV_8UC3);
		imshow(title, canvas);
	}

	int add_window(String win_name, Mat image, bool flag = true) {
		win_names.push_back(win_name);
		images.push_back(image);
		if (flag) {
			draw();
		}
		return win_names.size();
	}
	
    // 实现删除窗口
	int delete_window(String win_name) {
		int index = 0;
		for (const auto& it : win_names) {
			if (it == win_name) break;
			index++;
		}
		win_names.erase(win_names.begin() + index);
		images.erase(images.begin() + index);

		return win_names.size();
	}

	void draw() {
		canvas.setTo(Scalar(20, 20, 20));
		int single_width = width / cols;
		int single_height = height / rows;
		int max_win = win_names.size() > cols * rows ? cols * rows : win_names.size();
		
		int i = 0;
		auto iw = win_names.begin();
		for (auto it = images.begin(); it != images.end()&&i multi_window;

int main(int argc, char** argv)
{

	// 实现多窗口
	String total_path = "imgpath";
	String background_path = "imgpath";

	Mat abc = imread(total_path, 0);

	multi_window = make_shared("Review for all", 3, 2, WINDOW_NORMAL);
	multi_window->add_window("ABC", abc);
	multi_window->add_window("ABCC", abc);
    multi_window->delete_window("ABC");		// 也支持删除窗口
	multi_window->draw();

	waitKey(0);
	return 0;
}

基于C++的OpenCV项目实战——零部件的自动光学检测_第4张图片


2、降噪处理

采用中值滤波+高斯滤波结合的降噪方法:

Mat get_background(const Mat& bg){
    Mat img;
    medianBlur(bg,img,3);
    GaussianBlur(bg,img,Size(3,3),0);
    return img;
}

Mat smoothen_img(const Mat& noise_img){
    Mat img;
    medianBlur(noise_img,img,5);
    GaussianBlur(img,img,Size(3,3),0);
    return img;
}

3、背景去除

分为两种方式,一种为减法,一种为除法;

Mat remove_background_divide(Mat image, Mat background) {
	Mat tmp;
	Mat fg, bg;
	image.convertTo(fg, CV_32F);
	background.convertTo(bg, CV_32F);
	tmp = 1 - (fg / bg);
	tmp.convertTo(tmp, CV_8U, 255);
	return tmp;
}

Mat remove_background_minus(Mat image, Mat background) {
	return background - image;
}

基于C++的OpenCV项目实战——零部件的自动光学检测_第5张图片

从结果图上看,使用除法的方式能更好的保留白色部分的信息,因此选用除法的方式;


4、连通图实现

对二值化后的图像进行连通域划分,并且用随机颜色绘制到Mask图上;

void connection_check(Mat image) {
	Mat labels;
	int num = connectedComponents(image, labels);
	if (num <= 1) {
		cout << "No stuff detect!!" << endl;
		return;
	}
	else
	{
		cout << num << " objects detected!!" << endl;
	}

	Mat display = Mat::zeros(image.rows, image.cols, CV_8UC3);
	for (int i = 1; i < num; i++) {
		Mat mask = (labels == i);
		display.setTo(random_color_generator(seed), mask);
	}
	multi_window->add_window("Segment", display);
}

基于C++的OpenCV项目实战——零部件的自动光学检测_第6张图片


5、计算连通域面积

OpenCV中也自带了对面积区域的计算:

void connection_heavy_check(Mat image) {
	Mat labels, stats, centroids;
	int num =connectedComponentsWithStats(image, labels, stats, centroids);
	if (num <= 1) {
		cout << "No stuff detect!!" << endl;
		return;
	}
	else
	{
		cout << num << " objects detected!!" << endl;
	}
	Mat display = Mat::zeros(image.rows, image.cols, CV_8UC3);
	for (int i = 1; i < num; i++) {
		// 得到连通域的质心点
		Point2i pt(centroids.at(i, 0), centroids.at(i, 1));
		// 打印标签和连通域坐标和面积
		cout << "Stuff #" << i << ", Position: " << pt << " ,Area: " << stats.at(i, CC_STAT_AREA) << endl;
		Mat mask = (labels == i);
		display.setTo(random_color_generator(seed), mask);
		stringstream ss;
		ss << stats.at(i, CC_STAT_AREA);
		putText(display, ss.str(), pt, FONT_HERSHEY_SIMPLEX, 0.5, Scalar(255, 255, 255), 2);
	}
	multi_window->add_window("Segment more", display);
}

基于C++的OpenCV项目实战——零部件的自动光学检测_第7张图片


6、轮廓检测

实现对物体轮廓的检测;

void get_contour(Mat image) {
	vector> contours;
	findContours(image, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
	Mat display = Mat::zeros(image.rows, image.cols, CV_8UC3);
	if (contours.size() == 0) {
		cout << "No contour detect!!" << endl;
		return;
	}
	else
	{
		cout << contours.size() << " contour detected!!" << endl;
	}
	for (int i = 0; i < contours.size(); i++) {
		drawContours(display, contours, i, random_color_generator(seed), 2);
	}
	multi_window->add_window("CONTOURS", display);
}

基于C++的OpenCV项目实战——零部件的自动光学检测_第8张图片

从上结果图可知,检测到的轮廓并不包含内部轮廓,如果想检测所有轮廓应该将findContours函数中的类型参数改为RETR_LIST即可;

四、总结

本次项目中涉及的技术点如下:

  • 多窗口展示
  • 背景去除
  • 连通图的实现
  • 轮廓边缘检测

并且在实际的C++代码中,还涉及了智能指针等高阶知识;

工业质检项目作为视觉领域较为成熟的落地项目,其大部分都是基于深度学习的方式实现了,但如果能掌握一些OpenCV的方法,也可以在项目中起到优化效果的作用;

你可能感兴趣的:(OpenCV,opencv,c++,算法,工业质检,计算机视觉)