Baumer工业相机堡盟工业相机如何联合NEOAPI SDK和OpenCV实现获取图像并对图像进行边缘检测（C++）

​

Baumer工业相机

Baumer工业相机堡盟相机是一种高性能、高质量的工业相机，可用于各种应用场景，如物体检测、计数和识别、运动分析和图像处理。

Baumer的万兆网相机拥有出色的图像处理性能，可以实时传输高分辨率图像。此外，该相机还具有快速数据传输、低功耗、易于集成以及高度可扩展性等特点。
​
Baumer工业相机NEOAPI SDK是用于Baumer工业相机的一款最新的软件开发工具包（SDK）。它为开发人员提供了一系列API和工具，用于与Baumer工业相机进行通信和控制，控制方式极为便捷类似Halcon的相机助手类控制方式。​

OpenCV，全称Open Source Computer Vision Library，是一个开源的跨平台计算机视觉与机器视觉库。该库提供了丰富的图像处理和计算机视觉算法，涵盖了图像处理、特征检测、目标识别、运动跟踪等多个领域，适用于各种平台，包括Windows、Linux、Android和iOS等。OpenCV是由英特尔公司发起并开放源代码，是计算机视觉领域中广泛应用的一种工具。

注意：本文是基于Baumer的NEOAPI SDK的基础上联合OpenCV使用C++语言来实现相机对图像进行边缘检测。

Baumer工业相机使用OpenCV对图像进行边缘检测的技术背景

工业相机使用OpenCV进行图像边缘检测时，涉及到以下技术背景：

1. 边缘检测算法：OpenCV中包含了许多经典的边缘检测算法，如Sobel、Canny、Laplacian等。这些算法可用于识别图像中的边缘区域，有助于提取出图像中重要的特征信息。

2. 图像梯度：边缘检测的核心思想是利用图像中像素之间的梯度变化来识别边缘。Sobel和Laplacian算子可以分别用于计算图像中的水平和垂直梯度，而Canny算法则结合多种技术实现更加精确的边缘检测。

3. 阈值处理：在边缘检测中，设置适当的阈值对梯度值进行处理是非常重要的。这有助于过滤掉噪声或非边缘区域的影响，从而提高边缘检测的准确度。

4. 实时性和效率：工业相机通常需要实时进行图像处理，因此在选择边缘检测算法时需要考虑其计算复杂度和实时性能。OpenCV提供了针对性能优化的边缘检测算法，适合工业相机实时应用的需求。

5. 应用场景：工业相机使用OpenCV进行边缘检测的应用场景包括产品质检、定位、测量等。通过边缘检测，可以有效提取并分析产品表面的特征，实现对产品的自动化检测和分析。

综上所述，工业相机使用OpenCV进行图像边缘检测时，需要深入理解边缘检测算法原理、图像梯度计算、阈值处理等技术背景知识，以实现对图像中边缘区域的准确提取和分析。

在NEOAPI SDK里使用OpenCV建立边缘检测功能

在相机连接后可以在NEOAPI SDK里使用OpenCV对建立边缘检测功能函数，C++调用代码如下所示：

#include 
#include 
#include 
#include 
#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/core/ocl.hpp"
#include "neoapi/neoapi.hpp"


class EdgeDetector {
 public:
    explicit EdgeDetector(NeoAPI::NeoString serialnumber) {
        camera_.Connect(serialnumber);
        camera_.f().ExposureTime.Set(2500);
        // cv mats will created by width and height -> there is no space for chunk -> disable chunk
        camera_.DisableChunk();
        try {
            camera_.f().PixelFormat.Set(NeoAPI::PixelFormat::BayerRG8);
        } catch (NeoAPI::FeatureAccessException&) {
            camera_.f().PixelFormat.Set(NeoAPI::PixelFormat::Mono8);
        }
        pixel_format_ = camera_.f().PixelFormat.Get();
        identifier_ = serialnumber;
    }

    ~EdgeDetector() {
        Stop();
        FreeCamBuffers();
    }

    // setups the edge detector to do processing with the requested type
    void Setup(MemoryMode memtype) {
        cv::ocl::setUseOpenCL(MemoryMode::cpu != memtype);
        if (cv::ocl::Device::getDefault().hostUnifiedMemory()) {  // do not use svm functions if this failes
            try {
                cv::ocl::Context::getDefault().setUseSVM(MemoryMode::shared == memtype);
            }
            catch(...) {
                memtype = MemoryMode::cpu;
                std::cout << "SVM Error: falling back to cpu memory!" << std::endl;
            }
        }

        SetupBuffers(3, memtype);
        camera_.SetUserBufferMode();
    }

    // single edge detection on a given image
    void Detect(const NeoAPI::Image& image, bool show_image) {
        cv::UMat *img_mat = &(image.GetUserBuffer<CamBuffer*>()->gpu_mat_);
        if (NeoAPI::PixelFormat::BayerRG8 == pixel_format_) {
            cv::cvtColor(*img_mat, grey_mat_, cv::COLOR_BayerRG2GRAY);
        } else {
            grey_mat_ = *img_mat;
        }
        cv::GaussianBlur(grey_mat_, gauss_mat_, cv::Size(5, 5), 0);
        cv::Sobel(gauss_mat_, sobel_mat_, sobel_mat_.depth(), 1, 1, 5);
        if (show_image) {
            cv::imshow(identifier_, sobel_mat_);
            cv::pollKey();
        }
        ++frames_;
    }

    // returns the number of processed images since last call
    size_t ProcessedFrames() {
        size_t ret = frames_;
        frames_ = 0;
        return ret;
    }

    // return the cameras serial number
    const cv::String& GetIdentifier() {
        return identifier_;
    }

    // starts a seperate thread that will do edge detection continouosly
    void Start(bool show_images) {
        run_ = true;
        detect_thread_ = std::thread(&EdgeDetector::Detect_, this, show_images);
    }

    // stops a previous started continouosly edge detection
    void Stop() {
        run_ = false;
        if (detect_thread_.joinable()) {
            detect_thread_.join();
        }
    }

 private:
    void FreeCamBuffers() {
        while (!buffers_.empty()) {
            delete buffers_.back();
            buffers_.pop_back();
        }
    }

    void SetupBuffers(size_t count, MemoryMode memtype) {
        int width = static_cast<int>(camera_.f().Width.Get());
        int height = static_cast<int>(camera_.f().Height.Get());
        FreeCamBuffers();
        for (size_t i = 0; i < count; ++i) {
            buffers_.push_back(new CamBuffer(width, height, memtype));
            camera_.AddUserBuffer(buffers_.back());
        }
        // allocate processing matrices because operations cannot run in place
        // some opencv versions use the wrong constructor -> create the mats objects with explicit memory type
        grey_mat_ = cv::UMat();
        gauss_mat_ = cv::UMat();
        sobel_mat_ = cv::UMat();
        grey_mat_.create(cv::Size(width, height), CV_8UC1, static_cast<cv::UMatUsageFlags>(memtype));
        gauss_mat_.create(cv::Size(width, height), CV_8UC1, static_cast<cv::UMatUsageFlags>(memtype));
        sobel_mat_.create(cv::Size(width, height), CV_8UC1, static_cast<cv::UMatUsageFlags>(memtype));
    }

    void Detect_(bool show_images) {
        try {
            while (run_) {
                NeoAPI::Image image = camera_.GetImage();
                if (image.IsEmpty()) {
                    std::cout << identifier_ << " Error during acquisition!" << std::endl;
                    break;
                } else {
                    Detect(image, show_images);
                }
            }
            if (show_images) {
                cv::destroyWindow(identifier_);
            }
        } catch (NeoAPI::NeoException& exc) {
            std::cout << identifier_ << " error: " << exc.GetDescription() << std::endl;
        } catch (cv::Exception& exc) {
            std::cout << identifier_ <<  "cv error:" << exc.msg << std::endl;
        }
    }

    NeoAPI::Cam camera_;
    std::vector<CamBuffer*> buffers_;
    cv::String identifier_;
    cv::UMat grey_mat_;
    cv::UMat gauss_mat_;
    cv::UMat sobel_mat_;
    std::thread detect_thread_;
    size_t frames_ {0};
    NeoAPI::PixelFormat pixel_format_;
    bool run_ {false};
};

在NEOAPI SDK里使用边缘检测功能对图像进行边缘检测

在相机连接后可以在NEOAPI SDK里使用前面设计的函数对图像进行边缘检测，C++调用代码如下所示：

#include 
#include 
#include 
#include 
#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/core/ocl.hpp"
#include "neoapi/neoapi.hpp"


void PrintMetrics(const std::vector<EdgeDetector*>& devices, size_t duration) {
    for (size_t secs = 0; secs < duration; ++secs) {
        std::this_thread::sleep_for(std::chrono::milliseconds(1000));  // print every second metrics
        for (auto device : devices) {
            std::cout << device->GetIdentifier() << " fps: " << device->ProcessedFrames() << std::endl;
        }
    }
}

void FindDevices(std::vector<EdgeDetector*> *devices) {
    for (auto device : NeoAPI::CamInfoList::Get()) {
        try {
            devices->push_back(new EdgeDetector(device.GetSerialNumber()));
        }
        catch (NeoAPI::NeoException& exc) {
            std::cout << exc.GetDescription() << std::endl;
        }
    }
    std::cout << devices->size() << " device(s) connected!" << std::endl;
}

void GetGpuCapabilities(std::map<MemoryMode, std::string> *memtypes) {
    (*memtypes)[MemoryMode::cpu] = "cpu";
    if (cv::ocl::haveOpenCL()) {
        (*memtypes)[MemoryMode::gpu] = "gpu";
        if (cv::ocl::Device::getDefault().hostUnifiedMemory()) {
            (*memtypes)[MemoryMode::shared] = "gpu with shared memory";
        }
    }
}

void RunDetection(const std::vector<EdgeDetector*> &devices,
                  const std::map<MemoryMode, std::string> &memtypes,
                  bool show_images) {
    if (devices.size()) {
        for (auto memtype : memtypes) {
            std::cout << "Next run will be processed on " << memtype.second << std::endl;
            for (auto device : devices) {
                device->Setup(memtype.first);
            }

            for (auto device : devices) {
                device->Start(show_images);
            }

            // run the detection for given time in seconds and print status informations
            PrintMetrics(devices, 5);

            for (auto device : devices) {
                device->Stop();
            }
        }
    }
}

void FreeDevices(std::vector<EdgeDetector*> *devices) {
    while (devices->size()) {
        delete devices->back();
        devices->pop_back();
    }
}

int main(int argc, char *argv[]) {
    /* Showing the images have a high impact on processing speed.
       For better comparision show_images should be disabled. */
    bool show_images = ((argc > 1) && argv);
    std::map<MemoryMode, std::string> memtypes;
    std::vector<EdgeDetector*> devices;

    // look if the gpu supports opencl and shared memory
    GetGpuCapabilities(&memtypes);

    // find all connected cameras
    FindDevices(&devices);

    // edge detection processing on all connected cameras
    RunDetection(devices, memtypes, show_images);

    // cleanup
    FreeDevices(&devices);

    return 0;
}

工业相机通过OpenCV对图像进行边缘检测的优势

工业相机通过OpenCV进行图像边缘检测具有多重优势，包括但不限于以下几点：

1. 丰富的算法支持：OpenCV提供了多种经典的边缘检测算法，如Sobel、Canny、Laplacian等，适用于不同场景下的边缘识别需求。这意味着工业相机可以根据特定应用选择最适合的算法，以获得最佳的边缘检测效果。

2. 高效的实时性能：OpenCV优化了多个边缘检测算法，使其在工业相机实时处理场景下表现出色。这意味着工业相机可以快速、准确地对图像进行边缘检测，适用于实时监控、自动化检测等应用。

3. 灵活的参数设置：OpenCV的边缘检测算法通常具有可调节的参数，如阈值、卷积核大小等，使得工程师可以根据具体场景和需求进行参数优化，以获得最佳的边缘检测结果。

4. 跨平台性和易用性：OpenCV是一个跨平台的开源库，可以在多种操作系统上运行，并提供易于使用的API和文档。这为工业相机的开发和部署提供了便利，同时也为算法调试和优化提供了支持。

5. 结合其他图像处理功能：OpenCV不仅提供边缘检测算法，还包含了丰富的图像处理功能，如滤波、形态学操作等。工业相机可以结合这些功能与边缘检测相互配合，实现更复杂的图像处理任务。

综上所述，工业相机通过OpenCV进行图像边缘检测具有丰富的算法支持、高效的实时性能、灵活的参数设置、跨平台性和易用性以及结合其他图像处理功能等多重优势，为工业检测和自动化生产等领域提供了强大的图像处理解决方案。

工业相机使用OpenCV对图像进行边缘检测的行业应用

工业相机使用OpenCV对图像进行边缘检测在各个行业都有广泛的应用，包括但不限于以下几个方面：

1. 制造业：工业相机结合OpenCV的边缘检测功能可用于产品质量检测、表面缺陷检测、尺寸测量等领域。通过边缘检测，可以快速准确地识别产品表面的特征和缺陷，实现自动化的质量控制。

2. 智能制造：在智能制造领域，工业相机通过OpenCV进行边缘检测可应用于视觉导航、自动化装配等场景，帮助机器人和自动化生产线实现精确定位和操作。

3. 医疗影像分析：工业相机与OpenCV结合可用于医学影像的边缘特征提取和分析，辅助医生进行疾病诊断和治疗。

4. 智能交通：在智能交通领域，工业相机通过OpenCV实现的边缘检测可用于车辆识别、行人检测、交通监控等任务，提高交通系统的智能化和安全性。

5. 农业领域：工业相机结合OpenCV的边缘检测应用于农业领域的果蔬质量检测、病虫害检测、作物生长监测等领域。

6. 安防监控：工业相机通过OpenCV进行边缘检测可应用于安防监控领域，如人脸识别、行为分析等，帮助提高监控系统的准确性和效率。

综上所述，工业相机使用OpenCV对图像进行边缘检测在制造业、智能制造、医疗、智能交通、农业和安防监控等多个行业领域都具有重要的应用价值，为这些领域提供了高效的图像处理和分析解决方案。