halcon——缺陷檢測常用方法總結(頻域空間域結合)

唯有自己強大發表於2021-06-09

摘要

缺陷檢測是視覺需求中難度最大一類需求,主要是其穩定性和精度的保證。首先常見缺陷:凹凸、汙點瑕疵、劃痕、裂縫、探傷等。 缺陷檢測演算法不同於尺寸、二維碼、OCR等演算法。後者應用場景比較單一,基本都是套用一些成熟的運算元,所以門檻較低,比較容易做成標準化的工具。而缺陷檢測極具行業特點,不同行業的缺陷演算法迥然不同。隨著缺陷檢測要求的提高,機器學習和深度學習也成了缺陷領域一個不可或缺的技術難點。

總的來說,機器視覺中缺陷檢測分為一下幾種:

  • blob+特徵(官方示例surface_scratch.hdev)
  • blob+差分+特徵(官方示例pcb_inspection.hdev)
  • 光度立體
  • 特徵訓練
  • 測量擬合
  • 頻域+空間域結合
  • 深度學習

 頻域+空間域結合法

 頻域結合空間,其實頻域就是用波動觀點看世界,看問題角度變了,光經過鏡頭其實發生的是傅立葉變換,此思想在傅立葉光學上有所闡述,就像光經稜鏡分光,而光進入計算機內部,進行了取樣和量化,然後我們用函式f(x,y)來表示這些資料描述。影像處理應用傅立葉變換就是將空間域(影像本身)轉換至頻率域。傅立葉變換可以將一個訊號函式,分解一個一個三角函式的線性組合。由於任何周期函式都可以由多個正弦函式構成,那麼按照這個思想,影像由f(x,y)來表示,那麼這時你就可以拆成多個正弦函式構成,這樣每個正弦函式都有一個自己的頻率。

關於傅立葉的講解,可以詳看:傅立葉分析之掐死教程(完整版)更新於2014.06.06 - 知乎 (zhihu.com)

頻率特徵是影像的灰度變化特徵,低頻特徵是灰度變化不明顯,例如影像整體輪廓,高頻特徵是影像灰度變化劇烈,如影像邊緣和噪聲。一個重要的經驗結論:低頻代表影像整體輪廓,高頻代表了影像噪聲,中頻代表影像邊緣、紋理等細節。

?那麼什麼時候使用傅立葉變換進行頻域分析?

1)具有一定紋理特徵的影像,紋理可以理解為條紋,如布匹、木板、紙張等材質容易出現。 
2)需要提取對比度低或者訊雜比低的特徵。 
3)影像尺寸較大或者需要與大尺寸濾波器進行計算,此時轉換至頻域計算,具有速度優勢。因為空間域濾波為卷積過程(加權求和),頻域計算直接相乘。
?一般對於頻域處理的方法有三種:

  • 直接手畫ROI區域,然後paint_regio(噴黑)
  • 用濾波器(高通,低通,帶通),然後進行濾波處理
  • 呼叫power_real,對其進行blob分析。

?halcon相關案例分析:


 1,髒汙檢測(低通濾波,差分,線提取)


如下圖,在塑料薄膜上有一些線條型的髒汙,在空間域中向提取髒汙的區域是比較困難的(方格會影響空間域的二值化),所以我們就想到了在頻域中去處理它。

思路:

  • 用calculate_lines_gauss_parameters函式計算Sigma和高低閾值(為後續lines_gauss提取髒汙線痕做準備)
  • 讀入圖片,將B空間轉到頻域
  • 用高斯濾波器(低通濾波)進行濾波(即得到背景影像)
  • 差分(原圖——背景圖),銳化影像
  • 用lines_gauss提取髒汙線痕

* 根據要提取的線的最大寬度和對比度,計算Sigma和高低閾值
calculate_lines_gauss_parameters (43.5, [25,5], Sigma, Low, High)
read_image (Image, 'D:/1.png')
       * 這種髒汙的提取可以考慮在頻域中處理
       * 讓前景和背景分離,然後再提取髒汙的區域     
       * 彩色圖轉灰度 這裡拆通道更好,因為方格會影響髒汙的提取
       decompose3 (Image, R, G, B)
       get_image_size(B, Width, Height)
       * 空間域轉頻域
       fft_generic (B, ImageFFT, 'to_freq', -1, 'none', 'dc_center', 'complex')
       * 建立一個高斯濾波器/sigma越小濾波器越小,通過的訊號更加的集中在低頻,這樣做的目的是得到背景
       gen_gauss_filter (ImageGauss, 100, 100, 0, 'n', 'dc_center', Width, Height)
       * 頻域的乘法相當於空間域的卷積
       convol_fft (ImageFFT, ImageGauss, ImageConvol)
       * 頻域轉空間域
       fft_generic (ImageConvol, ImageFFT1, 'from_freq', 1, 'none', 'dc_center', 'byte')
       * 差分(原圖 — 背景)
       sub_image (B, ImageFFT1, ImageSub, 2, 100)
       * 提取髒汙的中心線      
       lines_gauss (ImageSub, Lines, Sigma, Low, High, 'dark', 'true', 'gaussian', 'true')
       dev_display (B)
       dev_display (Lines)

 ? 相關API引數:

  •  calculate_lines_gauss_parameters(根據線的最大寬度以及對比度計算出lines_gauss運算元輸入的Sigma、Low、High值)
calculate_lines_gauss_parameters( : : MaxLineWidth, Contrast : Sigma, Low, High)

  MaxLineWidth (input_control) // lines_gauss要提取線條的最大寬度
  Contrast (input_control)     //lines_gauss要提取線的對比度。
  Sigma (output_control)       //獲取用於lines_gauss輸入的Sigma值
  Low (output_control)         //獲取用於lines_gauss輸入的Low 值
  High (output_control)        //獲取用於lines_gauss輸入的High 值

關於Contrast 引數詳解:

Contrast 值不僅可以一個,也可以為兩個:

當只選擇一個值時,最小對比度將會預設為最大對比度的1/3,最小對比度越小,線條將會延伸到對比度較低的區域,即線條越長。反之,值越高,線條越短,但越突出。

當值為兩個時,陣列中的第二個值是要提取線的最小對比度,並且其值不能大於第一個值。比如:[20,10]

  • lines_gauss(提取影像上的線條,提取的結果屬於亞畫素精度的XLD輪廓)

lines_gauss(Image , Lines ,Sigma, Low, High, LightDark, ExtractWidth, LineModel, CompleteJunctions  )
Image (input_object)     //輸入影像
Lines (output_object)    //檢測線條(XLD)
Sigma (input_control)    //高斯濾波值
Low (input_control)      //滯後閾值分割的低閾值
High (input_control)     //滯後閾值分割的高閾值
LightDark (input_control)//提取線條的型別,暗色還是亮色,(’dark’, ‘light’)
ExtractWidth (input_control)      //是否提取線寬(‘false’,‘true’)
LineModel (input_control)         //用來調整線條位置和寬度的線模型(‘bar-shaped’, ‘gaussian’, ‘none’, ‘parabolic’)
CompleteJunctions (input_control) //在斷連的部分是否新增節點使線條連續(‘false’, ‘true’)

2,檢測表面微小凸起(高斯差分,灰度差,二值化)


如圖,對於處理這種細微的缺陷,也可使用頻域處理。

思路:

  • 使用兩個低通濾波器,進行相減後構造了一個帶阻濾波器來提取缺陷分量
  • 讀入影像,灰度化,轉頻域,進行濾波,轉回空間域
  • 在空間域上blob分析
  • 顯示

關鍵點:該例程的關鍵就是使用兩個低通濾波器,進行相減後構造了一個帶阻濾波器來提取缺陷分量。通過帶阻濾波後獲得的頻率成分對背景中的紋理要有明顯的抑制,並且突出缺陷成分,在頻域處理完成轉會空間域之後,又用了一個能擴大亮點區域的函式:gray_range_rect 輔助後面的二值化,最終完成了缺陷的檢測,這個函式可以說是點睛之筆。

dev_close_window ()
*1採集影像
read_image (Image, 'D:/1.png')
get_image_size (Image, Width, Height)
dev_open_window (0, 0, Width, Height, 'black', WindowHandle)
set_display_font (WindowHandle, 14, 'mono', 'true', 'false')
dev_set_draw ('margin')
dev_set_line_width (3)
dev_set_color ('red')
* 根據具體寬高,優化該影像的傅立葉變換速度(有此函式)
optimize_rft_speed (Width, Height, 'standard')
Sigma1 := 10.0
Sigma2 := 3.0
*形成高斯濾波器
gen_gauss_filter (GaussFilter1, Sigma1, Sigma1, 0.0, 'none', 'dc_center', Width, Height)
gen_gauss_filter (GaussFilter2, Sigma2, Sigma2, 0.0, 'none', 'dc_center', Width, Height)
*第一個濾波器減去第二個濾波器(形成帶通濾波器)
sub_image (GaussFilter1, GaussFilter2, Filter, 1, 0)
*2進行頻域濾波
    rgb1_to_gray (Image, Image)
    * 轉到頻域
    fft_generic (Image, ImageFFT, 'to_freq', -1, 'none', 'dc_center', 'complex')
    *濾波
    convol_fft (ImageFFT, Filter, ImageConvol)
    *返回空間域(實部)
   fft_generic (ImageConvol, ImageFiltered, 'from_freq',1, 'n', 'dc_center', 'real')
   *3空間域上的blob影像分割
    *原圖矩形內的灰度值範圍(max-min)作為輸出影像畫素值,擴大了亮的部分
    gray_range_rect (ImageFiltered, ImageResult, 10, 10)
    * 獲得影像最大灰度值和最小灰度值
    min_max_gray (ImageResult, ImageResult, 0, Min, Max, Range)
    *二值化提取( 5.55是經驗值,在除錯中得到)
    threshold (ImageResult, RegionDynThresh, max([5.55,Max * 0.8]), 255)
    select_shape (RegionDynThresh, SelectedRegions, 'area', 'and', 1, 99999)
    connection (SelectedRegions, ConnectedRegions)
    dev_display (Image)
    count_obj (ConnectedRegions, Number)
       for Index1 := 1 to Number by 1
              select_obj (ConnectedRegions, ObjectSelected, Index1)
              area_center (ObjectSelected, Area, Row, Column)
              gen_circle_contour_xld (ContCircle, Row, Column, 20, 0, 6.28318, 'positive', 1)   
              dev_display (ContCircle)
       endfor

 ? 相關API引數:

  • gray_range_rect(用一個矩形掩膜計算影像中最大最小灰度的差,並體現到每個影像點)
gray_range_rect( Image , ImageResult , MaskHeight, MaskWidth: )

引數列表:
Image(in//被計算灰度值的影像
ImageResult(out//包含灰度值的影像
MaskHeight(in//濾波器掩模的高度
MaskWidth(in//濾波器掩模的寬度

 效果如圖:在濾波後對影像進行 gray_range_rect (ImageFiltered, ImageResult, 10, 10)處理後(增強對比度,即亮部分):

  • min_max_gray(得到區域的最小值最大值及灰度值範圍)
min_max_gray( Regions, Image ,Percent , Min, Max, Range)

引數列表:
Regions(in//輸入區域
Image(in//灰度影像
Percent(in//小於(大於)絕對最大(最小)值的分數
Min(out)      //最小灰度值
Max(out//最大灰度值
Range(out//最小值與最大值的差
  •  gen_circle_contour_xld(建立圓或圓弧的XLD輪廓) 
gen_circle_contour_xld(ContCircle ,Row, Column, Radius, StartPhi, EndPhi, PointOrder, Resolution)

引數列表:
ContCircle(out//輸出輪廓
Row, Column(in//圓弧或圓的中心座標
Radius(in//圓弧或圓的半徑
StartPhi(in//圓或圓弧的起始角度
EndPhi(in//圓或圓弧的終止角度
PointOrder(in//輸入沿邊界的點序( 'negative'負序, 'positive'正序)
Resolution(in//相鄰輪廓點之間的距離(Resolution >= 0.00001)
  •  gen_gauss_filter(形成高斯濾波器(低通))
gen_gauss_filter(  GaussFilter,Sigma1, Sigma2, Phi, Norm, Mode, Width, Height )
引數列表: GaussFilter(
in/out//生成的高斯濾波器的控制程式碼 Sigma1(in//空域中高斯在主方向上的標準差 Sigma2(in//空域中高斯在垂直於主方向的方向上的標準差 Phi(in//濾波器主方向的角度(0.0) Norm(in//濾波器的規範(’none’) Mode(in// 直流項在頻域的位置(’rft’) Width, Height (in// 圖片的寬高

 ? 該例程通過兩個高斯濾波器相減,構建一個帶通濾波器,其函式GenGaussFilter為:,常用於紋理缺陷檢測

構建函式:GenGaussFilter(ImageFilter, Sigma1, Sigma2, Width, Height)

 gen_gauss_filter (GaussFilter1, Sigma1, Sigma1, 0.0, 'none', 'rft', Width, Height)
 gen_gauss_filter (GaussFilter2, Sigma2, Sigma2, 0.0, 'none', 'rft', Width, Height)
 sub_image (GaussFilter1, GaussFilter2, ImageFilter, 1, 0)
 return ()

 GenGaussFilter (ImageFilter, 2, 10, Width, Height)則是一個帶通濾波器(或者說“帶阻濾波器”)——先通過高反差保留讓中高頻通過,然後通過高斯模糊抑制高頻,最終的結果是讓中頻通過。


3,檢測磨砂表面的缺陷(高斯濾波差分,分水嶺,灰度共生矩陣)


 由於磨砂表面粗糙(噪點很多,影響二值化) 因此該例程使用了頻域高斯濾波差分後,在空間域的blob分析用了分水嶺域分割濾波後的影像,計算每個區域灰度共生矩陣,通過能量篩選缺陷。

dev_close_window ()
dev_update_off ()
read_image (Image, 'D:/1.png')
get_image_size (Image, Width, Height)
dev_open_window (0, 0, 640, 480, 'black', WindowHandle)
set_display_font (WindowHandle, 14, 'mono', 'true', 'false')
dev_set_draw ('margin')
dev_set_line_width (3)
dev_set_color ('red')
decompose3 (Image, R, G, B)
fft_generic (B, ImageFFT, 'to_freq', -1, 'sqrt', 'dc_center', 'complex')
gen_gauss_filter (ImageGauss, 50, 50, 0, 'none', 'dc_center', Width, Height)
convol_fft (ImageFFT, ImageGauss, ImageConvol)
fft_generic (ImageConvol, ImageBackground, 'from_freq', 1, 'sqrt', 'dc_center', 'byte')
* 影像減去背景,增加特徵與背景對比度
sub_image (B, ImageBackground, ImageSub, 2, 100)
* 中值濾波,為分水嶺域做準備
median_image (ImageSub, ImageMedian, 'circle', 9, 'mirrored')
watersheds_threshold (ImageMedian, Basins, 20)
* 缺陷部分是黑色的,灰度值小能量就小,所以根據能量可以將缺陷的區域篩選出來
cooc_feature_image (Basins, ImageMedian, 6, 0, Energy, Correlation, Homogeneity, Contrast)
Mask := Energy [<=] 0.05
select_mask_obj (Basins, Defects, Mask)
dev_display (Image)
dev_display (Defects)
count_obj (Defects, NDefects)
disp_message (WindowHandle, NDefects + ' \'mura\' defects detected', 'window', 12, 12, 'red', 'true')

 

 ? 相關API引數:

  • cooc_feature_image(計算影像的灰度共生矩陣)
cooc_feature_image(Regions, Image ,LdGray, Direction ,Energy, Correlation, Homogeneity, Contrast)

引數列表:
Regions(in//要檢查的區域。
Image (in//灰度影像。
LdGray(in//要區分的灰度值的數量。(預設6)
Direction (in//矩陣的計算方向('0','45','90','130','mean‘)
Energy(out//能量
Correlation(out//相關性
Homogeneity(out) //區域性均勻性
Contrast(out//對比度(反差)

  輸出引數詳解:

能量(Energy):是對影像紋理的灰度變化穩定程度的度量,反應了影像灰度分佈均勻程度和紋理粗細度。能量越大,表示灰度變化比較穩定,反映了紋理變化的均勻程度。。對於灰度圖來說,能量低說明灰度值低,對於彩色圖來說,能量低說明光強低。

相關性(Correlation):表示紋理在行或者列方向的相似程度。相關性越大,相似性越高。

區域性均勻性(Homogeneity):反映影像區域性紋理的變化量。值越大,表示影像區域性的變化越小。

(反差)對比度(Contrast):表示矩陣的值的差異程度,也間接表現了影像的區域性灰度變化幅度。反差值越大,影像中的紋理深淺越明顯,表示影像越清晰;反之,則表示影像越模糊。

  • watersheds_threshold(閾值分水嶺影像分割)
watersheds_threshold(Image ,Basins ,Threshold )

引數列表:
Image(in//輸入影像(最好先用中值濾波處理)
Basins(out//輸出二值影像(盆地)
Threshold(in//閾值

 運算元描述:

第一步:計算出分水嶺(不使用該引數Threshold ),分割的盆地和呼叫運算元watersheds得到的盆地是相同的
第二步:如果被一個分水嶺分割的相鄰盆地與對應分水嶺的高度差小於Threshold ,盆地依次合併。假設B1和B2分別是兩個相鄰盆地的最小灰度值,W是盆地對應分水嶺的最小灰度值。當滿足以下條件時,兩個盆地合併:max{W-B1,W-B2}<Threshold 。由此得到的盆地儲存在Basins 變數中。

 

相關文章