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。