halcon——缺陷檢測常用方法總結(模板匹配(定位)+差分)

唯有自己強大發表於2021-06-11

引言

機器視覺中缺陷檢測分為一下幾種:

本篇主要總結一下缺陷檢測中的定位+差分的方法。即用形狀匹配,區域性變形匹配去定位然後用差異模型去檢測缺陷。


 模板匹配(定位)+差分

?整體思路(形狀匹配):

  1. 先定位模板區域後,求得模板區域的座標,建立物品的形狀模板create_shape_model,注意把模板的旋轉角度改為rad(0)和rad(360)。
  2. 匹配模板find_shape_model時,由於物品的缺陷使形狀有區域性的改變,所以要把MinScore設定小一點,否則匹配不到模板。並求得匹配項的座標。
  3. 關鍵的一步,將模板區域仿射變換到匹配成功的區域。由於差集運算是在相同的區域內作用的,所以必須把模板區域轉換到匹配項的區域。
  4. 之後求差集,根據差集部分的面積判斷該物品是否有缺陷。

模板匹配(定位)+差分的方法主要用來檢測物品損壞,凸起,破洞,缺失,以及質量檢測等。

?halcon例程分析:


 1,印刷質量缺陷檢測(print_check.hdev)


 該例程用到了差異模型,將一個或多個影像同一個理想影像做對比,去找到明顯的不同。進而鑑定出有缺陷的物體。差異模型的優勢是可以直接通過它們的灰度值做比較,並且通過差異影像,比較可以被空間地加權。

變化模型檢測缺陷的整體思路:

  1. create_variation_model —— 建立一個差異模型
  2. get_variation_model —— 獲得差異模型
  3. train_variation_model —— 訓練差異模型
  4. prepare_variation_model —— 準備差異模型
  5. compare_variation_model —— 比較模型與例項
  6. clear_variation_model —— 清除差異模型
dev_update_off ()
* 選擇第1張影像建立形狀模板
read_image (Image, 'pen/pen-01')
get_image_size (Image, Width, Height)
dev_close_window ()
dev_open_window (0, 0, Width, Height, 'black', WindowHandle)
set_display_font (WindowHandle, 16, 'mono', 'true', 'false')
dev_set_color ('red')
dev_display (Image)
* 把我感興趣的區域摳出來,原則上範圍越小越好,因為這樣建立模板時干擾會少很多
threshold (Image, Region, 100, 255)
fill_up (Region, RegionFillUp)
difference (RegionFillUp, Region, RegionDifference)
shape_trans (RegionDifference, RegionTrans, 'convex')
dilation_circle (RegionTrans, RegionDilation, 8.5)
reduce_domain (Image, RegionDilation, ImageReduced)
inspect_shape_model (ImageReduced, ModelImages, ModelRegions, 1, 20)
gen_contours_skeleton_xld (ModelRegions, Model, 1, 'filter')
* 獲得摳圖區域的中心,這是參考點
area_center (RegionDilation, Area, RowRef, ColumnRef)
* 建立形狀模板
create_shape_model (ImageReduced, 5, rad(-10), rad(20), 'auto', 'none', 'use_polarity', 20, 10, ShapeModelID)* 建立變化模型(用於和缺陷比較)
create_variation_model (Width, Height, 'byte', 'standard', VariationModelID)
* 資料夾中前15張圖片是質量良好的,可以用來訓練模板
for I := 1 to 15 by 1
    read_image (Image, 'pen/pen-' + I$'02d')
     * 先尋找模板的例項
    find_shape_model (Image, ShapeModelID, rad(-10), rad(20), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)
    if (|Score| == 1)
        * 使用仿射變換,將當前影像平移旋轉到與模板影像重合,注意是當前影像轉向模板影像
        vector_angle_to_rigid (Row, Column, Angle, RowRef, ColumnRef, 0, HomMat2D)
        affine_trans_image (Image, ImageTrans, HomMat2D, 'constant', 'false')
         * 訓練差異模型
        train_variation_model (ImageTrans, VariationModelID)
        dev_display (ImageTrans)
        dev_display (Model)
    endif
endfor
* 獲得差異模型
get_variation_model (MeanImage, VarImage, VariationModelID)
* 做檢測之前可以先用下面這個運算元對可變模型進行設參,這是一個經驗值,需要除錯者調整
prepare_variation_model (VariationModelID, 20, 3)
dev_set_draw ('margin')
NumImages := 30
* 可變模板訓練完成後,我們終於可以進入主題,馬上對所有影像進行缺陷檢測,思想就是差分
for I := 1 to 30 by 1
    read_image (Image, 'pen/pen-' + I$'02d')
    * 要注意做差分的兩幅影像解析度相同,當然也需要通過仿射變換把待檢測的影像轉到與模板影像重合
       * 先尋找模板的例項
    find_shape_model (Image, ShapeModelID, rad(-10), rad(20), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)
    if (|Score| == 1)
         * 使用仿射變換,將當前影像平移旋轉到與模板影像重合,注意是當前影像轉向模板影像
        vector_angle_to_rigid (Row, Column, Angle, RowRef, ColumnRef, 0, HomMat2D)
        affine_trans_image (Image, ImageTrans, HomMat2D, 'constant', 'false')
        * 摳圖
        reduce_domain (ImageTrans, RegionDilation, ImageReduced)
        * 差分 (就是檢查兩幅影像相減,剩下的區域就是不同的地方了,與模板影像不同的地方就是缺陷)
       * 這裡可不能用difference做差分啊,halcon為變形模板提供了專門的差分運算元:compare_variation_model
        compare_variation_model (ImageReduced, RegionDiff, VariationModelID)
        connection (RegionDiff, ConnectedRegions)
        * 特徵選擇:用一些特徵來判斷這幅影像印刷是否有缺陷,這裡使用面積
       * 其實可以考慮利用區域面積的大小來判斷缺陷的嚴重程度,這裡就不過多討論了
        select_shape (ConnectedRegions, RegionsError, 'area', 'and', 20, 1000000)
        count_obj (RegionsError, NumError)
        dev_clear_window ()
        dev_display (ImageTrans)
        dev_set_color ('red')
        dev_display (RegionsError)
        set_tposition (WindowHandle, 20, 20)
        if (NumError == 0)
            dev_set_color ('green')
            write_string (WindowHandle, 'Clip OK')
        else
            dev_set_color ('red')
            write_string (WindowHandle, 'Clip not OK')
        endif
    endif
    if (I < NumImages)
        disp_continue_message (WindowHandle, 'black', 'true')
        stop ()
    endif
endfor
* 結語:如果發現前面作為訓練變形模板的良好影像也被判定為NG,
*      可以調整prepare_variation_model引數
*      或者調整select_shape特徵篩選的標準

 相關運算元分析:

  • create_variation_model(建立一個差異模型)
create_variation_model(Width, Height, Type, Mode ,ModelID)
//建立一個ID為ModelID,寬為Width,高為Height,型別為Type的差異模型引數

引數Mode決定了建立標準影像和相應的變化影像的方法。(可選三種方法)

  1. 'standard'表示標準的訓練方法,標準影像的位置是各訓練影像位置的平均,
  2. 'robust'表示魯棒的訓練方法,標準影像的位置是各訓練影像的中值,此模式在訓練影像中可能存在ERROR時使用,
  3. 'direct'表示標準影像由單張影像經過處理得到,由此方法得到的標準影像只能應用prepare_direct_variation_model運算元得到variation model。
  • get_variation_model(獲得差異模型)
get_variation_model(Image, VarImage ,ModelID  )
//返回差異模型中的標準影像(Image)和差異影像(VarImage),此運算元主要用來檢視建立的差異模型是否OK。
  • train_variation_model(訓練差異模型)
train_variation_model(Images, ModelID )
  • prepare_variation_model(準備差異模型)
prepare_variation_model( : : ModelID, AbsThreshold, VarThreshold : )
//設定variation model(差異模型)的絕對閾值和相對閾值。
  //絕對閾值即待檢測影像與標準影像的差值,
  //相對閾值即待檢測影像與variation model與VarThreshold乘積的差值。
  • compare_variation_model(比較模型與例項)
compare_variation_model(Image : Region : ModelID : )
//待檢測影像與variation model進行比較,超過閾值的區域在Rgion引數中返回。
同threshold一樣,返回的區域被看做一個區域,可以使用connection運算元進行連通性分析,然後根據區域的特徵(如面積)對區域進行選擇。

總結:

差異模型(Variation Model)使用標準影像與待檢測影像灰度值相比較,來判斷產品是否OK,適用於印刷品檢測及產品表面檢測

從實際演算法過程可以看出,此檢測實際可分為兩部分:

  • 對於影像中的大面積灰度一致區域,主要利用待檢測影像與標準影像(ideal image)比較得出差異區域,
  • 對於影像中的邊緣位置(edges)區域,主要利用待檢測影像與Variation影像(variation image)比較得出差異區域。

所以在實際應用中,應根據實際情況設定AbsThreshold和VarThreshold的值。


  2,檢測工件孔洞毛刺缺陷 - 區域性變形匹配(inspect_gasket_local_deformable.hdev)


 在日常工程應用中,我們通常通過halcon的形狀匹配(shape-based matching)進行各種定位,正如上篇例程,當待匹配物體有輕微變形時,並不影響得到的匹配結果,然後當待匹配物體有較大變形時,如塑料產品在成形時變形、紡織產品的花紋因為褶皺變形等,要想得到精確的定位結果就顯得捉襟見肘,如下圖所示,工件如果有較大變形,在用形狀匹配時,定位結果就不盡如人意,因為形狀匹配本身得到的匹配結果只是一個點(row,col)。

因此本篇例程使用了區域性變形匹配(local deformable matching),匹配結果可以根據待匹配物體自動進行變形。而且在這個案例中,create_variation_model (Width, Height, ‘byte’, ‘direct’, VariationModelID) 使用的方法是’direct’,因此是不需要訓練差異模型而可以直接使用的。

1️⃣讀入標準影像,建立差異模型以及匹配模板

*1.讀入影像
dev_update_off ()
dev_get_window (WindowHandle)
set_display_font (WindowHandle, 36, 'mono', 'true', 'false')
dev_set_draw ('margin')

read_image (ModelImage, 'gasket/gasket_model')
get_image_size (ModelImage, Width, Height)
read_image (Image, 'gasket/gasket_01')
*2.建立差異模型
create_variation_model (Width, Height, 'byte', 'direct', VariationModelID)
sobel_amp (ModelImage, EdgeAmplitude, 'sum_abs', 3)
*3.直接設引數+標準影像+邊緣幅度影像
prepare_direct_variation_model (ModelImage, EdgeAmplitude, VariationModelID, 20, 2)
*4.建立區域性變形匹配模板
create_local_deformable_model (ModelImage, 'auto', [], [], 'auto', 0.9, [], 'auto', 0.9, [], 'auto', 'none', 'use_polarity', 'auto', 'auto', [], [], ModelID)
get_deformable_model_contours (ModelContours, ModelID, 1)
area_center (ModelImage, Area, Row, Column)

標準影像:

 

這裡由於是用單幅影像建立的差異模型,因此引數Mode設定的’direct’,故不需要再去訓練,而是直接使用prepare_direct_variation_model (ModelImage, EdgeAmplitude, VariationModelID, 20, 2)得到差異模型。

2️⃣通過匹配模板將待檢測工件定位矯正

for Index := 1 to 7 by 1
     read_image (Image, 'gasket/gasket_' + Index$'02')
    get_image_size (Image, Width1, Height1)
    *5.查詢
    find_local_deformable_model (Image, ImageRectified, VectorField, DeformedContours, ModelID, rad(-10), rad(20), 1, 1, 1, 1, 0.93, 1, 0.7, 0, 0.4, ['image_rectified','vector_field','deformed_contours'], ['deformation_smoothness','expand_border','subpixel'], [25,0,1], Score, Row, Column)
    if (|Score| > 0)
        gen_warped_mesh_region (VectorField, MeshRegion, 25)
        gen_region_contour_xld (DeformedContours, EdgeRegion, 'margin')
        dilation_circle (EdgeRegion, RegionDilation, 2 * 25)
        intersection (RegionDilation, MeshRegion, RegionIntersection)
        dev_set_line_width (1)
        dev_set_color ('yellow')
        dev_display (Image)
        dev_display (RegionIntersection)
        Found[Index] := |Score|
        dev_set_line_width (2)
        dev_set_color ('green')
        dev_display (DeformedContours)
        * 7.注意:這裡顯示的是修正過的影像  
         dev_display (ImageRectified)
       endif

 待檢測影像:

區域性變形匹配定位:                                                                        矯正:

由於區域性變形模板匹配在尋找到影像(find_local_deformable_model)後是自動矯正的,因此我們可以省掉仿射變換的步驟了。

3️⃣通過差異模型差分得到缺陷工件

    *6.差分
    compare_variation_model (ImageRectified, Region, VariationModelID)
    connection (Region, ConnectedRegions)
*缺陷提取(特徵選擇,即面積大於60的定義為缺陷) select_shape (ConnectedRegions, SelectedRegions,
'area', 'and', 60, 99999) count_obj (SelectedRegions, Number) *顯示 if(Number>0) disp_message (WindowHandle, 'NG', 'image', 12, 12, 'red', 'false') else disp_message (WindowHandle, 'OK', 'window', 12, 12, 'magenta', 'false') endif dev_set_color ('red') dev_display (SelectedRegions) stop() endfor dev_update_on ()

 

 相關運算元分析:

  •  create_local_deformable_model(建立區域性變形匹配模板)
create_local_deformable_model(Template , NumLevels, AngleStart, AngleExtent, AngleStep, ScaleRMin, ScaleRMax, ScaleRStep, ScaleCMin,ScaleCMax, ScaleCStep, Optimization, Metric, Contrast, MinContrast, ParamName, ParamValue ,ModelID)

引數列表:
Template  //輸入多通道影像,用來建立model
NumLevels //金字塔層數:'auto', 0,1,2,3,。。。
AngleStart //輸入起始角度(預設-0.39)
AngleExtent//角度旋轉的範圍(預設0.79)
AngleStep //旋轉的步長,即解析度,預設’auto'
ScaleRMin//行方向的最小縮放比例,預設1.0,通常大於0小於1
ScaleRMax//行方向的最大縮放比例,預設1.0,通常大於1小於1.5
ScaleRStep//行方向的縮放步長,可影響行方向的解析度,預設'auto', 0.01,0.02,0.05,。。
ScaleCMin//
ScaleCMax//          列方向,同上
ScaleCStep//
Optimization//生成模型時的優化方式,預設'none'可選,'auto','point_reduction_XXX'
Metric//比較時候的標準,預設'use_polarity'使用極座標系進行比較
Contrast//在模板圖片的濾波或者磁滯濾波中,控制結果的對比度,預設'auto', 10, 20....
MinContrast//在搜尋物件過程中的最小對比度,預設'auto', 1, 2, 3, 5....
ParamName// 普通引數名字(不太清楚用途,後續研究)預設[], 'min_size','part_size'
ParamValue//引數值, 預設[], 可選'small', 'medium', big'
ModelID// 輸出的模型handle

 變形檢測用來檢測一個物件是否區域性變形,這個檢測模型在保持嚴格的基礎上允許一些細小的變形,和find_shape_model(在圖中找到相應圖形的最佳匹配)不同,create_local_deformable_model更加智慧化,它可以預估變形程度並且修正影像中物體的位置(物體相對於影像的相對位置),它可以處理更大的變形。

  • get_deformable_model_contours(得到區域性變形模板的輪廓)
get_deformable_model_contours( ModelContours , ModelID, Level )
//Level決定了返回第幾層金字塔影像的邊緣
  • find_local_deformable_model (在待匹配影像中尋找變形模板)
find_local_deformable_model(Image ,ImageRectified, VectorField, DeformedContours : ModelID, AngleStart, AngleExtent, ScaleRMin, ScaleRMax, ScaleCMin, ScaleCMax, MinScore, NumMatches, MaxOverlap, NumLevels, Greediness, ResultType, ParamName, ParamValue : Score, Row, Column)

引數列表:
Image
//輸入待匹配影像 ImageRectified //輸出匹配到的變形矯正後模板影像 VectorField//變形向量區 DeformedContours //匹配到的輪廓,不是矯正後的輪廓 ModelID//模型控制程式碼 AngleStart//起始角度 AngleExtent//角度範圍 ScaleRMin//行縮放最小比例 ScaleRMax//行縮放最大比例 ScaleCMin// ScaleCMax//列同上 MinScore//最小相似度 NumMatches//需要幾個最佳匹配結果 MaxOverlap//最大重疊數 NumLevels//金字塔層數 Greediness//貪婪度(範圍0-1,0表示精確緩慢,1表示迅速精度不高) ResultType//輸出的結果型別([], 'deformed_contours', 'image_rectified', 'vector_field') ParamName//引數名稱 Score//輸出匹配度 Row, Column//輸出行列座標

 這個函式的功能是在一張圖片中找到變形模型中的最佳匹配結果(可以是多個,由NumMatches輸入),模型必須在之前的步驟中使用(create_local_deformable_model或者read_deformable_model)生成。這個函式會返回找到的結果的行,列座標(Row, Column)作為輸出。

另外函式在找到匹配的模型後,輸出矯正後的影像(ImageRectified),向量區域(VectorField)和匹配到的輪廓(DeformedContours) 通過引數ResultType去選擇需要返回哪個(預設[],都不返回)。

ParamName可以調整引數的設定:(比如)
  1. deformation_smoothness:平滑的度,對於變形越大引數越大
  2. expand_border:擴大ImageRecfified VectorField 區域
  • gen_warped_mesh(生成變形網格,封裝函式)
gen_warped_mesh (VectorField, WarpedMesh, 10)
VectorField
// 輸入向量區域 WarpedMesh//輸出變形網格 10 //代表此函式隔10個畫素取值

 

 

相關文章