题目描述 利用opencv或其他工具编写程序实现缺陷检测。
实现过程
# -*- coding: utf-8 -*- '''
作者 : 丁毅
开发时间 : 2021/4/21 15:30
''' import cv2 import numpy as np from PIL import Image, ImageDraw, ImageFont import matplotlib.pyplot as plt #用于给图片添加中文字符的函数 def cv2ImgAddText(img, text, left, top, textColor=(0, 255, 0), textSize=20): # 判断是否OpenCV图片类型 if (isinstance(img, np.ndarray)): img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)) # 创建一个可以在给定图像上绘图的对象 draw = ImageDraw.Draw(img) # 字体的格式 fontStyle=ImageFont.truetype("font/simsun.ttc",textSize, encoding="utf-8") # 绘制文本 draw.text((left, top), text, textColor, font=fontStyle) # 转换回OpenCV格式 return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR) # plt绘图显示中文 plt.rcParams['font.family'] = 'SimHei' img0 = cv2.imread(r"C:\Users\pc\Desktop\0.bmp") cv2.imshow('img', img0) # 彩色图转灰度图 img1 = cv2.cvtColor(img0, cv2.COLOR_BGR2GRAY) # 缺陷检测 for i in range(1, 6): defect_img0 = cv2.imread(r"C:\Users\pc\Desktop\%d.bmp"%i) # 获取灰度图像 defect_img1 = cv2.cvtColor(defect_img0, cv2.COLOR_BGR2GRAY) # 获取原图像的灰度直方图 hist0 = cv2.calcHist([img1], [0], None, [256], [0.0, 255.0]) # 获取待检测图像的灰度直方图 hist1 = cv2.calcHist([defect_img1], [0], None, [256], [0.0, 255.0]) # 为图像添加标题 plt.title("原图与待检测img%d对比"%i) # 添加图例 plt.plot(hist0, label='原图') plt.plot(hist1, label='待检测img%d'%i) # 相似度比较 rst = cv2.compareHist(hist0, hist1, method=cv2.HISTCMP_CORREL) # res >= 0.95即认为合格 cv2.imshow(str(i) + ".img", cv2ImgAddText(defect_img0, "合格" if rst >= 0.95 else "不合格", 20, 20, (255, 0, 0), 25)) # 设置x轴的数值范围 plt.xlim([0, 256]) plt.legend(loc='upper left') plt.show() cv2.waitKey(0)
运行结果
原图
检测1
检测2
检测3
检测4
检测5
问题及解决方法 1.获取原图的直方图 参考链接 方式： cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate ]])
- images：输入的图像
- channels：选择图像的通道
- mask：是一个大小和image一样的np数组，其中把需要处理的部分指定为1，不需要处理的部分指定为0，一般设置为None，表示处理整幅图像。
- histSize：使用多少个bin(柱子)，一般为256
- ranges：像素值的范围，一般为[0,255]表示0~255
该函数结果返回一个二维数组，该数组反应画面中亮度的分布和比例。
2.比较两个直方图的相似度 参考链接 方式： cv2.compareHist(H1, H2, method)
- H1：第一个直方图数组
- H2：第二个直方图数组（与第一个纬度相同）
- method：所使用的方式
该函数返回一个[0,1]的相似度值，值越接近一就表名相似度越高。
3.相似度参数微调 由于compareHist函数返回一个[0,1]的值，需要自己调整一个阈值来选取哪些合格，经过调整后，发现阈值取[0.90, 0.95]能够正确选取与实验的结果，代码中取的是0.95，即待检测图与原图之间的相似度如果小于0.95则不合格。
4.通过plot显示原图与待检测图的关系折线 参考链接 通过calcHist函数返回的hist数组值，运用matplotlib绘制原图和待检测图之间的关系折线图。对比两个曲线的差异。
