基于opencv的工件缺陷检测C++和python实现
作为研究生，每一个项目都很重要，这里给大家分享一个好入门项目，代码纯自己写，网上都是python的，但是有些企业要求C++编写项目，所以希望大家能学到东西。
一. 问题陈述
工件的展示，这是一个视频，然后工件一个个经过，要检测出哪个工件有缺陷，并且分类缺陷的种类。可以看到缺陷是不止一种。
二. 代码步骤
1.读取图像，转为灰度图并二值化
cvtColor(img, gray, COLOR_BGR2GRAY);
threshold(gray, thresh, 127, 255, THRESH_TOZERO_INV);、
2.寻找轮廓
std::vector<vec4i> hireachy;
std::vector<std::vector<point>> contours;
findContours(thresh, contours, hireachy, RETR_LIST, CHAIN_APPROX_NONE);
</std::vector<point></vec4i>
3.遍历轮廓，对工件圈进行统计，防止重复标记
原理是计算图像矩，可以确定图像的灰度中心，根据每个时刻每个工件的中心位置的变换，可以判断画面里是否出现新的工件。同时，也要记得更新每个时刻每个工件的位置。具体代码实现可以参考完整工程文件。这里贴出部分：
for (size_t cnt = 0; cnt < contours.size(); cnt++)
{
double area = contourArea(contours[cnt]); //求轮廓面积(大约的)
if (area > 18000 & area < 28000) //把工件圈出来
{
mu[cnt] = moments(contours[cnt], false); //计算图像矩，表示工件的位置
//计算图像质心位置
double cx = mu[cnt].m10 / mu[cnt].m00;
double cy = mu[cnt].m01 / mu[cnt].m00;
boundRect[cnt] = boundingRect(Mat(contours[cnt])); //计算外接矩形
new_object = true;
//通过质心位置判断视频出现的工件是否是最新的
if (cx > 100) //工件要全部出现
{
if (products.size() > 0) //判断出现的工件是不是新的
{
for (size_t i = 0; i < products.size(); i++)
{
//存在一个
if (fabs(cx - products[i].getX()) <= 35 && fabs(cy - products[i].gety()) <="35)" { new_object="false;" 更新位置参数 products[i].updatecoords(cx, cy, boundrect[cnt].x, boundrect[cnt].y, boundrect[cnt].width, boundrect[cnt].height); } if (new_object="=" true) product p(pid, cx, p.save_pic(img); products.emplace_back(p); p.count="pid;" defects="p.defect_detect();" 缺陷检测 pid +="1;" 圈出来 rectangle(img, boundrect[cnt].tl(), boundrect[cnt].br(), scalar(0, 0, 255), 2, 8, 0); code></=>
效果是这样：
4.遍历轮廓，把工件圈出来，顺便保存调试，如下图。圈出来的原理也不难，其实就是通过函数
boundRect[cnt] = boundingRect(Mat(contours[cnt]));
计算外接矩形，就可以获得矩形的左上角和右下角坐标，就可以画了。效果如下：
5.对每个框进行缺陷提取，原理依然是轮廓检测加面积判断。效果如下：
6.缺陷类型判断，这里利用直方图统计。即统计0-255中每个像素的个数，根据个数，转为百分比，接着我们设定一个阈值，就可以判断出缺陷类型。部分代码：
//------------------------直方图计算
Mat hist;
//设定像素取值范围
int histSize = 256;
float range[] = {0, 256};
const float *histRanges = {range};
// hist索引为像素，值为像素点的个数
calcHist(&resul, 1, 0, Mat(), hist, 1, &histSize, &histRanges, true, false);
//-------------------------判断缺陷
float sum = 0;
for (int i = 0; i < 256; i++)
{
float bin_val = hist.at<float>(i); //遍历hist元素（注意hist中是float类型）
sum = sum + bin_val; //计算总的个数
}
// std::cout << "sum:"
// << sum << "\n";
//计算各个像素点的个数百分比
for (int i = 0; i < 256; i++)
{
if (hist.at<float>(i) > 0) //像素点个数大于0的时候
{
hist.at<float>(i) = hist.at<float>(i) / sum;
}
// std::cout << "hist:"
// << hist.at<float>(i) << "\n";
}
float hist_sum_scratch = 0;
float hist_sum_blot = 0;
for (int i = 90; i < 135; i++) //比较灰的
{
hist_sum_scratch = hist_sum_scratch + hist.at<float>(i);
}
std::cout << "hist_sum_scratch:"
<< hist_sum_scratch << "\n";
for (int i = 15; i < 90; i++) //比较黑的
{
hist_sum_blot = hist_sum_blot + hist.at<float>(i);
}
std::cout << "hist_sum_blot:"
<< hist_sum_blot << "\n";
if (hist_sum_scratch >= hist_sum_blot)
{
Defect d(1, boundRect[cnt].x, boundRect[cnt].y, boundRect[cnt].width, boundRect[cnt].height);
Result.emplace_back(d);
state = 1;
std::cout << "此处缺陷划痕"
<< "\n";
}
if (hist_sum_scratch < hist_sum_blot)
{
Defect d(2, boundRect[cnt].x, boundRect[cnt].y, boundRect[cnt].width, boundRect[cnt].height);
Result.emplace_back(d);
state = 2;
std::cout << "此处缺陷污渍"
<< "\n";
}
</float></float></float></float></float></float></float>
到此就可以完成啦!!!
三. 最终效果：
可以看到，会在终端打印相关消息
C++代码纯自己写，有多文件，花了一些时间总结，大家可以私信我拿代码
另外，也准备了python代码，需要的也可以私信我。
因为花费不少时间，所以希望大家给点报酬支持一下， 继续加油进入下一个实战项目分享。
————————————补充内容———————————
由于很多小伙伴下载代码之后不知道怎么使用这代码，今天就补充一下。首先，我们需要安装 opencv与dlib，参考下我的另外一篇文章：
ubuntu20+dlib19.22+0pencv4.5.0的机器视觉算法之路(一).
1.删除buiild文件夹里面的 所有文件
2.路径打开到build, 执行
cmake ..
3.接着
make
4.执行
./result
搞定，完结，欢迎大家来学习，当作自己的一个项目，或者可以进一步去扩展成其他东西，懂的都懂。
Original: https://blog.csdn.net/weixin_39735688/article/details/121364796
Author: 夏融化了这季节
Title: 工业缺陷检测项目实战(一)——基于opencv的工件缺陷检测C++实现
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/636689/
转载文章受原作者版权保护。转载请注明原作者出处！