Halcon缺陷检测实例转OpenCV实现(一)---网格缺陷检测
Halcon缺陷检测实例转OpenCV实现(二)---PCB印刷缺陷检测
Halcon缺陷检测实例转OpenCV实现(三)---凸缺陷检测
Halcon缺陷检测实例转OpenCV实现(四)---同颜色药片缺陷检测
Halcon缺陷检测实例转OpenCV实现(五)---混合颜色药片缺陷检测
本期文章继续介绍缺陷检测专题的第六个案例，用OpenCV实现Halcon中一个瓶口缺陷检测的实例，前面案例链接如上↑↑↑。
Halcon中对应的例子为inspect_bottle_mouth.hdev，用于检测酒瓶瓶口是否出现破损等缺陷情形，检测效果如下：
(1) 正常情瓶口完整，无破损
(2) 异常情况包含不同情况的破损
Halcon实例主要步骤包含五步，分别是：
- 使用阈值处理和形态学粗定位品口位置；
- XLD轮廓拟合最近似的圆形区域作为瓶口的轮廓；
- 极坐标变换，转换到水平或垂直方向进行处理；
- 均值滤波图与原图做差分，根据阈值提取；
- 将绘制的缺陷部分通过反极坐标变换投影到原图上。
具体的实现代码大家有兴趣看下Halcon的实例代码，这里有几个重要步骤需要对比说明：
(1) 瓶口轮廓粗定位，OpenCV实现是根据瓶口部分区域为黑色且明显易于提取所以选择了HSV提取黑色轮廓的方法，然后通过计算轮廓的最小外接圆来近似，大部分效果还可以，如下：
但有一些情况圆边上多出一部分杂讯，如下：
Halcon中通过拟合圆算子可以过滤，OpenCV中需要自己写
(2) 所以，第一步和第二步这里直接同霍夫圆变换来替换(最重要的就是参数要设置合适)：
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)gray = cv2.medianBlur(gray,3)circles = cv2.HoughCircles(gray,cv2.HOUGH_GRADIENT,1,100,\ param1=200,param2=30,minRadius=150,maxRadius=500)
我测试了一下，16张测试图，效果都不错，暂时采用它。
x = circles[0][i][0] - circles[0][i][2]y = circles[0][i][1] - circles[0][i][2]w = h = 2 * circles[0][i][2]center = (circles[0][i][0], circles[0][i][1])radius = circles[0][i][2]
ROI = img[y:y+h,x:x+w].copy()cv2.imshow('ROI',ROI)trans_center = (center[0]-x, center[1]-y)polarImg = cv2.warpPolar(ROI,(300,600),trans_center,radius,cv2.INTER_LINEAR + cv2.WARP_POLAR_LINEAR)cv2.imshow('polarImg',polarImg)
变换前：
变换后：
(3) 均值滤波做差分，注意这里的均值滤波核大小，一般我们都是设置(3,3)或(5,5)等，这里物体垂直方向较长，参考Halcon例子中设置为(3, 501)，看效果：
blur = cv2.blur(gray,(3,501))cv2.imshow('blur',blur)diff = cv2.absdiff(gray,blur)cv2.imshow('diff',diff)cv2.imwrite("diff.png",diff)ret,thres = cv2.threshold(diff,55,255,cv2.THRESH_BINARY)thres = cv2.medianBlur(thres, 3)
contours2,hierarchy2 = cv2.findContours(thres, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)for cnt2 in contours2: (x2, y2, w2, h2) = cv2.boundingRect(cnt2)#print(x, y, w, h)13:1,(0,0,255),2) isNG = True
然后做差分，阈值处理，绘制轮廓：
(4) 反极坐标变换，结果投影到原图：
(5) 最后把ROI图贴到结果图中：
