第六章-缺陷检测关于缺陷检测回顾工业视觉的任务常见的缺陷与对应算法常见的缺陷有:对象轮廓凸凹不平 非曲面轮廓的: 凸点斜光打亮,凹点垂直光打暗曲面轮廓的:对象内部污点、内部凸凹点、瑕疵点、空洞和破损等对象表面划痕 打光,采用低角度环形光 & 同轴光总结:检测缺陷的几个方法如下打光,光的角度光源选型,如波长图像处理算法: blob分析+特征检测blob分析+特征检测+差分频
摘要缺陷检测是视觉需求中难度最大一类需求,主要是其稳定性和精度的保证。首先常见缺陷:凹凸、污点瑕疵、划痕、裂缝、探伤等。 缺陷检测算法不同于尺寸、二维码、OCR等算法。后者应用场景比较单一,基本都是套用一些成熟的算子,所以门槛较低,比较容易做成标准化的工具。而缺陷检测极具行业特点,不同行业的缺陷算法迥然不同。随着缺陷检测要求的提高,机器学习深度学习也成了缺陷领域一个不可或缺的技术难点。
* 这个例子检查瓶口缺陷, * 首先找到瓶口,找瓶口的方法就通过自动阈值,然后进行圆拟合 *边缘检测,找到边缘之后缩小圆,找到瓶口这一个圆带状图像 *把圆带拉抻变换成长方形,这样其实是为了使用平均值滤波,把窗口的设置为【500,3】大小,这样就可以把垂直方向的差异提取出来 *然后再通过dyn_threshold找出差异位置,计算连通域,然后再找出连通域高度大于9的,如果有,就认为包含缺陷,如果没有
转载 2024-06-13 16:41:59
855阅读
引言机器视觉中缺陷检测分为一下几种:blob分析+特征模板匹配(定位)+差分光度立体:halcon——缺陷检测常用方法总结(光度立体) - 唯有自己强大 -特征训练测量拟合频域+空间域结合:halcon——缺陷检测常用方法总结(频域空间域结合) - 唯有自己强大 -深度学习本篇主要总结一下缺陷检测中的定位+差分的方法。即用形状匹配,局部变形匹配去定位然后用差异模型去检测缺陷。模板匹配(定位)+差分
转载 2024-05-06 07:48:33
911阅读
1.缺陷分类:  边缘凹凸、毛刺  内部污点、内部凹凸、特定空洞、破损  划痕(一般用低角度环形光和同轴光源)    凸点一般用带角度的光源斜着打,背景打亮,凸点打暗。    凹点一般用平行光从上往下打,背景打亮,凹点打暗。2.缺陷处理的方式:  Blob+区域特征:cheak_blister.hdev(检测胶囊缺失和错误)  Blob+区域特征+差分:fin.hdev(边缘凸起的检测)  频域+
In the reference manual,operator signatures are visualized in the following way:  operator ( iconic input : iconic output : control input : control output ) 在HALCON所有算子中,变量皆是如上格式,即:图像输入:图像输出:控制输
本程序演示了使用光度立体技术对皮革样品的检查。 *输入4张皮革样本的图片,光线来自不同的方向。初始化 dev_update_off () dev_close_window () dev_open_window (0, 0, 640, 480, ‘black’, WindowHandle) *打开窗口 set_display_font (WindowHandle, 14, ‘mono’, ‘true
目录前言一、准备1、准备缺陷检测所需图片1.1、images文件夹:3种类型图片1.2、divisionImages文件夹:3种类型图片(用于分割背景)二、编写代码1、设置输入输出路径2、设置参数3、处理图片、拆分4、预处理数据集5、测试三、下载地址 前言最近学习深度学习时的一些总结和看法,参照深度学习的自带案例(segment_pill_deep_learning_1_preprocess.h
1.首先简单介绍一下Halcon开发:        HALCON是德国MVtec公司开发的一套完善的标准的机器视觉算法包,拥有应用广泛的机器视觉集成开发环境。它节约了产品成本,缩短了软件开发周期——HALCON灵活的架构便于机器视觉,医学图像和图像分析应用的快速开发。在欧洲以及日本的工业界已经是公认具有最佳效能的Machine Vision软件。Halco
简介:检测暗色图像中的色差故障,展示了如何检测模糊图像中的不均匀色差缺陷,选择缺陷·为·黑色部分初始化 dev_close_window () dev_update_off () *这一句包含如下三个算子:*dev_updata_pc(‘off’)关闭更新程序计数器 *dev_updata_var(‘off’)关闭更新变量窗口 *dev_updata_window(‘off’) 关闭更新图像窗口
# Halcon深度学习标注实现指南 随着深度学习的快速发展,越来越多的视觉识别任务依赖于机器学习Halcon作为一种视觉开发工具,其深度学习模块为我们提供了丰富的功能来进行深度学习标注。本文将为您详细介绍如何利用Halcon实现深度学习标注的流程,并提供相关代码和说明。 ## 流程步骤 以下是Halcon深度学习标注实现的主要流程: | 步骤 | 描述 | |------|------
原创 10月前
191阅读
# Halcon 深度学习标注指南 在计算机视觉和深度学习领域,Halcon 是一个强大的工具,能帮助用户进行高效的图像处理和分析。在本教程中,我们将逐步学习如何在 Halcon 中实现深度学习标注。无论你是刚入行的小白,还是想要提升自己技能的开发者,这篇文章都会对你有所帮助。 ## 过程概述 以下是我们实现 Halcon 深度学习标注的流程: | 步骤 | 描述
# Halcon 深度学习标注:基础与实例 随着人工智能和深度学习技术的迅猛发展,深度学习在计算机视觉领域的应用愈发广泛。而 Halcon 作为一款强大的机器视觉开发工具之一,其深度学习标注能力为我们在图像分析中的高效处理提供了极大的便利。本篇文章将简单介绍 Halcon 深度学习标注的基本概念,并通过具体代码示例帮助读者更好地理解这一工具的使用。 ## 深度学习与图像标注 深度学习是一种基
原创 2024-10-16 05:51:23
128阅读
原标题:工业CT检测与计算机深度学习工业CT无损检测在孔隙率和裂纹检测方面有无可比拟的优势。由于工业生产条件的制约,工件缺陷难以避免。通常工件内部主要存在夹渣、气孔和裂纹等缺陷。这些缺陷在服役过程中不断演化,对工件的性能造成影响,最终使工件失效,缩短了工件的使用寿命,进而威胁机器的使用安全。通过工业CT无损检测技术,对工件内缺陷的形状、面积、位置了解的越清楚,对工件的可靠性评估就会越准确。目前的工
前言上几篇文章分别对比了Halcon深度学习分类模型的框架,例子的详细分析,以及在Mnist上的应用等。想必大家已经对Halcon深度学习的分类原理基本掌握,是不是有点兴奋?是不是想要在工业缺陷检测上小试牛刀?作为一名视觉工程师,当然按捺不住内心的激动,想要应用在平时传统算法检测需要费九牛二虎之力的产品检测上。那么接下来将会详细介绍Halcon 深度学习分类之工业缺陷检测流程。 说明:产品原图不方
一、傅里叶图像简介      频率特征是图像的灰度变化特征,低频特征是灰度变化不明显,例如图像整体轮廓,高频特征是图像灰度变化剧烈,如图像边缘和噪声。低频代表图像整体轮廓,高频代表了图像噪声,中频代表图像边缘、纹理等细节。1、具有一定纹理特征的图像,纹理可以理解为条纹,如布匹、木板、纸张等材质容易出现。 2、需要提取对比度低或者信噪比低的特征。 3、图像尺寸较大或者需
# 实现halcon瓶口缺陷检测深度学习教程 ## 简介 作为一名经验丰富的开发者,我将为你介绍如何使用halcon实现瓶口缺陷深度学习。这篇教程将帮助你快速入门并掌握相关技能。 ## 整体流程 首先,让我们来看一下整个实现过程的步骤: | 步骤 | 描述 | | --- | --- | | 1 | 数据收集与准备 | | 2 | 数据预处理 | | 3 | 构建深度学习模型 | | 4
原创 2024-07-02 05:52:35
48阅读
在当今计算机视觉领域,深度学习已成为图像处理的重要工具。尤其是在使用Halcon这类专业软件进行机器视觉任务时,标注数据的质量直接影响了最终模型的性能。然而,如何在Halcon中有效地进行深度学习标注,仍然是一个需要深入探讨的问题。 ### 问题背景 在工业自动化和生产线监控中,使用Halcon进行图像分析已成为一种常见的解决方案。假设我们在一个生产厂房中,需要识别产品的缺陷,以实现自动化质量
原创 7月前
156阅读
1.找到halcon标定板描述文件(后缀名是.descr),目录是:D:\Program Files\MVTec\HALCON-10.0\calib(具体的视个人安装位置所定)。 2.用“写字板”打开所需规格的标定板描述文件,这里强调一下:用“写字板”打开文件可以很清晰的看到里面描述的内容,如果用记事本打开的话,很混乱而且又很多字符无法识别。我这里需要制作6mm×6mm的标定板。 3.打开“c
# HALCON 深度学习标注工具 ## 导言 深度学习作为计算机视觉领域的热门技术,已经在许多应用中取得了重大突破。然而,一个常见的挑战是如何为深度学习算法准备标注数据。而HALCON作为一款强大的机器视觉开发工具,提供了一种便捷的深度学习标注工具,使得标注数据的准备变得简单和高效。 在本文中,我们将介绍HALCON深度学习标注工具的使用方法,并提供一些代码示例来帮助读者更好地理解。 #
原创 2023-12-08 04:41:36
574阅读
  • 1
  • 2
  • 3
  • 4
  • 5