OpenCV C++ 图像处理实战 ——《缺陷检测》

已于 2024-06-26 08:13:04 修改
阅读量2.4k 收藏 6
点赞数 2
CC 4.0 BY-SA版权
分类专栏： OpenCV图像处理、计算机视觉实战应用 文章标签： opencv c++ 图像处理
于 2023-10-28 11:06:47 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Zero___Chen/article/details/134088501
本文介绍了使用OpenCV C++ 实现基于模板匹配的印刷缺陷检测算法，涉及图像配准、多元模板图像处理、差异模型训练及阈值图像对比，通过源码展示了缺陷检测的完整流程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

OpenCV C++ 图像处理实战 ——《缺陷检测》

一、结果演示

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

二、缺陷检测算法

本案例将使用OpenCV C++ 进行PCB印刷缺陷检测。目前缺陷检测算法可分为两大类：
一：基于模板匹配的缺陷检测
二：基于深度学习的缺陷检测，主要利用目标检测去识别缺陷部分。
本文算法主要是基于模板匹配算法进行缺陷检测，参考《基于差异模型的印刷标签缺陷检测算法》一文，进行算法复现，感兴趣的朋友可以去阅读一下原文。

了解本专栏 订阅专栏 解锁全文
基于模板匹配的药瓶字符缺陷检测系统的MATLAB代码，分为图像预处理、多模板匹配、缺陷判断及结果展示四个部分
huanghm88的专栏
05-25 169
摘要：该MATLAB代码实现了一个分区域模板匹配的药瓶字符缺陷检测系统。系统通过图像预处理（尺寸统一、高斯滤波、直方图均衡化）后，将药瓶图像水平划分为左中右三个区域，采用归一化互相关算法分别进行模板匹配，通过设定阈值判断缺陷区域，并用红色矩形框标记异常位置。系统提供可视化三图对比（模板图/原始图/检测结果图）和文字缺陷报告，可通过调整匹配阈值控制检测灵敏度。代码适用于工业相机与手机拍摄图像的比对检测，建议实际使用时根据具体情况优化预处理参数和匹配阈值。
【全网独家】OpenCV C++ 图像处理实战：缺陷检测（代码+测试部署）
走向CTO的路上...
08-15 1780
缺陷检测是工业检测中的一个重要应用领域，广泛用于生产线上的产品质量控制。利用计算机视觉技术，可以快速、准确地识别产品表面的各种缺陷，如裂纹、划痕、气泡和污点等。OpenCV 是一个强大的计算机视觉库，提供了丰富的图像处理函数，适合用于工业缺陷检测。缺陷检测是一项复杂但非常有价值的任务，通过OpenCV可以有效地实现图像中的缺陷检测。本文介绍了缺陷检测的基本原理和流程，并提供了一个简单的代码示例来演示如何使用OpenCV进行缺陷检测。
opencv缺陷检测
whaosoft143ai的博客
06-17 2594
为了方便后面计算，也为了计数方便，我先定义了一个产品类型的结构体myproduct，里面包含外接Rect,质心cx,xy,还有对应索引index. 为了去除重复，每次计算每个轮廓的位置，再根据当前帧里面的所有产品坐标与上一帧图像中产品里面的坐标进行对比，如果有两个产品在上下两帧中偏移的距离很小，那么我们可以认为它是同一件产品，否则就是新出现的产品，就需要放入我们的product容器里面，这其实在实际抓拍检测过程中，比较常用的去重方法：​​​​​​​。我们看一下这个函数的原型：​​​​​​​whaosoft
OpenCV C++案例实战三十三《缺陷检测》
Zero___Chen的博客
09-02 7736
本案例将使用OpenCV C++ 进行PCB印刷缺陷检测。目前缺陷检测算法可分为两大类：一：基于模板匹配的缺陷检测二：基于深度学习的缺陷检测，主要利用目标检测去识别缺陷部分。本文算法主要是基于模板匹配算法进行缺陷检测，参考《基于差异模型的印刷标签缺陷检测算法》一文，进行算法复现，感兴趣的朋友可以去阅读一下原文。本文使用OpenCV C++ 进行PCB印刷缺陷检测，主要操作有以下几点。1、将图像进行仿射变换，与模板图像进行配准2、计算差异图像，得到基于模板的亮、暗阈值图像。
opencv c++ 传统瑕疵检测简例
m0_56838271的博客
09-26 1721
基于Opencv、C++的传统瑕疵检测的简单示例。
基于opencv C++实现毛衣衣服的瑕疵检测
03-23
基于C++中添加的opencv函数库来实现图像处理中衣物的特别是毛衣的瑕疵检测 属于毕业设计 功能完整
OpenCV C++ 图像处理实战 ——《基于轮廓比对的缺陷检测》
Zero___Chen的博客
10-01 801
本文使用OpenCV C++ 实现基于轮廓比对的缺陷检测。
基于C++的OpenCV项目实战——缺陷检测
m0_73077283的博客
09-16 719
【代码】基于C++的OpenCV项目实战——缺陷检测。
OpenCV C++ 图像处理实战 ——《物体数量计数与尺寸测量》
Zero___Chen的博客
03-16 1500
本文使用OpenCV C++ 实现物体数量计数与尺寸测量，关键点如下1、图像成像质量不佳时会影响到后续的二值化分割，故我们需要对图像进行图像增强处理，可以多尝试几种不同的图像增强算法。2、图像二值化与形态学处理，这是物体轮廓提取的关键。这步处理得好，后续就可以简化很多步骤。3、轮廓提取。根据二值化轮廓特征，使用轮廓面积、周长、宽高比、圆形度、多边形近似等特征提取我们想要的轮廓。
电路板缺陷检测-分水岭-OpenCV
12-04
基于OpenCV和分水岭算法，对电路板进行缺陷检测。效果还可以，提供给大家学习。
基于Opencv的图像缺陷识别简单例子
11-25
用Opencv写的一个图像处理的例子，图像处理算法包括灰度，二值化，连通域标记，以及缺陷统计等。可作为深入研究的入门代码。
基于Opencv的机器视觉缺陷检测、印刷检测
07-08
源码，免费可执行exe参看文章
基于OpenCV 的回转体零件表面缺陷检测研究
11-16
Python编程opencv图像检测缺陷，带有图片例程，内容清晰.
OpenCV C++ 图像处理实战 ——《多尺度自适应Gamma矫正的低照图像增强》
Zero___Chen的博客
01-11 1103
本文使用OpenCV C++ 实现多尺度自适应Gamma矫正的低照度图像增强。首先将低照图像转换到 HSI 颜色空间，利用多尺度的 Retinex 提取明度分量 I 的多尺度光照图像，然后对多尺度的光照图像分别进行自适应的 Gamma矫正，其中 Gamma 指数自适应于光照图像的暗区像素的占比。
基于Opencv的缺陷检测任务
qq_52053775的博客
02-22 2547
任务需求：使用opencv检测出手套上的缺陷并且进行计数环境配置:pip install opencv-python。
C++OpencvPCB板子引脚缺陷检测
bigData1994pb的博客
07-01 1570
首先感谢杉木~，若侵权，请联系删除。 论文里面提出利用区域生长法获取引脚的总数及各个引脚主体部分的形心坐标及面积。通过与实际引脚总数进行对比, 判断是否存在引脚缺失的缺陷, 并和实际引脚的间距、面积的设定值进行对比, 当测定值超过设定值一定范围时, 认为该芯片存在引脚位置偏移以及高度偏移等缺陷。 与作者不同之处在于我使用提取轮廓，构建掩膜图像的方式获取引脚的主体部分，其余部分均按照论文思路判别缺陷。 步骤：...
OpenCV缺陷检测
热门推荐
hechaoqi09的博客
12-06 2万+
新手上路，欢迎高手指点。 原图： OpenCV缺陷检测代码： // An highlighted block #include "head.h" int main() { Mat img = imread("image/1204.bmp"); //assert(im.data); if (!img.data) { cout << "cuowu!" << endl...
opencv 印刷缺陷检测
最新发布
02-07
### 使用 OpenCV 实现印刷品缺陷检测 #### 1. 图像预处理 为了提高后续处理的效果，在进行缺陷检测之前通常需要对原始图像进行预处理。这一步骤可以减少噪声并增强有用的信息。 - **灰度化**：将彩色图像转换为灰度图像是常见的第一步，因为许多图像处理算法更适合单通道数据。 ```python import cv2 def convert_to_grayscale(image_path): image = cv2.imread(image_path) gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) return gray_image ``` - **去噪**：采用高斯滤波或其他平滑方法来降低随机噪声的影响，从而改善最终的结果质量[^1]。 ```python def apply_gaussian_blur(gray_image, kernel_size=(5, 5)): blurred_image = cv2.GaussianBlur(gray_image, kernel_size, 0) return blurred_image ``` #### 2. 缺陷区域定位 一旦完成了初步的图像准备，则需找到可能存在缺陷的位置。常用的技术包括边缘检测、阈值分割以及形态学变换等。 - **Canny 边缘检测器**：这是一种多级边缘探测工具，能够有效地捕捉到物体轮廓中的突变点。 ```python def canny_edge_detection(blurred_image, low_threshold=50, high_threshold=150): edges = cv2.Canny(blurred_image, low_threshold, high_threshold) return edges ``` - **二值化处理**：设定合适的阈值将像素分为前景（即潜在缺陷）和背景两部分。 ```python def binary_threshold(edges, threshold_value=127): _, binary_image = cv2.threshold(edges, threshold_value, 255, cv2.THRESH_BINARY) return binary_image ``` #### 3. 特征提取与分类 对于已经标记出来的可疑区域，下一步就是分析其特性并与正常样本对比，以此判断是否存在真正的质量问题。 - **形状描述子计算**：比如面积、周长、圆形度等几何属性可以帮助区分不同类型的瑕疵。 ```python def extract_contour_features(binary_image): contours, _ = cv2.findContours(binary_image.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) features_list = [] for contour in contours: area = cv2.contourArea(contour) perimeter = cv2.arcLength(contour, True) # 计算其他可能有用的特征... feature_vector = { 'area': area, 'perimeter': perimeter, # 添加更多特征项 } features_list.append(feature_vector) return features_list ``` - **基于正样本的学习模型训练**：如果拥有足够的标准件图片作为参考，可以通过监督学习的方式构建预测函数，用于新输入的数据判定。 ```python from sklearn.svm import SVC from sklearn.model_selection import train_test_split # 假设 `features` 是由上述过程获得的一系列特征向量， # 而 `labels` 表明它们对应的是合格还是不合格的产品实例... model = SVC(kernel='linear') train_X, test_X, train_y, test_y = train_test_split(features, labels, test_size=0.2) model.fit(train_X, train_y) predictions = model.predict(test_X) ```
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Zero___Chen

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值