关于利用传统图像处理方法进行瑕疵检测的总结
共 1335字,需浏览 3分钟
·
2020-10-20 04:35
点击上方“小白学视觉”,选择加"星标"或“置顶”
重磅干货,第一时间送达
来源:https://blog.csdn.net/cshyxxxl/article/details/106382824
作者:cshyxxxl
转载:新机器视觉
以iPhone背壳为例,进行瑕疵检测
需求:利用传统算法检测iPhone手机背壳是否瑕疵并给出瑕疵率
工具:摄像头/iPhone 6s/偏振镜等
传统算法方向的选择
最近做图像处理与识别相关的事情,先从OpenCV/Matlab入手,看传统算法在瑕疵检测方向能做到什么程度。
因之前并没有相关的经验,乍开始生怕闭门造车,遂多方搜寻,相关的会议与论述很多,不乏深度学习或者深度学习与传统算法相结合的,以有限的资源来看,深度学习并没有特别大的优势:表现在
1. 深度学习对训练图库的要求很高,很难得到很好的训练结果
2. 深度学习的灵活度较低,若适用场景有些许改变,均需要重新训练,这在商用时会是很大的问题
3. 深度学习的部署成本较高,同时对部署场景有较高要求(光线/摄像效果等)
当然,深度学习大势所趋,也不必因噎废食,万一是一时的浅见呢。后续也会投身到这个方向去。
瑕疵检测关注的两个问题
瑕疵的标注
对瑕疵的标注是为了更直观的展示,主要是给人看的
瑕疵的量化
真正机器关心的是怎么量化,是用数量表示还是百分比是个值得考虑的问题
历程
1.图像去噪->灰度化->二值化
二值化之后就可以看到绝大部分的瑕疵点已经凸显出来了,但是有三个问题:
1. 黑点瑕疵与白点瑕疵是二值化的两个极端,故无法同时出现。
2. 量化如何去除Logo与其他印刷的干扰
问题1后续用边缘检测替代
问题2采用像素点计数的方法,计算百分比,然后与无瑕疵的百分比作比较,准确度不高,也显得low low的。
2.图像去噪->灰度化->canny->形态学(闭运算)->连通域
边缘检测后进行闭运算,瑕疵会形成大大小小的连通域,可以统计连通域的个数,然后与无瑕疵logo与其他印刷形成的连通域个数作比较,这种情况几乎不会漏掉。这是感觉可行的选择之一。
3.OpenCV matchTemplate
实验室条件下,可以营造比较理想的条件,所以考虑了OpenCV的模板匹配,同时也测试了模板匹配在不理想情况下的表现。
结果证明因为手机瑕疵检测的需求目标较低,模板匹配是比较能够胜任的一个办法。只要模板与识别目标的拍摄角度差别不是太大,都可以很好的识别瑕疵。图片的轻微缩放大多也可以应付。
其他处理
前面都是软件方面处理的流程,在如何获得更加理想的图片方面也做了一些尝试:
采用各种不同颜色的光源,如蓝光/红光,区别不大
对图片进行白平衡调整,有改善
摄像头加偏振镜防止图像反光,有改善但不明显
图片浮雕处理,肉眼看上去瑕疵显著了,但对机器而言并没有区别,故没有采纳
End
声明:部分内容来源于网络,仅供读者学术交流之目的。文章版权归原作者所有。如有不妥,请联系删除。