基于python-opencv实现木质工件的污渍和划痕识别和分类

缺陷识别 简介： 这个项目是我的本科毕业设计，主要针对传送带上的木质圆形工件的缺陷识别和分类，并且进行工件的计数和缺陷工件的计数。这里我主要是识别污渍和划痕 缺陷类型 污渍： 划痕： 最后的成果 sum:为工件的总个数 scratch_num:为含有划痕工件的总个数 blot_num:为含有污渍工件的总个数 黄颜色圈住的缺陷为划痕 蓝颜色圈住的缺陷为污渍 简单思路 通过边缘检测，得到每个工件的坐标，并计算出工件的中心来标记工件的ID 通过工件的每一帧位移量来确定是否为同一个工件 将每一个工件截取出来，进行缺陷的提取 将提取的缺陷进行直方图计算，通过直方图来值归一化，通过颜色值分布来分类 在本项目中，我们探讨了如何使用Python和OpenCV库来实现木质工件的污渍和划痕识别与分类。这个任务是针对传送带上移动的圆形木制品进行的，目标是自动化检测缺陷并进行计数。项目的重点在于两种类型的缺陷：污渍和划痕。 我们使用边缘检测技术来获取工件的边界。OpenCV库中的Canny边缘检测算法常被用来此目的，它可以帮助找到图像中的轮廓，从而得到每个工件的坐标。接着，通过计算工件的中心，可以为每个工件分配一个唯一的ID，以便跟踪其在传送带上的运动。利用相邻帧之间的工件位移，我们可以判断工件是否连续存在，确保同一工件在整个过程中的连续性。 接下来，项目中提到的方法是将每个独立的工件截取出来，然后对其内部的缺陷进行分析。对于缺陷的识别，主要依赖于直方图计算。划痕和污渍在颜色分布上有明显的差异，这使得可以通过颜色直方图来区分它们。例如，污渍通常具有较暗的色彩，可能集中在较低的灰度值（如50左右），而划痕可能更亮，集中在较高的灰度值（如100左右）。 为了实现分类，首先将提取出的缺陷区域转换为灰度图像，然后应用阈值处理以增强对比度。使用`cv2.findContours`函数寻找缺陷区域的轮廓，并创建一个掩模以填充这些轮廓。接下来，对填充后的图像进行直方图计算，使用`cv2.calcHist`函数，计算0通道（灰度）的直方图。通过归一化直方图，可以更好地比较不同缺陷的颜色分布。 根据直方图的统计，如果划痕的累积概率（135到255之间的灰度值）超过0.6，则标记该缺陷为划痕；同样，如果污渍的累积概率（15到90之间的灰度值）超过0.6，则标记为污渍。这些阈值可以根据实际情况调整以优化分类效果。 在完整的程序中，还包含了主程序的框架，它读取视频流，处理每一帧图像，执行上述步骤，并在屏幕上显示结果。`cv2.VideoCapture`用于加载视频，`cv2.findContours`和`cv2.RETR_EXTERNAL`、`cv2.CHAIN_APPROX`参数用于检测外部轮廓，减少计算复杂性。此外，程序还包括了字体设置、面积阈值等变量，以便过滤掉可能的噪声或小面积非工件对象。 通过这种方式，该项目实现了对木质工件缺陷的实时检测和分类，提高了生产线的质量控制效率。这种方法可以扩展应用于其他颜色或形状的工件，只需调整颜色直方图的阈值和分析策略。同时，也可以考虑结合深度学习模型进一步提高缺陷识别的准确性。