我想检测移动的传送带上的裂缝。下面是一个例子:
对于上图,我可以先使用 GaussianBlur,然后使用 Canny,然后使用 findContour 来检测裂缝。但是在其他情况下,我需要检测带厚图案的皮带上的裂纹。例如,下面是没有裂纹的“重纹”腰带。 (抱歉,我找不到这种类型的腰带有裂纹)。
我的旧方法在这种类型的腰带上效果不佳。如果我为 GaussianBlur 使用更大的内核,我可以移除皮带图案。但它也减少/消除了裂纹。
更新:这是另一个 blob 类型的破解图像。
我尝试使用 SimpleBlobDetector 检测它。但是在厚重的花纹带上,它给出了很多误报。关于如何检测带图案的皮带上的类似 Blob 有什么建议吗?
更新 2:
我听从了 @nathancy 关于 bilateralFilter 的建议:
min_area = 400
blur = cv2.bilateralFilter(gray, 11, 125, 125)
thresh = cv2.adaptiveThreshold(blur,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,3,2)
canny = cv2.Canny(thresh, 120, 255, 1)
放大后的图像如下。
对于这些特定的图片,我可以做一个“min_area = 400”来区 split 缝和图案。然而,较大的内核模糊也会将部 split 缝与图案一起擦掉。所以我预计 min_area 选择在更复杂的真实环境(即不同的光照条件等)中不会非常稳定。我有一个问题,因为图案总是 +-45 度。是否有任何过滤器可以帮助去除这些方向的图案?
最佳答案
这是一个潜在的解决方案
- 将图像转换为灰度和中值模糊
- 自适应阈值
- Canny 边缘检测
- 用于清除噪声的形态学转换
- 扩张以增强轮廓
- 寻找轮廓
- 遍历轮廓并使用最小阈值区域进行过滤
这是结果
一个潜在的预处理步骤是在检测裂缝之前移除黑暗部分,因为它搞砸了中值模糊和自适应阈值。例如,如果您能够删除最后一张图像上的黑色部分,您将得到这样的结果。
潜在的优化是使用中值模糊,因为这有助于平滑传送带上的图案。您还可以调整最小阈值区域以控制检测到的裂纹的大小
import cv2
import numpy as np
image = cv2.imread('1.png')
blur = cv2.medianBlur(image, 7)
gray = cv2.cvtColor(blur, cv2.COLOR_BGR2GRAY)
thresh = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY,11,3)
canny = cv2.Canny(thresh, 120, 255, 1)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
opening = cv2.morphologyEx(canny, cv2.MORPH_CLOSE, kernel)
dilate = cv2.dilate(opening, kernel, iterations=2)
cnts = cv2.findContours(dilate, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
min_area = 3000
for c in cnts:
area = cv2.contourArea(c)
if area > min_area:
cv2.drawContours(image, [c], -1, (36, 255, 12), 2)
cv2.imshow('image', image)
cv2.imwrite('image.png', image)
cv2.waitKey(0)
关于python - 使用 OpenCV 进行裂纹检测之前去除背景纹理图案,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/57089115/