如何检测圆缺陷？

Question

有没有办法判断一个圆是否有这样的缺陷？圆度不起作用。还是有办法消除它们？

​

​

    perimeter = cv2.arcLength(cnts[0],True)
    area = cv2.contourArea(cnts[0])
    roundness = 4*pi*area/(perimeter*perimeter)
    print("Roundness:", roundness)

Answer 1

“圆度”测量对周长的精确估计很敏感。cv2.arcLength()所做的是添加每个多边形边的长度，它严重高估了轮廓的长度。我认为这是这个措施对你不起作用的主要原因。有了一个更好的周长估计器，你就会得到有用的结果。

另一种可能更有用的度量是“圆度”，定义为半径的变异系数。简而言之，计算每个多边形顶点(即轮廓点)到质心的距离，然后确定这些距离的变异系数(== std /平均值)。

我编写了一个快速Python脚本，从OpenCV轮廓开始计算它：

import cv2
import numpy as np

# read in OP's example image, making sure we ignore the red arrow
img = cv2.imread('jGssp.png')[:, :, 1]
_, img = cv2.threshold(img, 127, 255, 0)

# get the contour of the shape
contours, hierarchy = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
contour = contours[0][:, 0, :]

# add the first point as the last, to close it
contour = np.concatenate((contour, contour[0, None, :]))

# compute centroid
def cross_product(v1, v2):
    """2D cross product."""
    return v1[0] * v2[1] - v1[1] * v2[0]

sum = 0.0
xsum = 0.0
ysum = 0.0
for ii in range(1, contour.shape[0]):
    v = cross_product(contour[ii - 1, :], contour[ii, :])
    sum += v
    xsum += (contour[ii - 1, 0] + contour[ii, 0]) * v
    ysum += (contour[ii - 1, 1] + contour[ii, 1]) * v

centroid = np.array([ xsum, ysum ]) / (3 * sum)

# Compute coefficient of variation of distances to centroid (==circularity)
d = np.sqrt(np.sum((contour - centroid) ** 2, axis=1))
circularity = np.std(d) / np.mean(d)

Answer 2

这让我想到了一个类似的问题。您可以计算形状的签名。签名可以定义为，对于形状边界的每个像素，该像素与形状中心之间的距离。

对于一个完美的圆，从边界到中心的距离应该是恒定的(在一个理想的连续世界中)。当缺陷出现在圆的边缘(凹痕或过度)时，理想的常量线会变成一条摇摆的曲线，在缺陷上会有很大的变化。

例如，用FFT来检测这些变化是相当容易的，这样就可以量化缺陷的重要性。

您可以将此解决方案扩展到任意给定的形状。如果你的理想形状是正方形，你可以计算签名，这会给你一些正弦曲线。缺陷将以同样的方式出现在曲线上，并且可以用与圆相同的逻辑来检测。

​

​

我不能给你一个代码示例，因为项目是为一个公司的项目，但这个想法仍然存在。

Answer 3

这里有一种在Python/OpenCV中实现这一功能的方法。

• 读取输入
• 白色阈值(移除红色箭头)
• 应用Hough圆
• 绘制阈值图像上的圆圈以供比较
• 从圆圈参数在黑色背景上画一个白色填充的圆圈。
• 得到阈值图像与绘制的圆图像的区别。
• 应用开放的形态学将圆环从原始圆的不规则边界上移除。
• 将上一幅图像中的白色像素数计算为“关闭缺陷量”。

​

输入：

​

​

import cv2
import numpy as np

# Read image
img = cv2.imread('circle_defect.png')
hh, ww = img.shape[:2]

# threshold on white to remove red arrow
lower = (255,255,255)
upper = (255,255,255)
thresh = cv2.inRange(img, lower, upper)

# get Hough circles
min_dist = int(ww/5)
circles = cv2.HoughCircles(thresh, cv2.HOUGH_GRADIENT, 1, minDist=min_dist, param1=150, param2=15, minRadius=0, maxRadius=0)
print(circles)

# draw circles on input thresh (without red arrow)
circle_img = thresh.copy()
circle_img = cv2.merge([circle_img,circle_img,circle_img])
for circle in circles[0]:
    # draw the circle in the output image, then draw a rectangle
    # corresponding to the center of the circle
    (x,y,r) = circle
    x = int(x)
    y = int(y)
    r = int(r)
    cv2.circle(circle_img, (x, y), r, (0, 0, 255), 1)

# draw filled circle on black background
circle_filled = np.zeros_like(thresh)
cv2.circle(circle_filled, (x,y), r, 255, -1)

# get difference between the thresh image and the circle_filled image
diff = cv2.absdiff(thresh, circle_filled)

# apply morphology to remove ring
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
result = cv2.morphologyEx(diff, cv2.MORPH_OPEN, kernel)

# count non-zero pixels
defect_count = np.count_nonzero(result)
print("defect count:", defect_count)

# save results
cv2.imwrite('circle_defect_thresh.jpg', thresh)
cv2.imwrite('circle_defect_circle.jpg', circle_img)
cv2.imwrite('circle_defect_circle_diff.jpg', diff)
cv2.imwrite('circle_defect_detected.png', result)

# show images
cv2.imshow('thresh', thresh)
cv2.imshow('circle_filled', circle_filled)
cv2.imshow('diff', diff)
cv2.imshow('result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

没有红箭的输入：

​

​

根据输入绘制的红色圆圈：

​

​

从HoughCircle圈：

​

​

差异：

​

​

消除差异：

​

​

文本结果：

defect count: 500