基于OpenCV的裂纹检测前背景纹理去除

Question

我想检测一下移动传送带上的裂缝。以下是一个例子：

​

​

对于上面的图像，我可以使用GaussianBlur，后面跟着一个Canny，然后是findContour来检测裂缝。但是在其他情况下，我需要发现带上的裂纹与沉重的模式。例如，下面是“重型”带，没有裂缝。(对不起，我找不到这种皮带上有裂纹的)。

​

​

我的旧方法在这种皮带上不太好用。如果我为GaussianBlur使用更大的内核，我可以删除带模式。但它也能减少/消除裂缝。

更新:这是另一个blob类型的裂纹图像。

​

​

我试着用SimpleBlobDetector来检测它。但在沉重的模式带上，却产生了大量的假阳性。关于如何在有图案的皮带上发现这样的斑点，有什么建议吗？

更新2：

我遵循了bilateralFilter上@nathancy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)

放大的图像如下所示。

​

​

对于这些特殊的图片，我可以做一个"min_area = 400“来区分裂缝和图案。然而，较大的内核模糊也会将部分裂缝与模式一起擦掉。因此，我预计在更复杂的实际环境(即不同的光照条件等)中，min_area的选择不会非常稳定。我有个问题，因为模式总是+-45度。是否有任何过滤器可以帮助移除这些方向的模式？

Answer 1

这里有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
• 精明边缘检测
• 形态学变换去除噪声
• 扩张以增强轮廓
• 寻找轮廓
• 用最小阈值面积迭代等高线和滤波器

这是结果

​

​

一个潜在的预处理步骤是在检测裂纹之前去除黑暗部分，因为它会导致中值模糊和自适应阈值的混乱。例如，如果您能够删除最后一个图像上的黑色部分，您将得到这个结果。

​

​

潜在的优化将是发挥中位模糊，因为这有助于平滑皮带上的模式。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)