图像处理基本操作实现工业产品缺陷检测_图像配准的结果如何应用到缺陷检测

1.屏幕坏点

屏幕坏点的检测种类不同，最简单有黑底白点检测和白底黑点检测。对于白色坏点，先采取形态学基本运算膨胀，并通过调整内核尺寸的大小，来改变白点膨胀的程度。然后调用寻找轮廓函数，统计坏点的个数。对于黑色坏点，先采取腐蚀运算，使黑色坏点的面积变大，同样调用寻找轮廓函数统计坏点个数。对于坏点的位置，计算轮廓的内接矩形，寻找中心点即可。

2.瓷砖裂纹

一般瓷砖的缺陷也分为两种，一种为擦痕，近似白色，另一种为裂纹，颜色较深。对于白色擦痕，可以首先进行膨胀，使白色擦痕变得明显些，然后进行二值化，并通过滑动条控制阈值和二值化方式，之后进行中值滤波去噪点，再经过腐蚀之后的图片，用Canny进行边缘检测，通过寻找并绘制轮廓，即可将白色擦痕用黑色线条圈出。

对于黑色裂纹，如果有标准瓷砖花纹，将标准图和缺陷图同时进行腐蚀，使黑色裂纹变得明显些，然后二值化，中值滤波之后进行膨胀，同时对两张图进行Canny边缘检测，接着对标准图进行寻找轮廓，并将各个轮廓的面积和长度存到二维点集中。然后对缺陷图寻找轮廓，通过循环比对标准图轮廓的特征，即可用黑色线条绘制出裂纹的轮廓。

3.PCB检测

由于PCB的复杂性，可以分类处理电路板块。对于元件的焊接位置，如贴焊的小芯片阵，可以采取模板匹配的方式，循环检测出与模板匹配度最高的正确芯片焊接处，设定相似度阈值，把不正确的地方用红框标注出来。

对于元件的数量检测，例如大芯片和电容，可以先采取图像预处理，然后边缘检测等寻找元件面积，长度等其他特征，并设定参数，统计元件的数量。

对于焊接不当，多锡，缺锡的情况，基于其亮度对比，引脚特征等因素，用图像预处理，二值化，形态学基本运算等，并结合边缘检测后的轮廓特征，设定参数，将缺陷之处标识出来。

由于都是基本操作，每个完整的代码就不贴了，由于简单，结果图都挺不错的，贴几个常用的函数吧，当时还是用的Opencv C++：

getStructuringElement(MORPH_RECT,Size(200,200))#返回指定形状和尺寸的结构元素
dilate(src,src,element);#膨胀
erode(dst,dst,element);#腐蚀
findContours(mid,contours,hierarchy,CV_RETR_CCOMP,CV_CHAIN_APPROX_SIMPLE);#寻找轮廓
threshold(gray,tmp,thresholdvalue,255,thresholdtype);#二值化
medianBlur(tmp,dst,7);#中值滤波
Canny(dst1,canny_output1,150,300,3);#边缘检测
m=contourArea(contours[i]);#计算轮廓面积
k=arcLength(contours[i],true);#计算轮廓长度
drawContours(src, contours, j, color, 2, 8, hierarchy, 0, Point());#绘出轮廓
import numpy as np
from PIL import Image, ImageDraw, ImageFont
import matplotlib.pyplot as plt
#用于给图片添加中文字符的函数
def cv2ImgAddText(img, text, left
				1.行人之间相互遮挡，实时，行人姿态多样化
2.以前：梯度方向直方图（HOG特征），大多数行人检测特征都是基于梯度方向直方图特征进行改进的。HOG+SVM。
般来说专家设计优秀的特征即使对于钉扎实专业甚础知识的研究人员也是很困难的，深度学习算法能很好地解决这个难题，它能自动地结合不同的分类任务从数据中学习并提取特征。
3.特征设计 http://blog.csdn.net/dream_ang
                cv2.error:OpenCV /clahe.cpp:351 error: (-215:Assertion failed) _src.type() == CV_8UC1 || CV_16UC1 in
                    joyyyy__: 
                    img = img.astype('uint8')
                人体姿态检测—HRNet分析与实现（一）
                    起风了 I: 
                    这个讲的看不懂啊什么nms
                显著性检测—基于上下文内容感知方法
                    你好，你这边什么情况下可以分享完整内容