halcon——缺陷检测常用方法总结（模板匹配（定位）+差分）

引言

机器视觉中缺陷检测分为一下几种：

blob分析+特征
模板匹配（定位）+差分
光度立体：halcon——缺陷检测常用方法总结（光度立体） - 唯有自己强大 - 博客园 (cnblogs.com)
特征训练
测量拟合
频域+空间域结合：halcon——缺陷检测常用方法总结（频域空间域结合） - 唯有自己强大 - 博客园 (cnblogs.com)
深度学习

本篇主要总结一下缺陷检测中的定位+差分的方法。即用形状匹配，局部变形匹配去定位然后用差异模型去检测缺陷。

模板匹配（定位）+差分

💚整体思路（形状匹配）：

先定位模板区域后，求得模板区域的坐标，创建物品的形状模板create_shape_model，注意把模板的旋转角度改为rad(0)和rad(360)。
匹配模板find_shape_model时，由于物品的缺陷使形状有局部的改变，所以要把MinScore设置小一点，否则匹配不到模板。并求得匹配项的坐标。
关键的一步，将模板区域仿射变换到匹配成功的区域。由于差集运算是在相同的区域内作用的，所以必须把模板区域转换到匹配项的区域。
之后求差集，根据差集部分的面积判断该物品是否有缺陷。

模板匹配（定位）+差分的方法主要用来检测物品损坏，凸起，破洞，缺失，以及质量检测等。

🤎halcon例程分析：

1，印刷质量缺陷检测（print_check.hdev）

该例程用到了差异模型，将一个或多个图像同一个理想图像做对比，去找到明显的不同。进而鉴定出有缺陷的物体。差异模型的优势是可以直接通过它们的灰度值做比较，并且通过差异图像，比较可以被空间地加权。

变化模型检测缺陷的整体思路：

create_variation_model —— 创建一个差异模型
get_variation_model —— 获得差异模型
train_variation_model —— 训练差异模型
prepare_variation_model —— 准备差异模型
compare_variation_model —— 比较模型与实例
clear_variation_model —— 清除差异模型

dev_update_off ()
* 选择第1张图像创建形状模板
read_image (Image, 'pen/pen-01')
get_image_size (Image, Width, Height)
dev_close_window ()
dev_open_window (0, 0, Width, Height, 'black', WindowHandle)
set_display_font (WindowHandle, 16, 'mono', 'true', 'false')
dev_set_color ('red')
dev_display (Image)
* 把我感兴趣的区域抠出来，原则上范围越小越好，因为这样创建模板时干扰会少很多
threshold (Image, Region, 100, 255)
fill_up (Region, RegionFillUp)
difference (RegionFillUp, Region, RegionDifference)
shape_trans (RegionDifference, RegionTrans, 'convex')
dilation_circle (RegionTrans, RegionDilation, 8.5)
reduce_domain (Image, RegionDilation, ImageReduced)
inspect_shape_model (ImageReduced, ModelImages, ModelRegions, 1, 20)
gen_contours_skeleton_xld (ModelRegions, Model, 1, 'filter')
* 获得抠图区域的中心，这是参考点
area_center (RegionDilation, Area, RowRef, ColumnRef)
* 创建形状模板
create_shape_model (ImageReduced, 5, rad(-10), rad(20), 'auto', 'none', 'use_polarity', 20, 10, ShapeModelID)* 创建变化模型（用于和缺陷比较）
create_variation_model (Width, Height, 'byte', 'standard', VariationModelID)
* 文件夹中前15张图片是质量良好的，可以用来训练模板
for I := 1 to 15 by 1
    read_image (Image, 'pen/pen-' + I$'02d')
     * 先寻找模板的实例
    find_shape_model (Image, ShapeModelID, rad(-10), rad(20), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)
    if (|Score| == 1)
        * 使用仿射变换，将当前图像平移旋转到与模板图像重合，注意是当前图像转向模板图像
        vector_angle_to_rigid (Row, Column, Angle, RowRef, ColumnRef, 0, HomMat2D)
        affine_trans_image (Image, ImageTrans, HomMat2D, 'constant', 'false')
         * 训练差异模型
        train_variation_model (ImageTrans, VariationModelID)
        dev_display (ImageTrans)
        dev_display (Model)
    endif
endfor
* 获得差异模型
get_variation_model (MeanImage, VarImage, VariationModelID)
* 做检测之前可以先用下面这个算子对可变模型进行设参,这是一个经验值,需要调试者调整
prepare_variation_model (VariationModelID, 20, 3)
dev_set_draw ('margin')
NumImages := 30
* 可变模板训练完成后，我们终于可以进入主题，马上对所有图像进行缺陷检测，思想就是差分
for I := 1 to 30 by 1
    read_image (Image, 'pen/pen-' + I$'02d')
    * 要注意做差分的两幅图像分辨率相同，当然也需要通过仿射变换把待检测的图像转到与模板图像重合
       * 先寻找模板的实例
    find_shape_model (Image, ShapeModelID, rad(-10), rad(20), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)
    if (|Score| == 1)
         * 使用仿射变换，将当前图像平移旋转到与模板图像重合，注意是当前图像转向模板图像
        vector_angle_to_rigid (Row, Column, Angle, RowRef, ColumnRef, 0, HomMat2D)
        affine_trans_image (Image, ImageTrans, HomMat2D, 'constant', 'false')
        * 抠图
        reduce_domain (ImageTrans, RegionDilation, ImageReduced)
        * 差分 （就是检查两幅图像相减，剩下的区域就是不同的地方了，与模板图像不同的地方就是缺陷）
       * 这里可不能用difference做差分啊，halcon为变形模板提供了专门的差分算子：compare_variation_model
        compare_variation_model (ImageReduced, RegionDiff, VariationModelID)
        connection (RegionDiff, ConnectedRegions)
        * 特征选择：用一些特征来判断这幅图像印刷是否有缺陷，这里使用面积
       * 其实可以考虑利用区域面积的大小来判断缺陷的严重程度，这里就不过多讨论了
        select_shape (ConnectedRegions, RegionsError, 'area', 'and', 20, 1000000)
        count_obj (RegionsError, NumError)
        dev_clear_window ()
        dev_display (ImageTrans)
        dev_set_color ('red')
        dev_display (RegionsError)
        set_tposition (WindowHandle, 20, 20)
        if (NumError == 0)
            dev_set_color ('green')
            write_string (WindowHandle, 'Clip OK')
        else
            dev_set_color ('red')
            write_string (WindowHandle, 'Clip not OK')
        endif
    endif
    if (I < NumImages)
        disp_continue_message (WindowHandle, 'black', 'true')
        stop ()
    endif
endfor
* 结语：如果发现前面作为训练变形模板的良好图像也被判定为NG，
*      可以调整prepare_variation_model参数
*      或者调整select_shape特征筛选的标准

halcon——缺陷检测常用方法总结（模板匹配（定位）+差分）-LMLPHP

相关算子分析:

create_variation_model（创建一个差异模型）

create_variation_model(Width, Height, Type, Mode ,ModelID)
//创建一个ID为ModelID，宽为Width,高为Height,类型为Type的差异模型参数

参数Mode决定了创建标准图像和相应的变化图像的方法。（可选三种方法）

'standard'表示标准的训练方法，标准图像的位置是各训练图像位置的平均，
'robust'表示鲁棒的训练方法，标准图像的位置是各训练图像的中值，此模式在训练图像中可能存在ERROR时使用，
'direct'表示标准图像由单张图像经过处理得到，由此方法得到的标准图像只能应用prepare_direct_variation_model算子得到variation model。

get_variation_model（获得差异模型）

get_variation_model(Image, VarImage ,ModelID  )
//返回差异模型中的标准图像（Image）和差异图像（VarImage），此算子主要用来检视创建的差异模型是否OK。

train_variation_model（训练差异模型）

train_variation_model(Images, ModelID )

prepare_variation_model（准备差异模型）

prepare_variation_model( : : ModelID, AbsThreshold, VarThreshold : )
//设置variation model(差异模型）的绝对阈值和相对阈值。
  //绝对阈值即待检测图像与标准图像的差值，
  //相对阈值即待检测图像与variation model与VarThreshold乘积的差值。

compare_variation_model（比较模型与实例）

compare_variation_model(Image : Region : ModelID : )
//待检测图像与variation model进行比较，超过阈值的区域在Rgion参数中返回。
  同threshold一样，返回的区域被看做一个区域，可以使用connection算子进行连通性分析，然后根据区域的特征（如面积）对区域进行选择。

总结：

差异模型（Variation Model）使用标准图像与待检测图像灰度值相比较，来判断产品是否OK，适用于印刷品检测及产品表面检测。

从实际算法过程可以看出，此检测实际可分为两部分：

对于图像中的大面积灰度一致区域，主要利用待检测图像与标准图像（ideal image)比较得出差异区域，
对于图像中的边缘位置（edges）区域，主要利用待检测图像与Variation图像（variation image）比较得出差异区域。

所以在实际应用中，应根据实际情况设置AbsThreshold和VarThreshold的值。

2，检测工件孔洞毛刺缺陷 - 局部变形匹配（inspect_gasket_local_deformable.hdev）

在日常工程应用中，我们通常通过halcon的形状匹配（shape-based matching）进行各种定位，正如上篇例程，当待匹配物体有轻微变形时，并不影响得到的匹配结果，然后当待匹配物体有较大变形时，如塑料产品在成形时变形、纺织产品的花纹因为褶皱变形等，要想得到精确的定位结果就显得捉襟见肘，如下图所示，工件如果有较大变形，在用形状匹配时，定位结果就不尽如人意，因为形状匹配本身得到的匹配结果只是一个点（row,col）。

因此本篇例程使用了局部变形匹配（local deformable matching），匹配结果可以根据待匹配物体自动进行变形。而且在这个案例中，create_variation_model (Width, Height, ‘byte’, ‘direct’, VariationModelID) 使用的方法是’direct’，因此是不需要训练差异模型而可以直接使用的。

1️⃣读入标准图像，创建差异模型以及匹配模板

*1.读入图像
dev_update_off ()
dev_get_window (WindowHandle)
set_display_font (WindowHandle, 36, 'mono', 'true', 'false')
dev_set_draw ('margin')

read_image (ModelImage, 'gasket/gasket_model')
get_image_size (ModelImage, Width, Height)
read_image (Image, 'gasket/gasket_01')
*2.创建差异模型
create_variation_model (Width, Height, 'byte', 'direct', VariationModelID)
sobel_amp (ModelImage, EdgeAmplitude, 'sum_abs', 3)
*3.直接设参数+标准图像+边缘幅度图像
prepare_direct_variation_model (ModelImage, EdgeAmplitude, VariationModelID, 20, 2)
*4.创建局部变形匹配模板
create_local_deformable_model (ModelImage, 'auto', [], [], 'auto', 0.9, [], 'auto', 0.9, [], 'auto', 'none', 'use_polarity', 'auto', 'auto', [], [], ModelID)
get_deformable_model_contours (ModelContours, ModelID, 1)
area_center (ModelImage, Area, Row, Column)

标准图像：

halcon——缺陷检测常用方法总结（模板匹配（定位）+差分）-LMLPHP

这里由于是用单幅图像创建的差异模型，因此参数Mode设置的’direct’，故不需要再去训练，而是直接使用prepare_direct_variation_model (ModelImage, EdgeAmplitude, VariationModelID, 20, 2)得到差异模型。

2️⃣通过匹配模板将待检测工件定位矫正

for Index := 1 to 7 by 1
     read_image (Image, 'gasket/gasket_' + Index$'02')
    get_image_size (Image, Width1, Height1)
    *5.查找
    find_local_deformable_model (Image, ImageRectified, VectorField, DeformedContours, ModelID, rad(-10), rad(20), 1, 1, 1, 1, 0.93, 1, 0.7, 0, 0.4, ['image_rectified','vector_field','deformed_contours'], ['deformation_smoothness','expand_border','subpixel'], [25,0,1], Score, Row, Column)
    if (|Score| > 0)
        gen_warped_mesh_region (VectorField, MeshRegion, 25)
        gen_region_contour_xld (DeformedContours, EdgeRegion, 'margin')
        dilation_circle (EdgeRegion, RegionDilation, 2 * 25)
        intersection (RegionDilation, MeshRegion, RegionIntersection)
        dev_set_line_width (1)
        dev_set_color ('yellow')
        dev_display (Image)
        dev_display (RegionIntersection)
        Found[Index] := |Score|
        dev_set_line_width (2)
        dev_set_color ('green')
        dev_display (DeformedContours)
        * 7.注意：这里显示的是修正过的图像
         dev_display (ImageRectified)
       endif

待检测图像：

halcon——缺陷检测常用方法总结（模板匹配（定位）+差分）-LMLPHP

局部变形匹配定位：矫正：

由于局部变形模板匹配在寻找到图像（find_local_deformable_model）后是自动矫正的，因此我们可以省掉仿射变换的步骤了。

3️⃣通过差异模型差分得到缺陷工件

    *6.差分
    compare_variation_model (ImageRectified, Region, VariationModelID)
    connection (Region, ConnectedRegions)
     *缺陷提取（特征选择，即面积大于60的定义为缺陷）
    select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 60, 99999)
    count_obj (SelectedRegions, Number)
    *显示
    if(Number>0)
           disp_message (WindowHandle, 'NG', 'image', 12, 12, 'red', 'false')
    else
           disp_message (WindowHandle, 'OK', 'window', 12, 12, 'magenta', 'false')
    endif
    dev_set_color ('red')
    dev_display (SelectedRegions)
    stop()
endfor
dev_update_on ()

halcon——缺陷检测常用方法总结（模板匹配（定位）+差分）-LMLPHP

相关算子分析:

create_local_deformable_model（创建局部变形匹配模板）

create_local_deformable_model(Template , NumLevels, AngleStart, AngleExtent, AngleStep, ScaleRMin, ScaleRMax, ScaleRStep, ScaleCMin,ScaleCMax, ScaleCStep, Optimization, Metric, Contrast, MinContrast, ParamName, ParamValue ,ModelID)

参数列表:
Template  //输入多通道图像，用来创建model
NumLevels //金字塔层数：'auto'， 0,1,2,3，。。。
AngleStart //输入起始角度（默认-0.39）
AngleExtent//角度旋转的范围（默认0.79）
AngleStep //旋转的步长，即分辨率，默认’auto'
ScaleRMin//行方向的最小缩放比例，默认1.0，通常大于0小于1
ScaleRMax//行方向的最大缩放比例，默认1.0，通常大于1小于1.5
ScaleRStep//行方向的缩放步长，可影响行方向的分辨率，默认'auto', 0.01,0.02,0.05,。。
ScaleCMin//
ScaleCMax//          列方向，同上
ScaleCStep//
Optimization//生成模型时的优化方式，默认'none'可选，'auto','point_reduction_XXX'
Metric//比较时候的标准,默认'use_polarity'使用极坐标系进行比较
Contrast//在模板图片的滤波或者磁滞滤波中，控制结果的对比度，默认'auto', 10, 20....
MinContrast//在搜寻对象过程中的最小对比度，默认'auto', 1, 2, 3, 5....
ParamName// 普通参数名字（不太清楚用途，后续研究）默认[], 'min_size','part_size'
ParamValue//参数值， 默认[], 可选'small', 'medium', big'
ModelID// 输出的模型handle

变形检测用来检测一个对象是否局部变形，这个检测模型在保持严格的基础上允许一些细小的变形，和find_shape_model(在图中找到相应图形的最佳匹配)不同，create_local_deformable_model更加智能化，它可以预估变形程度并且修正图像中物体的位置（物体相对于图像的相对位置），它可以处理更大的变形。

get_deformable_model_contours(得到局部变形模板的轮廓)

get_deformable_model_contours( ModelContours , ModelID, Level )
//Level决定了返回第几层金字塔图像的边缘

find_local_deformable_model (在待匹配图像中寻找变形模板）

find_local_deformable_model(Image ,ImageRectified, VectorField, DeformedContours : ModelID, AngleStart, AngleExtent, ScaleRMin, ScaleRMax, ScaleCMin, ScaleCMax, MinScore, NumMatches, MaxOverlap, NumLevels, Greediness, ResultType, ParamName, ParamValue : Score, Row, Column)

参数列表：
Image //输入待匹配图像
ImageRectified //输出匹配到的变形矫正后模板图像
VectorField//变形矢量区
DeformedContours //匹配到的轮廓，不是矫正后的轮廓
ModelID//模型句柄
AngleStart//起始角度
AngleExtent//角度范围
ScaleRMin//行缩放最小比例
ScaleRMax//行缩放最大比例
ScaleCMin//
ScaleCMax//列同上
MinScore//最小相似度
NumMatches//需要几个最佳匹配结果
MaxOverlap//最大重叠数
NumLevels//金字塔层数
Greediness//贪婪度（范围0-1，0表示精确缓慢，1表示迅速精度不高）
ResultType//输出的结果类型（[], 'deformed_contours', 'image_rectified', 'vector_field'）
ParamName//参数名称
Score//输出匹配度
Row, Column//输出行列坐标

这个函数的功能是在一张图片中找到变形模型中的最佳匹配结果（可以是多个，由NumMatches输入），模型必须在之前的步骤中使用（create_local_deformable_model或者read_deformable_model)生成。这个函数会返回找到的结果的行，列坐标（Row, Column）作为输出。

另外函数在找到匹配的模型后，输出矫正后的图像（ImageRectified），向量区域（VectorField）和匹配到的轮廓（DeformedContours）通过参数ResultType去选择需要返回哪个（默认[]，都不返回）。

ParamName可以调整参数的设置：（比如）

deformation_smoothness：平滑的度，对于变形越大参数越大
expand_border：扩大ImageRecfified VectorField 区域

gen_warped_mesh（生成变形网格，封装函数）

gen_warped_mesh (VectorField, WarpedMesh, 10)

VectorField// 输入向量区域
WarpedMesh//输出变形网格
10        //代表此函数隔10个像素取值

唯有自己强大

halcon——缺陷检测常用方法总结（模板匹配（定位）+差分）

引言

模板匹配（定位）+差分