在纹理中找瑕疵.基于高斯混合模型(GMM)分类器的纹理检查模型,适用于图像金字塔,可以分析纹理的多个频率范围. [要求]训练样本,必须完美无瑕疵. [步骤] 1.创建模型 create_texture_inspection_model 或 read_texture_inspection_model 2.加载训练样本 add_texture_inspection_model_image 查看样本get_texture_inspection_model_image 保存样本write_object

引言 机器视觉中缺陷检测分为一下几种: blob+特征(官方示例surface_scratch.hdev) blob+差分+特征(官方示例pcb_inspection.hdev) 光度立体 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 前一篇总结了频域与空间域的结合使用,本篇就光度立体的缺陷检测做一个总结. 光度立体 在工业领域,表面检测是一个非常广泛的应用领域.在halcon中,

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:halcon--缺陷检测常用方法总结(模板匹配(定位)+差分) - 唯有自己强大 - 博客园 (cnblogs.com) 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:halcon--缺陷检测常用方法总结(测量拟合) - 唯有自己强大 - 博客园 (cnblogs.com) 频域+空间域结合:halcon--缺陷检测常用方

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

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:halcon--缺陷检测常用方法总结(模板匹配(定位)+差分) - 唯有自己强大 - 博客园 (cnblogs.com) 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

摘要 缺陷检测是视觉需求中难度最大一类需求,主要是其稳定性和精度的保证.首先常见缺陷:凹凸.污点瑕疵.划痕.裂缝.探伤等. 缺陷检测算法不同于尺寸.二维码.OCR等算法.后者应用场景比较单一,基本都是套用一些成熟的算子,所以门槛较低,比较容易做成标准化的工具.而缺陷检测极具行业特点,不同行业的缺陷算法迥然不同.随着缺陷检测要求的提高,机器学习和深度学习也成了缺陷领域一个不可或缺的技术难点. 总的来说,机器视觉中缺陷检测分为一下几种: blob+特征(官方示例surface_scratch.hde

参考博客:https://blog.csdn.net/xue_wenyuan/article/details/51533953 https://blog.csdn.net/jinshengtao/article/details/17797641 傅里叶变换是一种信号处理中的有力工具,可以帮助我们将图像从空域转换到频域,并提取到空域上不易提取的特征.但是经过傅里叶变换后, 图像在不同位置的频度特征往往混合在一起,但是Gabor滤波器却可以抽取空间局部频度特征,是一种有效的纹理检测工具. 在图像处理

14.1  Access 1. get_region_chain 功能:一个对象的轮廓(contour)作为链式码. 2. get_region_contour 功能:查询一个目标的轮廓(contour). 3. get_region_convex 功能:查询突起的外表作为轮廓(contour). 4. get_region_points 功能:查询一个区域的像素数. 5. get_region_polygon 功能:用一个多边形近似获取区域. 6. get_region_runs 功能:查询一

在深度学习在图像识别任务上大放异彩之前,词袋模型Bag of Features一直是各类比赛的首选方法.首先我们先来回顾一下PASCAL VOC竞赛历年来的最好成绩来介绍物体分类算法的发展. 从上表我们可以发现,在2012年之前,词袋模型是VOC竞赛分类算法的基本框架,几乎所有算法都是基于词袋模型的,可以这么说,词袋模型在图像分类中统治了很多年.虽然现在深度学习在图像识别任务中的效果更胜一筹,但是我们也不要忘记在10年前,Bag of Features的框架曾经也引领过一个时代.那这篇文章就是要

摘要: 在不受限制的环境中拍摄的人脸图像通常包含显著的姿态变化,这会显著降低设计用于识别正面的算法的性能.本文提出了一种新颖的面部识别框架,能够处理±90°偏航范围内的全方位姿势变化.所提出的框架首先将原始姿态不变人脸识别问题转化为局部正面人脸识别问题.然后开发了一个健壮的基于块的人脸表示方案来表示合成的局部正面.对于每个块,在提出的多任务学习方案下学习转换字典.转换字典将不同姿势的特征转换为判别性子空间.最后,面部匹配是在块级而不是整体级执行的.在FERET,CMU-PIE和Multi-PIE

介绍 我们已经知道,傅里叶变换是一种信号处理中的有力工具,可以帮助我们将图像从空域转换到频域,并提取到空域上不易提取的特征.但是经过傅里叶变换后,图像在不同位置的频度特征往往混合在一起,但是Gabor滤波器却可以抽取空间局部频度特征,是一种有效的纹理检测工具.Figure 1: A sinusoid and it's Fourier spectrum 如何生成一个Gabor滤波器 在二维空间中,使用一个三角函数(如正弦函数)与一个高斯函数叠加我们就得到了一个Gabor滤波器[1],如下图. Fi

表面瑕疵检测是机器视觉领域非常重要的一个应用.机器视觉是集光学.机电和计算机三个领域的一门不算新的技术.但目前表面瑕疵检测在学界主要是计算机专业或者控制专业瞄准图像处理方向在做,而视觉光学系统这一块主要是光学工程专业在做.很少有研究者把这三块都结合的很好,而国内做这机器视觉(注意是机器视觉 不是计算机视觉)基本上都是小公司. 软件这一块就不说了,国内的整体软件环境不好.据我所知,日本.德国和美国在机器视觉方面有很多相对成熟的软件.中国农业大学的陈兵旗教授在留日期间弄过很多机器视觉方面的农业机器人

LAWS纹理滤波 texture_laws(Image, 原图像 ImageTexture, 输出值,滤波后图像 FilterType, 过滤器类型 Shift, 灰度值转换,滤波后的灰度值可能会比较大,转换后的灰度值Gray=Gray/(Shift2),要根据滤波器选择合适的灰度值转换 FilterSize) 过滤器大小,3, 7, 5可选 过滤器类型帮助文档中有详细列举, 各种大小的过滤器都是由leswruo这几个向量构成,文档中单个向量都有原型,对于组合出来的滤波器矩阵,就是两个向量的点积

近段时间开始接触halcon,但是在VS2015里面使用,无论是配置还是生产EXE文件,都不如意. 加上网上的教程很多,经过多次测试,其实有很多地方无需修改,如果修改的太多也失去了直接添加封装的意义. 我的环境为 WIN10 64位 halcon12 用64位到处C++ 文件,VS2015免费共享版. (如果要生成32位的话,需要halcon12 用32位程序  导出C++,并且需要把VC切换为X86平台, 库目录改为 C:\Program Files\MVTec\HALCON-12.0\lib

例程:detect_indent_fft.hdev 说明:这个程序展示了如何利用快速傅里叶变换(FFT)对塑料制品的表面进行目标(缺陷)的检测,大致分为三步: 首先,我们用高斯滤波器构造一个合适的滤波器(将原图通过高斯滤波器滤波): 然后,将原图和构造的滤波器进行快速傅里叶变换: 最后,利用形态学算子将缺陷表示在滤波后的图片上(在缺陷上画圈). 注:代码中绿色部分为个人理解和注释,其余为例程中原有代码 *Initialization(初始化) dev_updata_off() //这一句包含如下

跟我学机器视觉-HALCON学习例程中文详解-FUZZY检测用于开关引脚测量 * This example program demonstrates the basic usage of a fuzzy measure object. * Here, the task is to determine the width of and the distance between the * pins of a switch. * * First, read in the image and init

视觉检测中,直线的宽度很好检测,即两条平行线的垂直距离,而曲线的宽度检测则需要另辟蹊径. 检测图像中曲线边缘的宽度,用以判断边缘是否崩缺,总结如下五种方法: 1.图像匹配判断 概述:建立标准图像参考,通过比对检测结果. 核心算子: (1)参考:align_bead: (2)检测:apply_bead_inspection_model: 参考Halcon例程:apply_bead_inspection_model.hdev. 该方法较适用于胶水检测,因为无法方便地获取崩缺的值,因而弃用,但具有参考

安装完成HALCON之后,在VS项目中添加动态链接库配置项目,并修改此项目属性的包含目录.库目录和链接器.

C# halcon 12 联合编程的 实例 1.先调试好halcon程序,我以读取图片的程序为例.

例程:surface_scratch.hdev 说明:这个程序利用局部阈值和形态学处理提取表面划痕 代码中绿色部分为个人理解和注释,其余为例程中原有代码 *surface_scratch.hdev:extraction of surface scratches via local thresholding and morphological post-processing* dev_close_window() dev_update_window('off') ***** *step: acqu