【资料图】

对于现在很多工业检测，特别是对一些精密的器件进行筛选，往往都是像素级别的，十分的精确。

主要思想

将图像转化为二值图像在对图像进行腐蚀/膨胀处理在进行轮廓检测筛选目标大小符合的轮廓（排除误差小的轮廓）在在进行膨胀化处理，将轮廓信息绘制出

import cv2
import os
import numpy as np
import time


t1 = time.time()
img = cv2.imread("./label/28901647.jpg", 0)
img_copy = cv2.imread("./label/28901647.jpg", 0)
mask = np.zeros_like(img)
print(np.shape(img))
# 先利用二值化去除图片噪声
ret, img = cv2.threshold(img, 80, 255, cv2.THRESH_BINARY)




es = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (4, 2))
img = cv2.dilate(img, es, iterations=1)  # 形态学膨胀


kernel = np.ones(shape=[5,5],dtype=np.uint8)
img = cv2.erode(img,kernel=kernel)  # 腐蚀操作

cv2.imshow("aa",img)
cv2.waitKey(0)


contours, _ = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)


n = len(contours)  # 轮廓的个数
cv_contours = []
for contour in contours:
    area = cv2.contourArea(contour)

    if area <= 500:# 筛选面积大于500的，小于500的全部变为255，
        cv_contours.append(contour)
        # 方式一
        # x, y, w, h = cv2.boundingRect(contour) # 这个函数可以获得一个图像的最小矩形边框一些信息，参数img是一个二值图像，它可以返回四个参数，左上角坐标，矩形的宽高 (轮廓集合  contour)
        # img[y:y + h, x:x + w] = 255
        
    else:

        cv2.drawContours(img_copy, [contour], -1, (0, 0, 255), 0) # 多边形轮廓绘制

        print("area:", area)
        continue
# 方式二
cv2.fillPoly(img, cv_contours, (255, 255, 255)) # 多个多边形填充

t2 = time.time()
print("时间：",t2-t1)
cv2.imwrite("./output/28901647.jpg", img)

1、寻找到的轮廓信息（缺陷）

2、通过腐蚀、膨胀后的，筛选出的较大缺陷

3、通过不同程度的膨胀腐蚀、缺陷面积筛选

以上就是Python+OpenCV实现表面缺陷检测的详细内容，更多关于Python OpenCV缺陷检测的资料请关注脚本之家其它相关文章！

关键词： 表面缺陷 二值图像 相关文章 不同程度 筛选面积