Question

我实际上正在使用OpenCV和Python开发机器视觉项目。

目标：该项目的目标是以高精度测量组件的尺寸。

主要硬件：

Basler 500万像素摄像头（aca-2500-14gm）
红色背光（100毫米x 100毫米）（我的组件尺寸约为60毫米）

实验

由于我正在考虑非常严格的公差限制，我首先进行了精确研究。我将组件保留在背光源上并拍摄了100张图像而没有移动部件（想象像100帧的视频）。我测量了所有100张图像的外径（OD）。我的mm /像素比率 0.042 。我测量了测量的标准偏差，以找出精度，结果是 0.03 mm，这是不好的。触摸组件和设置因此我期望精度为0.005 mm。但是我已经退了一个数量级了。我正在使用OpenCV的Hough圆来计算组件的OD。

代码：

import sys
import pickle
import cv2
import matplotlib.pyplot as plt
import glob
import os
import numpy as np
import pandas as pd

def find_circles(image,dp=1.7,minDist=100,param1=50,param2=50,minRadius=0,maxRadius=0):
    """ finds the center of circular objects in image using hough circle transform

    Keyword arguments
    image -- uint8: numpy ndarray of a single image (no default).
    dp -- Inverse ratio of the accumulator resolution to the image resolution (default 1.7).
    minDist -- Minimum distance in pixel distance between the centers of the detected circles (default 100).
    param1 -- First method-specific parameter (default = 50).
    param2 -- Second method-specific parameter (default = 50).
    minRadius -- Minimum circle radius in pixel distance (default = 0).
    maxRadius -- Maximum circle radius in pixel distance (default = 0).

    Output
    center -- tuple: (x,y).
    radius -- int : radius.
    ERROR if circle is not detected. returns(-1) in this case    
    """

    circles=cv2.HoughCircles(image, 
                             cv2.HOUGH_GRADIENT, 
                             dp = dp, 
                             minDist = minDist, 
                             param1=param1, 
                             param2=param2, 
                             minRadius=minRadius, 
                             maxRadius=maxRadius)
    if circles is not None:
            circles = circles.reshape(circles.shape[1],circles.shape[2])
            return(circles)
    else:
        raise ValueError("ERROR!!!!!! circle not detected try tweaking the parameters or the min and max radius")

def find_od(image_path_list):
    image_path_list.sort()
    print(len(image_path_list))
    result_df = pd.DataFrame(columns=["component_name","measured_dia_pixels","center_in_pixels"])
    for i,name in enumerate(image_path_list):
        img = cv2.imread(name,0) # read the image in grayscale
        ret,thresh_img = cv2.threshold(img, 50, 255, cv2.THRESH_BINARY_INV)
        thresh_img = cv2.bilateralFilter(thresh_img,5,91,91) #smoothing
        edges = cv2.Canny(thresh_img,100,200)
        circles = find_circles(edges,dp=1.7,minDist=100,param1=50,param2=30,minRadius=685,maxRadius=700)
        circles = np.squeeze(circles)
        result_df.loc[i] = os.path.basename(name),circles[2]*2,(circles[0],circles[1])
    result_df.sort_values("component_name",inplace=True)
    result_df.reset_index(drop=True,inplace=True)
    return(result_df)

df = find_od(glob.glob("./images/*"))
mean_d = df.measured_dia_pixels.mean()
std_deviation = np.sqrt(np.mean(np.square([abs(x-mean_d) for x in df.measured_dia_pixels])))

mm_per_pixel = 0.042
print(std_deviation * mm_per_pixel)

输出：0.024

组件的图像：

由于在不影响设置的情况下拍摄图像，我希望测量的重复性大约为0.005毫米（5微米）（对于100张图像）。但事实并非如此。这是霍布圈的问题吗？或者我在这里缺少什么

Answer 1

Hough专为检测而设计，而非量化。如果您需要精确的测量，您必须使用专为此设计的库。 OpenCV不是用于量化，因此在那里具有较差的能力。

很久以前我写了一篇关于使用Radon变换进行更精确的尺寸估计的论文（Hough变换是离散化Radon变换的一种方法，它在某些情况下很快，但不精确）：< / p>

C.L。 Luengo Hendriks，M。van Ginkel，P.W。 Verbeek和L.J. van Vliet，广义Radon变换：采样，精度和记忆考虑，模式识别38（12）：2494-2505,2005，doi:10.1016/j.patcog.2005.04.018。 Here is a PDF。

但是因为您的设置控制得非常好，所以您并不需要所有这些来获得精确的测量。这是一个非常简单的Python脚本来量化这些漏洞：

import PyDIP as dip
import math

# Load image and set pixel size
img = dip.ImageReadTIFF('/home/cris/tmp/machined_piece.tif')
img.SetPixelSize(dip.PixelSize(0.042 * dip.Units("mm")))

# Extract object
obj = ~dip.Threshold(dip.Gauss(img))[0]
obj = dip.EdgeObjectsRemove(obj)

# Remove noise
obj = dip.Opening(dip.Closing(obj,9),9)

# Measure object area
lab = dip.Label(obj)
msr = dip.MeasurementTool.Measure(lab,img,['Size'])
objectArea = msr[1]['Size'][0]

# Measure holes
obj = dip.EdgeObjectsRemove(~obj)
lab = dip.Label(obj)
msr = dip.MeasurementTool.Measure(lab,img,['Size'])
sz = msr['Size']
holeAreas = []
for ii in sz.Objects():
   holeAreas.append(sz[ii][0])

# Add hole areas to main object area
objectArea += sum(holeAreas)

print('Object diameter = %f mm' % (2 * math.sqrt(objectArea / math.pi)))
for a in holeAreas:
   print('Hole diameter = %f mm' % (2 * math.sqrt(a / math.pi)))

这给了我输出：

Object diameter = 57.947768 mm
Hole diameter = 6.540086 mm
Hole diameter = 6.695357 mm
Hole diameter = 15.961935 mm
Hole diameter = 6.511002 mm
Hole diameter = 6.623011 mm

请注意，上面的代码中有很多假设。还有一个问题是相机没有正好位于物体正上方，您可以看到反射光线的孔的右侧。这肯定会增加这些测量的不精确性。但请注意，在测量物体时，我没有使用物体为圆形的知识（仅在将物体转换为直径时）。有可能使用圆度标准来克服一些成像缺陷。

上面的代码使用PyDIP，这是一个非常粗略的Python接口，用于C ++库DIPlib 3。 Python语法是C ++语法的直接翻译，对于Python人来说，有些事情仍然很尴尬（实际上，我认为它在C ++中更容易使用！）。但它专门针对量化，因此我建议您尝试使用它。

使用Opencv python进行精确测量

1 个答案: