使用OpenCV进行裂纹检测之前去除背景纹理图案

Question

我想检测运动的传送带上的裂缝。下面是一个示例：

对于上面的图像，我可以使用GaussianBlur，之后是Canny，然后使用findContour来检测裂纹。但是在其他情况下，我需要检测出带有重花纹的皮带裂纹。例如，下面是没有裂缝的“重型花纹”皮带。 （对不起，我找不到在这种皮带上有裂纹的皮带。）

我的旧方法在这种皮带上效果不佳。如果我对GaussianBlur使用更大的内核，则可以删除皮带模式。但这也减少/消除了裂缝。

更新：这是另一个斑点型裂纹图像。

我尝试使用SimpleBlobDetector进行检测。但是在繁重的图案带上，它会带来很多误报。关于如何检测图案皮带上的斑点是否有任何建议？

更新2：

我遵循了@nathancy在bilateralFilter上的建议：

min_area = 400
blur = cv2.bilateralFilter(gray, 11, 125, 125)
thresh = cv2.adaptiveThreshold(blur,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,3,2)
canny = cv2.Canny(thresh, 120, 255, 1)

放大后的图像如下。

对于这些特定的图片，我可以做一个“ min_area = 400”来区分裂缝和图案。但是，较大的内核模糊也会将部分裂纹与图案一起擦掉。因此，我希望min_area选择在更复杂的真实环境（即不同的光照条件等）下不会非常稳定。我有一个问题，因为模式始终为+ -45度。是否有任何过滤器可以帮助您按照这些方向去除图案？

Answer 1

这是一个潜在的解决方案

• 将图像转换为灰度和中值模糊
• 自适应阈值
• Canny边缘检测
• 通过形态学转换来消除噪声
• 扩张以增强轮廓
• 找到轮廓
• 遍历轮廓并使用最小阈值区域进行过滤

---

这是结果

一个潜在的预处理步骤是在检测到裂纹之前先去除深色部分，因为这会破坏中间模糊和自适应阈值。例如，如果您能够删除最后一张图像上的黑色部分，则会得到此结果。

可能的优化方法是使用中间模糊，因为这有助于平滑皮带​​上的图案。您还可以调整最小阈值区域以控制检测到的裂纹的大小

import cv2
import numpy as np

image = cv2.imread('1.png')

blur = cv2.medianBlur(image, 7)
gray = cv2.cvtColor(blur, cv2.COLOR_BGR2GRAY)
thresh = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY,11,3)

canny = cv2.Canny(thresh, 120, 255, 1)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
opening = cv2.morphologyEx(canny, cv2.MORPH_CLOSE, kernel)
dilate = cv2.dilate(opening, kernel, iterations=2)

cnts = cv2.findContours(dilate, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]

min_area = 3000
for c in cnts:
    area = cv2.contourArea(c)
    if area > min_area:
        cv2.drawContours(image, [c], -1, (36, 255, 12), 2)

cv2.imshow('image', image)
cv2.imwrite('image.png', image)
cv2.waitKey(0)