计算机视觉40例之案例06缺陷检测

缺陷检测指将图像中的残次品筛选出来。如图1所示，左侧的图像中包含正品（完整的药片）、残次品（不完整的药片），右侧图像中显示了检测的结果。

图1 残次品检测

轮廓与原始对象高度拟合，包含了非常丰富的信息。通过对一个对象的最小包围圆形与其轮廓面积的比值，能够将不规则的圆形筛选出来，从而实现缺陷检测，如图2所示。

图2  面积对比示意图

当然，具体还涉及到最小包围圆形、前景背景的划分等知识点。

1、最小包围圆形

OpenCV提供了函数cv2.minEnclosingCircle()通过迭代算法构造一个对象的面积最小包围圆形。使用该函数能够获取一个对象的最小包围圆形，如图3所示。

图3 最小包围圆形

2、前景背景划分

借助OpenCV的距离变换函数cv2.distanceTransform()，可以方便地将前景对象提取出来。如图4所示是利用该函数划分的前景背景图。

图4 前景背景划分

缺陷识别的流程图如图5所示。可以看到，在具体实现包含：

1. 预处理
2. 前景背景划分：通过距离变换函数cv2.distanceTransform()实现
3. 缺陷检测：通过判断外接圆和轮廓实现

 图5 流程图

在《计算机视觉40例——从入门到深度学习（OpenCV-Python）》一书中，从算法原理、实现流程等角度系统深入地介绍了该案例的理论基础和实现过程，并对具体的代码实现进行了细致的介绍与解释。欢迎大家阅读第7章《缺陷检测》获取详细内容。

《计算机视觉40例——从入门到深度学习（OpenCV-Python）》在介绍Python基础、OpenCV基础、计算机视觉理论基础、深度学习理论的基础上，介绍了计算机视觉领域内具有代表性的40个典型案例。这些案例中，既有传统的案例（数字识别、答题卡识别、物体计数、缺陷检测、手势识别、隐身术、以图搜图、车牌识别、图像加密、指纹识别等），也有深度学习案例（图像分类、风格迁移、姿势识别、实例分割等），还有人脸识别方面的案例（表情识别、驾驶员疲劳监测、识别性别与年龄等）。