基于 OpenCV 机器视觉入门实验：零件瑕疵检测（含代码）

实验目的

通过使用 OpenCV 进行图像处理与分析，实现零件瑕疵检测。

实验原理

图像处理与分析技术是现代工业生产中不可缺少的技术手段。对于零件瑕疵检测来说，主要涉及到以下几个方面的技术：

图像预处理：包括图像的滤波、降噪、增强等操作，以便更好地为后续的分析和处理提供清晰的图像。
特征提取：通过对图像进行特征提取，可以将图像中的信息转化为可供计算机处理的数字信息，以便进行下一步的分析和处理。
目标检测：对于工业生产中的零件瑕疵检测，需要通过目标检测的方式，对零件进行分类和识别，以便对瑕疵进行检测和定位。

实验步骤

导入相关库文件：

import cv2
import numpy as np

读取原始图像：

img = cv2.imread('part.jpg')

图像预处理：

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 将图像转换为灰度图像
blur = cv2.GaussianBlur(gray, (5, 5), 0) # 对图像进行高斯滤波

特征提取：

edged = cv2.Canny(blur, 50, 200) # 对图像进行边缘检测

目标检测：

contours, hierarchy = cv2.findContours(edged, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 寻找轮廓

for c in contours:
    area = cv2.contourArea(c) # 计算轮廓面积
    if area > 1000: # 设定面积阈值，过滤掉过小的轮廓
        (x, y, w, h) = cv2.boundingRect(c) # 计算轮廓的外接矩形
        cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2) # 在原图像上绘制矩形框

显示处理后的图像：

cv2.imshow('Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

完整代码

import cv2
import numpy as np

img = cv2.imread('part.jpg')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (5, 5), 0)
edged = cv2.Canny(blur, 50, 200)

contours, hierarchy = cv2.findContours(edged, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

for c in contours:
    area = cv2.contourArea(c)
    if area > 1000:
        (x, y, w, h) = cv2.boundingRect(c)
        cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

cv2.imshow('Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

实验结果

经过运行上述代码后，我们得到了如下图所示的结果：

result

可以看到，程序成功地检测出了图像中的瑕疵部分，并在原图像上绘制了矩形框，以便进行进一步的分析和处理。

实验结论

通过本次实验，我们成功地使用 OpenCV 进行了零件瑕疵检测，实现了图像处理、特征提取、目标检测等操作，为工业生产中的自动检测和质量控制提供了有力的技术支持。

注意

请将代码中的 'part.jpg' 替换为您的实际图像文件名。
根据实际情况调整代码中的参数，例如边缘检测阈值、轮廓面积阈值等。
本实验报告仅提供一个简单的示例，实际应用中可能需要更复杂的算法和技术。