opencv python实现蓝膜针点检测,要求针点范围在对应测试点的60%区域内,否则判定为不合规
时间: 2024-04-01 19:36:40 浏览: 16
好的,我了解了您的要求。实现蓝膜针点检测可以通过以下步骤:
1. 读取测试图片,并进行预处理,如裁剪、缩放等操作,以便后续处理。
2. 将图片转换为HSV颜色空间,利用色相(Hue)、饱和度(Saturation)、亮度(Value)三个通道,提取蓝色区域。
3. 对提取到的蓝色区域进行形态学操作,如膨胀、腐蚀等,以去除噪点并增强针点的连通性。
4. 利用OpenCV的霍夫圆检测算法,检测蓝色区域中的圆形目标,即针点。
5. 根据测试点的位置和大小,确定针点的合规范围,即距离测试点中心的半径范围。
6. 判断检测到的针点是否在合规范围内,若在则判定为合格,否则为不合格。
7. 可以将检测结果输出到文件或显示在界面上,方便用户查看。
需要注意的是,具体实现过程可能会因为数据集、算法效率等因素而有所不同,您可以根据具体情况进行调整。
相关问题
编写一段代码,实现基于opencv python实现蓝膜针点检测,要求针点范围在对应测试点的60%区域内,否则判定为不合规
以下是一个简单的示例代码,用于实现基于OpenCV Python的蓝膜针点检测,根据测试点的60%区域内是否存在针点来判断是否合规:
```python
import cv2
import numpy as np
# 读取原始图像
img = cv2.imread('test_image.png')
# 转换为HSV颜色空间
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# 设置蓝色区间的阈值,此处为蓝色范围的上下限
lower_blue = np.array([100, 50, 50])
upper_blue = np.array([130, 255, 255])
# 对图像进行阈值分割,得到蓝色区域的二值图像
mask = cv2.inRange(hsv, lower_blue, upper_blue)
# 对二值图像进行形态学处理,去除噪点并增强针点的连通性
kernel = np.ones((5,5), np.uint8)
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)
mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)
# 查找轮廓
contours, hierarchy = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 遍历轮廓,找到符合要求的针点
for contour in contours:
# 计算当前轮廓的最小外接圆
(x,y), radius = cv2.minEnclosingCircle(contour)
center = (int(x),int(y))
radius = int(radius)
# 计算测试点区域的大小和位置
test_point_x = 200 # 测试点的x坐标
test_point_y = 300 # 测试点的y坐标
test_point_radius = 30 # 测试点的半径
test_point_area = np.pi * test_point_radius * test_point_radius # 测试点的面积
test_point_rect = (test_point_x - 0.6 * test_point_radius, test_point_y - 0.6 * test_point_radius, 1.2 * test_point_radius, 1.2 * test_point_radius)
# 判断当前针点是否在测试点区域内
if cv2.pointPolygonTest(contour, (test_point_x, test_point_y), True) >= 0:
# 计算针点区域的大小和位置
needle_area = np.pi * radius * radius
needle_rect = (x - radius, y - radius, 2 * radius, 2 * radius)
# 判断针点是否在测试点的60%区域内
intersection = (min(needle_rect[0] + needle_rect[2], test_point_rect[0] + test_point_rect[2]) - max(needle_rect[0], test_point_rect[0])) * (min(needle_rect[1] + needle_rect[3], test_point_rect[1] + test_point_rect[3]) - max(needle_rect[1], test_point_rect[1]))
if intersection > 0.6 * test_point_area:
print('针点检测结果:合规')
# 在原始图像上绘制针点区域和测试点区域
cv2.circle(img, center, radius, (0, 255, 0), 2)
cv2.circle(img, (test_point_x, test_point_y), test_point_radius, (255, 0, 0), 2)
else:
print('针点检测结果:不合规')
else:
print('针点检测结果:不合规')
# 显示结果
cv2.imshow('Original Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
```
在上述代码中,我们首先读取了原始图像,然后将其转换为HSV颜色空间。接着,根据蓝色的颜色范围,使用cv2.inRange函数得到蓝色区域的二值图像。使用形态学处理,去除噪点并增强针点的连通性。然后,使用cv2.findContours函数查找所有轮廓,并遍历每个轮廓。对于每个轮廓,我们计算其最小外接圆,并使用cv2.pointPolygonTest函数判断针点是否在测试点区域内,然后计算针点区域的大小和位置。最后,判断针点是否在测试点的60%区域内,若在,则判定为合规,否则判定为不合规,并在原始图像上绘制针点区域和测试点区域。
编写程序实现基于opencv python蓝膜针点检测,要求针点范围在对应测试点的60%区域内,否则判定为不合规
好的,这里是一个基于OpenCV Python的蓝膜针点检测程序,可以实现对测试图片中的针点进行检测,并判断是否符合规定的区域要求:
```python
import cv2
import numpy as np
# 读取测试图片
img = cv2.imread('test_image.jpg')
# 裁剪图片以便处理
x, y, w, h = 100, 100, 400, 400
img = img[y:y+h, x:x+w]
# 将图片转换为HSV颜色空间,提取蓝色区域
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
lower_blue = np.array([90, 80, 80])
upper_blue = np.array([120, 255, 255])
mask = cv2.inRange(hsv, lower_blue, upper_blue)
# 对蓝色区域进行形态学操作,去除噪点并增强连通性
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
mask = cv2.erode(mask, kernel, iterations=2)
mask = cv2.dilate(mask, kernel, iterations=2)
# 利用霍夫圆检测算法,检测圆形目标(针点)
circles = cv2.HoughCircles(mask, cv2.HOUGH_GRADIENT, 1, 20,
param1=50, param2=30, minRadius=0, maxRadius=0)
# 判断针点是否在测试点的60%区域内
test_pad_center = (img.shape[1] // 2, img.shape[0] // 2) # 假设测试点在图片正中心
test_pad_radius = 50 # 假设测试点半径为50像素
if circles is not None:
for circle in circles[0, :]:
center = (circle[0], circle[1])
radius = circle[2]
cv2.circle(img, center, radius, (0, 255, 0), 2)
distance = np.linalg.norm(np.array(center) - np.array(test_pad_center))
if distance <= 0.6 * test_pad_radius:
print('针点合规')
else:
print('针点不合规')
# 显示处理结果
cv2.imshow('image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
```
在这个程序中,我们首先读取测试图片,并进行裁剪以便后续处理。然后,我们将图片转换为HSV颜色空间,提取蓝色区域,并对其进行形态学操作,去除噪点并增强连通性。接着,我们利用霍夫圆检测算法,检测蓝色区域中的圆形目标,即针点。最后,我们根据测试点的位置和大小,确定针点的合规范围,即距离测试点中心的半径范围,判断检测到的针点是否在合规范围内。
需要注意的是,在实际应用中,测试点的位置和大小可能会有所不同,您需要根据具体情况进行调整。此外,需要针对不同的测试图片进行测试和优化,以提高检测的精度和鲁棒性。