前言

本案例将使用OpenCV C++ 进行PCB印刷缺陷检测。目前缺陷检测算法可分为两大类：
一：基于模板匹配的缺陷检测
二：基于深度学习的缺陷检测，主要利用目标检测去识别缺陷部分。
本文算法主要是基于模板匹配算法进行缺陷检测，参考《基于差异模型的印刷标签缺陷检测算法》一文，进行算法复现，感兴趣的朋友可以去阅读一下原文。
在这里插入图片描述

一、结果演示

在这里插入图片描述

二、缺陷检测算法

2.1、多元模板图像

通过工业相机采集合格标签图像，作为差异模型的训练数据集，选择其中一张合格标签图像分别进行高斯平滑、灰度腐蚀和灰度膨胀操作，获取多元模板图像，用于训练差异模型。
将合格图像f（x，y）与高斯核滤波器卷积，得到高斯平滑图像f1（x，y）。构建一个11×11大小的矩形结构元素，对合格标签图像进行灰度腐蚀运算，得到灰度腐蚀图像f2（x，y）。再构建一个13×13 大小的矩形结构元素，对合格标签图像进行灰度膨胀运算［3］，得到灰度膨胀图像f3（x，y）。

2.2、训练差异模型

将多元模板图像f1（x，y）、f 2（x，y）与f 3（x，y）作为训练数据集对差异模型进行训练。对所有图像同一坐标的像素点计算平均值与标准差［4］，得到均值图像F（x，y）：
在这里插入图片描述

标准差图像V（x，y）：
在这里插入图片描述

本文中，F（x，y）、V（x，y）即为差异模型训练过程中的标准图像与差异图像。

为了使理想的差异模型适应正常的工艺误差范围，加入相对阈值VarThreshold=［b u，b l］参数。其中，b u为上限相对阈值，bl为下限相对阈值。如图2所示。则两幅阈值图像T u，l（x，y）计算如下：
亮阈值图像：Tu（x，y）=F（x，y）+ bu* V（x，y）
暗阈值图像：Tl（x，y）=F（x，y）- bl* V（x，y)

将配准对其后的待测图像c（x，y）与差异模型的阈值图像 Tu， l（x，y）进行像素点之间的灰度值对比，当满足如下条件时，即为检测到的缺陷区域。
c（x，y）>Tu（x，y）∨c（x，y）<T l （x，y）

三、图像配准

如图为模板图像

如图为待检测图像，我们需要将待检测图像与模板图像进行图像配准。在这里我使用的是基于图像仿射变换进行两幅图像的矫正。关于图像矫正这块就不细说了，可以参考一下我的这篇博文OpenCV C++案例实战四《图像透视矫正》。这里直接上代码
在这里插入图片描述

3.1 功能源码

//图像定位矫正
bool ImageLocal(cv::Mat srcImg, cv::Mat& warpImg, Point2f SrcAffinePts[])
{Mat grayImg;if (srcImg.channels() != 1){cvtColor(srcImg, grayImg, COLOR_BGR2GRAY);}else{grayImg = srcImg.clone();}Mat blurImg;medianBlur(grayImg, blurImg, 5);Mat binImg;threshold(blurImg, binImg, 10, 255, THRESH_BINARY);//namedWindow("binImg", WINDOW_NORMAL);//imshow("binImg", binImg);vector<vector<Point>>contours;findContours(binImg, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);RotatedRect bRect;for (int cnt = 0; cnt < contours.size(); cnt++){double area = contourArea(contours[cnt]);if (area > 1000){bRect = minAreaRect(contours[cnt]);}}if (bRect.size.empty())return false;//如果没有找到最小外接矩形，返回false//找到最小外接矩形四个顶点Point2f srcPoints[4];bRect.points(srcPoints);//for (int i = 0; i < 4; i++)//{//	line(srcImg, srcPoints[i], srcPoints[(i + 1) % 4], Scalar(0, 255, 0), 3);//}//将四个点按照左上、右上、右下、左下进行区分int TL, TR, BR, BL;double addmax = 0.0, addmin = 999.9, submax = 0.0, submin = 999.9;for (int i = 0; i < 4; i++){double addval = srcPoints[i].x + srcPoints[i].y;double subval = srcPoints[i].x - srcPoints[i].y;if (addval > addmax){addmax = addval;BR = i;}if (addval < addmin){addmin = addval;TL = i;}if (subval > submax){submax = subval;TR = i;}if (subval < submin){submin = subval;BL = i;}}double LeftHeight = EuDis(srcPoints[TL], srcPoints[BL]);double RightHeight = EuDis(srcPoints[TR], srcPoints[BR]);double MaxHeight = max(LeftHeight, RightHeight);double UpWidth = EuDis(srcPoints[TL], srcPoints[TR]);double DownWidth = EuDis(srcPoints[BL], srcPoints[BR]);double MaxWidth = max(UpWidth, DownWidth);//这里使用的顺序是左上、右上、右下、左下顺时针顺序。SrcAffinePts、DstAffinePts要一一对应SrcAffinePts[0] = Point2f(srcPoints[TL]);SrcAffinePts[1] = Point2f(srcPoints[TR]);SrcAffinePts[2] = Point2f(srcPoints[BR]);SrcAffinePts[3] = Point2f(srcPoints[BL]);Point2f DstAffinePts[4] = { Point2f(0,0),Point2f(MaxWidth,0),Point2f(MaxWidth,MaxHeight),Point2f(0,MaxHeight) };Mat M = getPerspectiveTransform(SrcAffinePts, DstAffinePts);warpPerspective(srcImg, warpImg, M, Size(MaxWidth, MaxHeight), 1, 0, Scalar::all(0));return true;
}

3.1 功能效果

在这里插入图片描述

四、多元模板图像

关于如何计算均值图像、差异图像、以及亮、暗阈值图像在下面源码中以复现，具体请阅读源码。

4.1 功能源码

//计算均值图像
void meanImage(cv::Mat gaussianImg, cv::Mat erodeImg, cv::Mat dilateImg, cv::Mat& meanImg)
{meanImg = Mat::zeros(gaussianImg.size(), CV_8U);for (int i = 0; i < gaussianImg.rows; i++){uchar* gData = gaussianImg.ptr<uchar>(i);uchar* eData = erodeImg.ptr<uchar>(i);uchar* dData = dilateImg.ptr<uchar>(i);uchar* mData = meanImg.ptr<uchar>(i);for (int j = 0; j < gaussianImg.cols; j++){mData[j] = (gData[j] + eData[j] + dData[j]) / 3;}}
}//计算差异图像
void diffImage(cv::Mat gaussianImg, cv::Mat erodeImg, cv::Mat dilateImg, cv::Mat meanImg, cv::Mat& diffImg)
{diffImg = Mat::zeros(gaussianImg.size(), CV_8U);for (int i = 0; i < gaussianImg.rows; i++){uchar* gData = gaussianImg.ptr<uchar>(i);uchar* eData = erodeImg.ptr<uchar>(i);uchar* dData = dilateImg.ptr<uchar>(i);uchar* mData = meanImg.ptr<uchar>(i);uchar* Data = diffImg.ptr<uchar>(i);for (int j = 0; j < gaussianImg.cols; j++){Data[j] = sqrt(powf((gData[j] - mData[j]), 2) + powf((eData[j] - mData[j]), 2) + powf((dData[j] - mData[j]), 2) / 3.0);}}
}//计算亮、暗阈值图像
void threshImg(cv::Mat meanImg, cv::Mat diffImg,cv::Mat &LightImg,cv::Mat& DarkImg)
{double bu = 1.2;double bl = 0.8;Mat mul_bu, mul_bl;multiply(diffImg, bu, mul_bu);multiply(diffImg, bl, mul_bl);LightImg = Mat::zeros(meanImg.size(), CV_8U);DarkImg = Mat::zeros(meanImg.size(), CV_8U);for (int i = 0; i < meanImg.rows; i++){uchar* mData = meanImg.ptr<uchar>(i);uchar* dData = diffImg.ptr<uchar>(i);uchar* lData = LightImg.ptr<uchar>(i);uchar* DData = DarkImg.ptr<uchar>(i);uchar* buData = mul_bu.ptr<uchar>(i);uchar* blData = mul_bl.ptr<uchar>(i);for (int j = 0; j < meanImg.cols; j++){lData[j] = saturate_cast<uchar>(mData[j] + buData[j]);DData[j] = saturate_cast<uchar>(mData[j] - blData[j]);}}
}

如下图为亮阈值图像。
在这里插入图片描述

如下图为暗阈值图像。
在这里插入图片描述

五、缺陷检测

以上，我们计算出来了模板的亮、暗阈值图像，主要就是通过与这两幅图像的灰度值进行对比，进而确定缺陷部分。
在这里插入图片描述
如图为：将配准对其后的待测图像c（x，y）与差异模型的阈值图像 Tu， l（x，y）进行像素点之间的灰度值对比，当满足如下条件时，即为检测到的缺陷区域。
c（x，y）>Tu（x，y）∨c（x，y）<T l （x，y）

由于此时提取到的缺陷部分是基于仿射矫正后的，故如果需要在原图上显示结果的话，还需要将检测结果进行反变换回去。具体请阅读源码。

5.1 功能源码

//缺陷检测
void DetectImg(cv::Mat warpImg,cv::Mat LightImg, cv::Mat DarkImg, Point2f SrcAffinePts[],cv::Mat decImg, cv::Mat& showImg)
{int th = 10;//容差阈值Mat resImg = Mat::zeros(warpImg.size(), CV_8U);for (int i = 0; i < warpImg.rows; i++){uchar* sData = warpImg.ptr<uchar>(i);uchar* lData = LightImg.ptr<uchar>(i);uchar* dData = DarkImg.ptr<uchar>(i);uchar* rData = resImg.ptr<uchar>(i);for (int j = 0; j < warpImg.cols; j++){//识别缺陷if ((sData[j]-th) > lData[j]||(sData[j]+th) < dData[j]){rData[j] = 255;}}}Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));morphologyEx(resImg, resImg, MORPH_OPEN, kernel);kernel = getStructuringElement(MORPH_RECT, Size(7, 7));dilate(resImg, resImg, kernel);//namedWindow("resImg", WINDOW_NORMAL);//imshow("resImg", resImg);//绘制缺陷结果vector<vector<Point>>contours;findContours(resImg, contours, RETR_LIST, CHAIN_APPROX_SIMPLE);for (int t = 0; t < contours.size(); t++){if (contourArea(contours[t]) > 50){Rect rect = boundingRect(contours[t]);rectangle(showImg, rect, Scalar(0, 0, 255), 2);}}//将结果反变换回原图像Point2f DstAffinePts[4] = { Point2f(0,0),Point2f(decImg.cols,0),Point2f(decImg.cols,decImg.rows),Point2f(0,decImg.rows) };Mat M = getPerspectiveTransform( DstAffinePts, SrcAffinePts);warpPerspective(showImg, showImg, M, decImg.size(), 1, 0, Scalar::all(0));
}