当前位置: 首页 > news >正文

visionpro官方示例分析(一) 模板匹配工具 缺陷检测工具

1.需求:找出图像中的这个图形。

在这里插入图片描述

2.步骤
使用CogPMAlignTool工具,该工具是模板匹配工具,见名知意,所谓模板匹配工具就是说先使用该工具对一张图像建立模板,然后用这个模板在其他图像上进行匹配,匹配上了就说明找到了,匹配不上就说明没有找到。

在这里插入图片描述

将输入图像给到CogPMAlignTool工具。
抓取一张训练图像,将矩形框移到该图形的位置,表明自己对该图形感兴趣,确定训练区域和原点。

在这里插入图片描述
在这里插入图片描述

训练。
调整运行参数,使模板的适应范围更广。

在这里插入图片描述

这样就可以使用训练好的模板到其他图像中去检测目标图形了。

在这里插入图片描述


在这里插入图片描述
在官方示例中还有下面这部分,这又是干什么的呢?且听我娓娓道来。
在这里插入图片描述

之前我们是以这张图像为模板来找中间的图形的,既然我们是拿这张图像作为模板的,那就说明这张图像很优秀,优秀到可以作为其他图像的参考,那么我们就假设这张图像中的所有图形都是标准的。
现在有一个需求是:在这张图像的右上角有一个三角形,我们把它当作标准件,我们想要以该形状为标准检测其他图像中的这个形状是否是标准的(是否是有缺陷的),因此就需要用到CogPatInspectTool工具。
CogPatInspectTool工具通过将当前图像与训练图像对比,获取原始差异图像,再将原始差异图像与阈值图像进行对比,进而获取阈值差异图像得到最终的当前图像与训练图像的差异,通常差异区域为缺陷所在。

还有一个问题:CogPatInspectTool工具放在CogPMAlignTool工具后面是偶然吗?还是必然?

在这里插入图片描述
答案是必然的。如上图,我们想要使用CogPatInspectTool工具判断待检测图像中的该图形是否有缺陷,待检测图像实际上只是在模板图像的基础上旋转了一个角度而已,也就是说待检测图像除了位姿和模板图像不一样,其他地方都一摸一样。但是CogPatInspectTool工具并不能智能到让两张图像现在位姿上保持一致,然后进行缺陷检测。因此CogPatInspectTool工具需要搭配着CogPMAlignTool工具使用,由CogPMAlignTool工具告诉它图像之间的位姿关系和大小关系,然后CogPatInspectTool工具就可以排除掉位姿和大小的影响,进行缺陷检测了。

在作业中添加CogPatInspectTool工具。
该工具需要以下几个参数:

在这里插入图片描述
那么我们就需要CogPMAlignTool工具的输出参数中有这么几个参数。为CogPMAlignTool工具添加终端。

  • InputImage:原始的输入图像。
  • Pose:输入图像与模板相比的位姿关系。
  • Pattern.TrainImage:模板图像。
  • Pattern.Origin:模板图像的原点。

在这里插入图片描述

打开CogPatInspectTool工具,框选训练区域,训练模板。

在这里插入图片描述
在这里插入图片描述

OK,大功告成。下面来分析一下。

在这里插入图片描述

选择MatchImage,表示图像与模板图像的匹配度。
在这里插入图片描述
当输入的图像为模板图像自身时,也就是说当拿自身和自身进行匹配时,是这样的。

在这里插入图片描述

当输入的是其他图像时,匹配的结果是这样的。因此就很容易看出来,图像中不同的颜色代表匹配度,图像中的红色区域说明匹配度很低,因此该区域可能存在缺陷。

也可以选择DifferenceImageAbsolute。在这里插入图片描述

当输入的是模板图像本身时:

在这里插入图片描述

漆黑一片。

当输入的是其他图像时:

在这里插入图片描述

像素值越大的地方说明该区域与模板图像的差异越大。

http://www.lryc.cn/news/493446.html

相关文章:

  • PyCharm中Python项目打包并运行到服务器的简明指南
  • cocos creator 3.8 合成大西瓜Demo 11
  • Vue前端开发-动态插槽
  • 使用easyexcel导出复杂模板,同时使用bean,map,list填充
  • 最大值(Java Python JS C++ C )
  • 17.5k Star,ThingsBoard 一款开源、免费、功能全面的物联网 IoT 平台 -慧知开源充电桩平台
  • 《C++ 与神经网络:自动微分在反向传播中的高效实现之道》
  • 【CSS】设置文本超出N行省略
  • open-instruct - 训练开放式指令跟随语言模型
  • DI依赖注入详解
  • TDengine在debian安装
  • 【C#设计模式(15)——命令模式(Command Pattern)】
  • XGBoost库介绍:提升机器学习模型的性能
  • 网络安全构成要素
  • SpringMVC——SSM整合
  • Windows系统电脑安装TightVNC服务端结合内网穿透实现异地远程桌面
  • 【ubuntu24.04】GTX4700 配置安装cuda
  • Spring Boot 动态数据源切换
  • MySQL技巧之跨服务器数据查询:进阶篇-从A服务器的MySQ数据库复制到B服务器的SQL Server数据库的表中
  • 大语言模型LLM的微调中 QA 转换的小工具 xlsx2json.py
  • CFD 在生物反应器放大过程中的作用
  • Axios与FastAPI结合:构建并请求用户增删改查接口
  • 美畅物联丨如何通过ffmpeg排查视频问题
  • 基于OpenCV视觉库让机械手根据视觉判断物体有无和分类抓取的例程
  • QChart数据可视化
  • 转换的艺术:如何在JavaScript中序列化Set为Array、Object及逆向操作
  • 万能门店小程序管理系统存在前台任意文件上传漏洞
  • 详解Rust泛型用法
  • 移远通信携手紫光展锐,以“5G+算力”共绘万物智联新蓝图
  • Mybatis:Mybatis快速入门