Halcon16种缺陷检测视源码.7z_halcon16种缺陷检测视源码资源-CSDN下载

共83个文件

png：39个

hdev：17个

bmp：6个

Halcon源码

缺陷检测

4星 · 超过85%的资源需积分: 50 6 浏览量 2020-04-24 09:30:25 上传评论 26 收藏 13.19MB 7Z 举报

在IT行业中，机器视觉技术是自动化检测和质量控制的关键领域，而Halcon作为一种知名的机器视觉软件，被广泛应用于各种缺陷检测任务。这个压缩包“Halcon16种缺陷检测视源码.7z”提供了丰富的学习资源，包含了不均匀表面刮伤、产品凹坑、电路板短路和断路、化妆品标签褶皱以及刀口破损等多种缺陷检测的源代码。这些源码对于自学Halcon和理解缺陷检测算法有着极大的帮助。不均匀表面刮伤检测是一种常见的工业问题，尤其是在精密制造中。Halcon利用其强大的图像处理功能，通过灰度变换、滤波和边缘检测等步骤，可以有效地识别出表面上的细微划痕。源码中可能包含如何设置合适的阈值、选择适当的滤波器以及应用形状匹配等技术的示例。产品上凹坑检测通常涉及形状分析和深度感知。Halcon的形状匹配和轮廓分析工具可以帮助我们定位并量化产品表面的凹陷。源码可能会演示如何建立模板，进行模板匹配，并使用几何测量来确定凹坑的大小和位置。电路板的短路和断路检测是电子制造业的重要环节。Halcon的连接组件分析和特征提取功能能用于识别电路板上的连通性和断裂。源码可能包括了如何利用Halcon的图像分割、连通性分析和测量工具来检测电路路径的完整性。化妆品标签的褶皱检测涉及到图像的纹理分析和变形检测。Halcon的纹理模型和形状配准技术可以帮助识别标签的平整度。源码可能会展示如何创建纹理模板，然后对比实际图像，找出标签的变形区域。刀口破损缺陷检测通常需要高精度的边缘检测和形状识别。Halcon的边缘检测算法，如Canny算子或Sobel算子，结合形状描述符，可以有效识别刀口的破损情况。源码可能包含如何设置边缘检测参数，以及如何利用形状匹配和尺寸分析来判断刀口的完整性的部分。这些源码不仅适用于学习Halcon的基本操作，还能深入理解缺陷检测的算法逻辑。然而，需要注意的是，这些源码仅用于学习参考，不能直接用于商业项目，因为可能存在版权和合规性问题。在实际应用中，需要根据具体的产品和环境进行调整和优化。 Halcon的这些缺陷检测源码为学习者提供了一次宝贵的学习机会，涵盖了机器视觉在多个领域的应用。通过分析和理解这些源码，可以提升在缺陷检测算法设计和实现方面的技能，进一步推动智能制造的发展。

资源推荐

资源详情

资源评论

收起资源包目录

Halcon16种缺陷检测视源码.7z （83个子文件）

Halcon缺陷检测视频教程配套资料

电路板短路,断路检测

电路板短路,断路检测.hdev 1KB

pcb.png 528KB

产品表面三角缺陷检测@

Demo.hdev 1KB

1.jpg 34KB

检测结果.jpg 3KB

注塑吸嘴缺口检测@

Demo.hdev 3KB

hull.png 104KB

铣刀刀口破损缺陷检测@

Demo.hdev 4KB

Otsu原理.docx 15KB

1.bmp 1.25MB

傅立叶求背景有噪声的钢轨宽度

傅立叶求背景有噪声的钢轨宽度.hdev 1KB

求背景有噪声的钢轨宽度.jpg 62KB

化妆品标签褶皱检测@

Demo.hdev 3KB

photometric_stereo

shampoo_label_03.png 102KB

shampoo_label_02.png 90KB

shampoo_label_04.png 89KB

shampoo_label_01.png 105KB

获取光度立体视觉中物像里光源的方向.hdev 14KB

产品毛刺检测@

fin1.png 113KB

fin2.png 84KB

fin3.png 116KB

手机摄像头图像表面的轻微缺陷检测@

Demo.hdev 4KB

1.bmp 900KB

2.bmp 900KB

产品边缘凹痕检测@

1.bmp 1.05MB

皮革纹理表面缺陷检测@

Demo.hdev 3KB

图像的纹理特征之灰度共生矩阵 - 邗影 - 博客园.html 37KB

lcd

mura_defects_texture_01.png 1.49MB

mura_defects_texture_02.png 1.39MB

图像的纹理特征之灰度共生矩阵 - 邗影 - 博客园_files

1360205806_5194.gif 588B

jquery.js 92KB

24442-20170613154413368-1655528381.jpg 22KB

1360205775_8290.gif 525B

icon_weibo_24.png 4KB

bundle-CodingLife-mobile.css 1KB

411706-20160706231844030-199710502.png 77KB

blog-common.js 61KB

411706-20160706231556514-1533523359.png 88KB

411706-20160706231947467-166861466.png 81KB

bundle-CodingLife.css 14KB

analytics.js 29KB

blog-common.css 33KB

1360205869_5491.gif 927B

1360205863_1033.gif 829B

wechat.png 5KB

logo.gif 43B

411706-20160706231643749-962003285.png 40KB

20151016183515.png 6KB

24442-20170615095125603-13625507.png 68KB

0_1278669891plPJ.gif 9KB

estimate_background_illumination.hdvp 1KB

select_mask_obj.hdev 525B

select_mask_obj.hdvp 3KB

产品上凹坑检测@

Demo.hdev 3KB

1.bmp 1.17MB

2.bmp 1.17MB

产品周围缺口检测@

原图.jpg 36KB

实际效果图.png 136KB

产品周围缺口检测.hdev 2KB

背景网格产品刮伤缺陷检测@

Demo.hdev 3KB

lcd

mura_defects_blur_01.png 881KB

mura_defects_blur_03.png 883KB

mura_defects_blur_02.png 886KB

calculate_lines_gauss_parameters.hdev 3KB

不均匀表面刮伤检测@

image.png 170KB

不均匀表面刮伤.hdev 5KB

网状产品表面破损检测@

Demo.hdev 2KB

plastic_mesh

plastic_mesh_13.png 186KB

plastic_mesh_10.png 188KB

plastic_mesh_05.png 192KB

plastic_mesh_08.png 191KB

plastic_mesh_02.png 191KB

plastic_mesh_07.png 190KB

plastic_mesh_14.png 185KB

plastic_mesh_12.png 186KB

plastic_mesh_04.png 192KB

plastic_mesh_11.png 185KB

plastic_mesh_03.png 191KB

plastic_mesh_06.png 191KB

plastic_mesh_09.png 190KB

plastic_mesh_01.png 193KB

定位出所有网格顶点的位置@

求网格的顶点.png 324KB

求网格的顶点.hdev 2KB

<!DOCTYPE html>  <html lang="zh-cn"><head><meta http-equiv="Content-Type" content="text/html; charset=UTF-8"> <meta charset="utf-8"> <meta name="viewport" content="width=device-width, initial-scale=1"> <title>图像的纹理特征之灰度共生矩阵 - 邗影 - 博客园</title> <link type="text/css" rel="stylesheet" href="./图像的纹理特征之灰度共生矩阵 - 邗影 - 博客园_files/blog-common.css"> <link id="MainCss" type="text/css" rel="stylesheet" href="./图像的纹理特征之灰度共生矩阵 - 邗影 - 博客园_files/bundle-CodingLife.css"> <link id="mobile-style" media="only screen and (max-width: 768px)" type="text/css" rel="stylesheet" href="./图像的纹理特征之灰度共生矩阵 - 邗影 - 博客园_files/bundle-CodingLife-mobile.css"> <link title="RSS" type="application/rss+xml" rel="alternate" href="http://www.cnblogs.com/8335IT/rss"> <link title="RSD" type="application/rsd+xml" rel="EditURI" href="http://www.cnblogs.com/8335IT/rsd.xml"> <link type="application/wlwmanifest+xml" rel="wlwmanifest" href="http://www.cnblogs.com/8335IT/wlwmanifest.xml"> <script async="" src="./图像的纹理特征之灰度共生矩阵 - 邗影 - 博客园_files/analytics.js"></script><script src="./图像的纹理特征之灰度共生矩阵 - 邗影 - 博客园_files/jquery.js" type="text/javascript"></script> <script type="text/javascript">var currentBlogApp = '8335IT', cb_enable_mathjax=false;var isLogined=false;</script> <script src="./图像的纹理特征之灰度共生矩阵 - 邗影 - 博客园_files/blog-common.js" type="text/javascript"></script> </head> <body> <a name="top"></a>  <div id="home"> <div id="header"> <div id="blogTitle"> <a id="lnkBlogLogo" href="http://www.cnblogs.com/8335IT/"><img id="blogLogo" src="./图像的纹理特征之灰度共生矩阵 - 邗影 - 博客园_files/logo.gif" alt="返回主页"></a>  <h1><a id="Header1_HeaderTitle" class="headermaintitle" href="http://www.cnblogs.com/8335IT/">邗影</a></h1> <h2></h2> </div> <div id="navigator"> <ul id="navList"> <li><a id="blog_nav_sitehome" class="menu" href="http://www.cnblogs.com/">博客园</a></li> <li><a id="blog_nav_myhome" class="menu" href="http://www.cnblogs.com/8335IT/">首页</a></li> <li><a id="blog_nav_newpost" class="menu" rel="nofollow" href="https://i.cnblogs.com/EditPosts.aspx?opt=1">新随笔</a></li> <li><a id="blog_nav_contact" class="menu" rel="nofollow" href="https://msg.cnblogs.com/send/%E9%82%97%E5%BD%B1">联系</a></li> <li><a id="blog_nav_rss" class="menu" href="http://www.cnblogs.com/8335IT/rss">订阅</a> </li> <li><a id="blog_nav_admin" class="menu" rel="nofollow" href="https://i.cnblogs.com/">管理</a></li> </ul> <div class="blogStats"> <div id="blog_stats"> <span id="stats_post_count">随笔 - 84  </span> <span id="stats_article_count">文章 - 0  </span> <span id="stats-comment_count">评论 - 7</span> </div> </div> </div> </div> <div id="main"> <div id="mainContent"> <div class="forFlow"> <div id="post_detail">  <div id="topics"> <div class="post"> <h1 class="postTitle"> <a id="cb_post_title_url" class="postTitle2" href="./图像的纹理特征之灰度共生矩阵 - 邗影 - 博客园_files/图像的纹理特征之灰度共生矩阵 - 邗影 - 博客园.html">图像的纹理特征之灰度共生矩阵</a> </h1> <div class="clear"></div> <div class="postBody"> <div id="cnblogs_post_body"><p>（<a class="user_name" href="http://my.csdn.net/weiyuweizhi" target="_blank">黑灯瞎火好干事</a>。。。。。。。来源一）</p> <p><span style="font-size: 15px; font-family: 隶书;">由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵就是一种通过研究灰度的<a href="http://baike.baidu.com/view/3822151.htm" target="_blank">空间相关</a>特性来描述纹理的常用方法。</span></p> <p>Gray-level co-occurrence matrix from an image</p> <p>图像的灰度共生矩阵<br><br>灰度共生矩阵是像素距离和角度的矩阵函数，它通过计算图像中一定距离和一定方向的两点灰度之间的相关性，来反映图像在方向、间隔、变化幅度及快慢上的综合信息。<br><br>使用方法：<br>glcm = graycomatrix(I)<br>glcms = graycomatrix(I,param1,val1,param2,val2,...)<br>[glcms,SI] = graycomatrix(...)<br><br>描述：<br>glcms = graycomatrix(I) 产生图像I的灰度共生矩阵GLCM。它是通过计算两灰度值在图像I中水平相邻的次数而得到的 (也不必是水平相邻的次数，这一参数是可调的，可能通过Offsets来进行调整，比如[0 D]代表是水平方向，[-D D]代表是右上角45度方向，[-D 0]代表是竖直方向，即90度方向，而[-D -D]则代表是左上角，即135度方向），GLCM中的每一个元素（i,j）代表灰度i与灰度j在图像中水平相邻的次数。<br><br>因为动态地求取图像的GLCM区间代价过高，我们便首先将灰度值转换到I的灰度区间里。如果I是一个二值图像，那么灰度共生矩阵就将图像转换到两级。如果I是一个灰度图像，那将转换到8级。灰度的级数决定了GLCM的大小尺寸。你可以通过设定参数“NumLevels”来指定灰度的级数，还可以通过设置“GrayLimits"参数来设置灰度共生矩阵的转换方式。<br><br>下图显示了如何求解灰度共生矩阵，以（1，1）点为例，GLCM（1，1）值为1说明只有一对灰度为1的像素水平相邻。GLCM（1，2）值为2，是因为有两对灰度为1和2的像素水平相邻。</p> <p> </p> <p><img src="./图像的纹理特征之灰度共生矩阵 - 邗影 - 博客园_files/0_1278669891plPJ.gif" alt="" width="595" height="272"></p> <p> （<span style="color: #ff0000;">这里添几句废话，左边是你灰度分级后的图像，右边是你按照八级来的统计矩阵</span></p> <p>glcms = graycomatrix(I,param1,val1,param2,val2,...) 返回一个或多个灰度灰度共生矩阵，根据指定的参数。参数可以很简短，并且对大小写不敏感。<br><br>参数<br><br>'GrayLimits'  是两个元素的向量，表示图像中的灰度映射的范围，如果其设为[]，灰度共生矩阵将使用图像I的最小及最大灰度值作为GrayLimits<br><br>'NumLevels'    一个整数，代表是将图像中的灰度归一范围。举例来说，如果NumLevels为8，意思就是将图像I的灰度映射到1到8之间，它也决定了灰度共生矩阵的大小<br><br>'Offset'   上面有解释，是一个p*2的整数矩阵，D代表是当前像素与邻居的距离，通过设置D值，即可设置角度<br>Angle        Offset<br>  0              [0 D]<br> 45             [-D D]<br> 90             [-D 0]<br>135            [-D -D]<br>设置参数<span style="color: #ff0000;">的时候offset,偏移量，在此基础上，0表示相邻水平，45表示相邻斜上方，90表示相邻上下，135同理</span></p> <p>.................<span style="color: #0000ff;">.glcm = graycomatrix(I)</span><br><span style="color: #0000ff;">        从图像I创建灰度共生�

评论收藏

内容反馈