鋼管識別專案1

鋼管識別專案1

一、原始需求/：

二、初步分析：

鋼管的特點是由於其是有深度的，這就造成了管子的內部形成乙個陰影。尋找並識別這個陰影，是解決問題的主要方法。

同時需要注意到的一點是管子它本身的排列是有符合物理特性的，就是大體上要符合下圖的這種情況，這是個先驗知識。

干擾在於這個陰影不僅是管子內部才有的，管子和管子之間也會形成陰影；

此外，這些實際的中都存在管子被堵死的情況，這也是需要考慮的。

三、解決方案：

灰度並閾值處理，得到這樣的結果。需要注意的是這裡不要使用ostu。的確ostu很多時候都很好用，但是也有不好用的時候。即使是固定的閾值在本例的效果也比 ostu效果要好，可以嘗試一下。

尋找所有的輪廓，首先根據輪廓的面積大小去除一部分區域

兩圖對照，可以發現根據面積約束以後，丟掉了一些東西。一方面是哪些被堵起來的管子；一方面是哪些和旁邊的陰影合在一起的管子。這個需要專門來做，並且根據先驗知識來進行約束。當期的進行找圓操作並且限制半徑大小後得到這樣的結果。

主要存在的干擾就是孔洞之間被識別出來構成的圓。

四、難點攻關：

一、去除識別結果中的干擾，主要是管子和管子之間的間隙造成的誤識別

主要採用的方法是識別出各輪廓的外接橢圓。對於那些錯誤識別的地方，它們的外界橢圓總是可能不規則的，或者是過大、或者是長寬比失調。通過這個方法可以提出一部分干擾。留下的那些都是本身非常近視於圓的地方了。

boolellipselikecircle(rotatedrect rotatedrect)

if(min(width,height)

>20*

1. 2)

return

true;

}

二、將影象中的那些被堵起來的部分，採用相反的方法進行識別，最後將結果疊加在一起

另一幅（要調整閾值）

四、小結反思：

對於此類直接取圖於實際，也利用於實際的專案（對比與生產線上的那種大規模批量的）來說，我認為做成半自動的要比全自動的效果要好。畢竟影象質量放在那裡，無論向那個方向優化都很容易做成過度優化，而且演算法的優化也會很複雜。

但是最終得到有用的結果才是重要的，才是有價值的。與其做成全自動的不如將影象識別做成輔助識別的一部分，將那些重複性的工作（比如識別哪些容易識別的管子）由機器來做，將哪些複雜的識別交給人來做，這樣在提供工作效率的同時也提高了識別效率。

和此相類似的是現在許多安卓的軟體，在使用的時候，上面都有個框子，要求你把需要識別的影象大概框到這個框子裡面。我也的確認為這樣的現場的運用，最好是用

安卓來執行，但是執行於桌面也是有價值的。這個方面單獨研究。

但是並不能因此而降低對演算法的優化，說到底，演算法優化才是根本。

p.s 在

[blog 演算法原理]選擇輪廓(select_shape) 中，我研究了關於如何模仿halcon的形式進行輪廓的大小和圓的特性的判斷，也能夠得到不錯的效果，有興趣可以看一看。

同時，在「鋼管識別專案2」中，我對採用gui介面輔助識別進行了一些研究。