皮革表面划痕检测是质量控制中的重要环节，利用计算机视觉技术能够快速、精准地识别皮革表面的缺陷。本文将详细讲解如何通过OpenCVSharp实现皮革划痕的自动检测。

实现方案

环境准备

首先，确保安装以下NuGet包：

• OpenCvSharp4
• OpenCvSharp4.Windows

完整代码实现

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using OpenCvSharp;

namespace AppScratchInspection
{
    publicclass LeatherScratchDetector
    {
        /// <summary>  
        /// 显示图像处理的每个阶段  
        /// </summary>  
        /// <param name="imagePath">皮革图像路径</param>  
        public void DetectScratchWithVisualization(string imagePath)
        {
            // 读取原始图像  
            Mat originalImage = Cv2.ImRead(imagePath, ImreadModes.Color);
            ShowImage("原始图像", originalImage);

            // 图像预处理：转换为灰度图  
            Mat grayImage = new Mat();
            Cv2.CvtColor(originalImage, grayImage, ColorConversionCodes.BGR2GRAY);
            ShowImage("灰度图", grayImage);

            // 图像去噪  
            Mat denoiseImage = new Mat();
            Cv2.GaussianBlur(grayImage, denoiseImage, new Size(3, 3), 0);
            ShowImage("去噪图像", denoiseImage);

            // 边缘检测（使用Canny算法）  
            Mat edges = new Mat();
            Cv2.Canny(denoiseImage, edges, 50, 90);
            ShowImage("边缘检测", edges);

            // 形态学操作：膨胀和腐蚀，突出划痕特征  
            Mat kernel = Cv2.GetStructuringElement(MorphShapes.Rect, new Size(11, 11));
            Mat dilatedEdges = new Mat();
            Cv2.Dilate(edges, dilatedEdges, kernel, iterations: 2);
            ShowImage("膨胀处理", dilatedEdges);

            // 查找轮廓  
            Point[][] contours;
            HierarchyIndex[] hierarchies;
            Cv2.FindContours(dilatedEdges, out contours, out hierarchies,
                RetrievalModes.External,
                ContourApproximationModes.ApproxSimple);

            // 过滤和分析轮廓（划痕）  
            List<Point[]> scratches = new List<Point[]>();
            Mat contourImage = originalImage.Clone();

            foreach (var contour in contours)
            {
                double area = Cv2.ContourArea(contour);

                // 根据面积和形状过滤可能的划痕  
                if (area > 50)
                {
                    double perimeter = Cv2.ArcLength(contour, true);
                    double ratio = 4 * Math.PI * area / (perimeter * perimeter);

                    // 长条状特征判断  
                    if (ratio < 0.5)
                    {
                        scratches.Add(contour);

                        // 绘制每个检测到的轮廓  
                        Cv2.DrawContours(contourImage, new Point[][] { contour }, -1,
                            Scalar.Red, 2);
                    }
                }
            }

            // 显示最终结果  
            ShowImage("划痕检测结果", contourImage);

            // 输出划痕数量  
            Console.WriteLine($"检测到 {scratches.Count} 个划痕");
        }

        /// <summary>  
        /// 封装图像窗口显示方法  
        /// </summary>  
        /// <param name="windowName">窗口名称</param>  
        /// <param name="image">待显示图像</param>  
        private void ShowImage(string windowName, Mat image)
        {
            // 调整图像大小以适应屏幕  
            Mat resizedImage = new Mat();
            Cv2.Resize(image, resizedImage, new Size(640, 480));

            // 显示窗口  
            Cv2.ImShow(windowName, resizedImage);

            // 等待按键  
            Cv2.WaitKey(1000); // 每个窗口停留1秒  
        }
    }
}

调用

using OpenCvSharp;

namespace AppScratchInspection
{
    internal class Program
    {
        static void Main(string[] args)
        {
            var detector = new LeatherScratchDetector();
            detector.DetectScratchWithVisualization("example.jpeg");

            // 保持最后一个窗口直到用户关闭  
            Cv2.WaitKey(0);
            Cv2.DestroyAllWindows();
        }
    }
}

Cv2.Canny 函数参数

void Cv2.Canny(Mat image, Mat edges, double threshold1, double threshold2, int apertureSize = 3, bool L2gradient = false);

参数说明

1. image
    (Mat):
• 输入图像，通常是经过灰度处理和去噪的图像。
2. edges
    (Mat):
• 输出图像，包含检测到的边缘。
3. threshold1
    (double):
• 第一个阈值，用于边缘连接。值越低，检测到的边缘越多。这个值用于哈希图像的梯度强度，低于该值的梯度被认为是非边缘强度。
4. threshold2
    (double):
• 第二个阈值，用于边缘连接。值越高，边缘检测将更严格。只有当梯度强度高于该值时，才会被认为是潜在边缘。Canny算法通过两个阈值来连接边缘，低于 `threshold1` 的边缘被丢弃，介于两个阈值之间的边缘需要与高于 `threshold2` 的边缘连接才能成为有效边缘。
5. apertureSize
    (int, 可选):
• Sobel算子的大小，用于计算图像梯度。它可以取值为3、5或7，默认为3。增大这个值可以提高边缘检测的平滑度，但可能会损失一些细节。
6. L2gradient
    (bool, 可选):
• 是否使用更精确的L2范数计算梯度的大小。如果为`true`，则使用L2范数；如果为`false`（默认），则使用L1范数。L2范数能提供更精确的边缘。

示例

在您的代码中，您使用的参数如下：

Cv2.Canny(denoiseImage, edges, 50, 90);

• threshold1
  : 50
• threshold2
  : 90

这意味着：

• 任何梯度低于50的点将被抛弃；
• 任何梯度超过90的点将被标记为边缘；
• 凡是介于50和90之间的点，只有当它与一个标记为边缘的点相连时，才会被视为边缘。

注意

• 根据实际产品表面特征调整参数
• 光照和拍摄条件会影响检测效果
• 建议采集大量样本进行算法训练和优化

结语

通过OpenCVSharp，我们可以构建一个高效的产品表面划痕检测系统。结合计算机视觉技术和实际工业需求，可以显著提高产品质量检测的准确性和效率。

阅读原文：原文链接