Измерение истинного угла изогнутой проволоки с помощью OpenCV

Question

У меня есть роботизированное устройство c, которое изгибает проволоку, и я пытаюсь измерить, был ли изгиб успешным, глядя на требуемые и истинные измерения угла.

Я имею в виду, чтобы обнаружить провод и нарисовать линию для каждого сегмента провода, после чего он становится лишь небольшой тригонометрией проблема. Но я не могу найти способ нарисовать и получить координаты этих линий.

Я очень новичок в обработке изображений, поэтому, пожалуйста, извините мою грубую терминологию.

Answer 1

Это выглядит как интересная проблема. Мы можем использовать тот факт, что сила вертикальной кромки изогнутой проволоки и изогнутой проволоки различна. Изогнутый провод вернет более высокое значение, когда мы отфильтруем его с помощью вертикального фильтра Собеля.

Результат фильтра Sobel в направлении y

Извлеките изогнутый и изогнутый провод, извлекая область (капли) различной прочности.

Более сильный край будет соответствовать неизогнутому проводу.

Более слабый край будет соответствовать изогнутый провод.

Используя функцию анализа BLOB-объектов opencv minRectArea , мы можем получить угол, размер и центральное положение капель.

Значение угла относительно горизонтальной линии

Разогнутый провод: 3,94 градуса

Изогнутый провод: 21,37 градуса

Вот код, используемый для получения вышеуказанного результата:

import cv2
import numpy as np 
import matplotlib.pyplot as plt

# extract blob with largest area
def get_best_blob(blobs):
    best_blob = None
    best_size = 0
    for i,blob in enumerate(blobs):
        rot_rect = cv2.minAreaRect(blob)
        (cx,cy),(sx,sy),angle = rot_rect
        if sx * sy >best_size :
            best_blob = rot_rect
            best_size = sx * sy

    return best_blob

def draw_blob_rect(frame,blob,color):
    box = cv2.boxPoints(blob)
    box = np.int0(box)    
    frame = cv2.drawContours(frame,[box],0,color,1)

    return frame

def process():
    image = cv2.imread("wire.png")

    # Change to grayscale
    gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)

    # Reduce size for speed
    gray = cv2.resize(gray,(0,0),fx=0.5,fy=0.5)

    # Extract wire region
    _ , thresh = cv2.threshold(gray,100,255,cv2.THRESH_BINARY_INV)

    # morphology kernel
    kernel = np.array((
            [1, 1, 1],
            [1, 1, 1],
            [1, 1, 1]
            ), dtype="int")

    # Get y-edges
    dy = cv2.Sobel(thresh,cv2.CV_32F,0,1,ksize=21)

    # remove negative values
    dy = dy * dy

    # Normalize it to 255
    cv2.normalize(dy,dy,norm_type=cv2.NORM_MINMAX,alpha=255)
    dy = dy.astype('uint8')

    # Extract relevant information
    # Stronger edge is the original part
    # Weaker edge is the bended part
    _ , strong = cv2.threshold(dy,0.95 * 255,255,cv2.THRESH_BINARY)
    _ , mid = cv2.threshold(dy,0.5 * 255,255,cv2.THRESH_BINARY)


    # Morphological closing to remove holes 
    strong_temp = cv2.dilate(strong,kernel, iterations=5)
    strong = cv2.erode(strong_temp,kernel, iterations=5)

    # remove the strong part from the mid
    mid = cv2.subtract(mid,strong_temp)

    # Morphological closing to remove holes 
    mid_temp = cv2.dilate(mid,kernel, iterations=5)
    mid = cv2.erode(mid_temp,kernel, iterations=5)

    # find the blobs for each bin image
    _,strong_blobs,_ = cv2.findContours(strong,cv2.RETR_EXTERNAL ,cv2.CHAIN_APPROX_SIMPLE)
    _,mid_blobs,_ = cv2.findContours(mid,cv2.RETR_EXTERNAL ,cv2.CHAIN_APPROX_SIMPLE)

    # get the blob with the largest area
    best_strong = get_best_blob(strong_blobs)
    best_mid = get_best_blob(mid_blobs)

    # print the angle
    print( "strong_angle",90 + best_strong[2])
    print( "mid_angle",90 + best_mid[2])


    # Draw the segmented Box region
    display_frame = cv2.cvtColor(gray,cv2.COLOR_GRAY2BGR)
    display_frame = draw_blob_rect(display_frame,best_strong,(0,0,255))
    display_frame = draw_blob_rect(display_frame,best_mid,(0,255,255))

    # draw result    
    cv2.imshow("display_frame",display_frame)
    cv2.imshow("mid",mid)
    cv2.imshow("strong",strong)
    cv2.imshow("image",image)
    cv2.imshow("dy",dy)
    cv2.waitKey(0)



if __name__=='__main__':
    process()

Answer 2

Это очень широкий вопрос, поэтому мой ответ также будет несколько широким. Один из способов go об этом был бы следующим:

1. Порог для получения двоичного изображения, где провод становится белым, черный фон
2. Выполнить маркировку подключенных компонентов
3. Нарисуйте только второй по величине компонент на черном новом изображении (игнорируя форму dis c слева)
4. Суммируйте это изображение по вертикали, чтобы найти переход от основания провода к проводу (переход в сумму столбцов значение)
5. Определить координату y самого верхнего белого пикселя для каждого столбца от вершины провода (крайнего левого столбца с ненулевой суммой) до непосредственно перед основанием провода
6. Вычислить расстояние каждого из этих верхних пикселей до линии между крайним левым верхним пикселем и самым правым верхним пикселем (непосредственно перед основанием)
7. Найдите точку перегиба в качестве верхнего пикселя в столбце, для которого это расстояние является максимальным
8. Вычислить угол линии между крайним левым верхним пикселем и точкой перегиба
9. Сравнить с горизонтальной или к углу линии между точкой перегиба и крайним правым верхним пикселем перед основанием, если эта часть также может быть перекошена