纺织品缺陷检测的 OpenCV 实现 -> 脏污、油渍、断线（详细步骤 + 代码）
视觉/图像重磅干货，第一时间送达!
导读
本文将介绍使用OpenCV实现纺织物缺陷检测(脏污、油渍、线条破损缺陷)的详细步骤 + 代码。（来源公众号：OpenCV与AI深度学习）
背景介绍
机器视觉应用场景中缺陷检测的应用是非常广泛的，通常涉及各个行业、各种缺陷类型。今天我们要介绍的是纺织物的缺陷检测，缺陷类型包含脏污、油渍、线条破损三种，这三种缺陷与LCD屏幕检测的缺陷很相似，处理方法也可借鉴。
脏污缺陷
脏污缺陷图片如下，肉眼可见明显的几处脏污，该如何处理？
实现步骤：
【1】使用高斯滤波消除背景纹理的干扰。如下图所示，将原图放大后会发现纺织物自带的纹理比较明显，这会影响后续处理结果，所以先做滤波平滑。
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (7,7), 0)高斯滤波结果：
【2】Canny边缘检测凸显缺陷。Canny边缘检测对低对比度缺陷检测有很好的效果，这里注意高低阈值的设置：
edged = cv2.Canny(blur, 10, 30)Canny边缘检测结果：
【3】轮廓查找、筛选与结果标记。轮廓筛选可以根据面积、长度过滤掉部分干扰轮廓，找到真正的缺陷。
contours,hierarchy = cv2.findContours(edged, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
for cnt in contours:
length = cv2.arcLength(cnt,True)
if length >= 1:
cv2.drawContours(img,cnt,-1,(0,0,255),2)轮廓筛选标记结果：
油污缺陷
油污缺陷图片如下，肉眼可见明显的两处油污，该如何处理？
实现步骤：
【1】将图像从RGB颜色空间转到Lab颜色空间。对于类似油污和一些亮团的情况，将其转换到Lab或YUV等颜色空间的色彩通道常常能更好的凸显其轮廓。
LabImg = cv2.cvtColor(img, cv2.COLOR_BGR2Lab)
L,A,B = cv2.split(LabImg)Lab颜色空间b通道效果：
【2】高斯滤波 + 二值化。
blur = cv2.GaussianBlur(B, (3,3), 0)
ret,thresh = cv2.threshold(blur,130,255,cv2.THRESH_BINARY)高斯滤波 + 二值化结果：
【3】形态学开运算滤除杂讯。
k1 = np.ones((3,3), np.uint8)
thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, k1)开运算处理结果：
【4】轮廓查找、筛选与结果标记。轮廓筛选可以根据面积、宽高过滤掉部分干扰轮廓，找到真正的缺陷。
contours,hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
for cnt in contours:
area = cv2.contourArea(cnt)
if area >= 50:
cv2.drawContours(img,cnt,-1,(0,0,255),2)轮廓筛选标记结果：
线条破损缺陷
线条破损缺陷图片如下，肉眼可见明显的一处脏污，该如何处理？
实现步骤：
【1】将图像从RGB颜色空间转到Lab颜色空间 + 高斯滤波。
LabImg = cv2.cvtColor(img, cv2.COLOR_BGR2Lab)
L,A,B = cv2.split(LabImg)
blur = cv2.GaussianBlur(B, (3,3), 0)B通道高斯滤波结果：
【2】Canny边缘检测凸显缺陷。
edged = cv2.Canny(blur, 5, 10)Canny边缘检测结果：
【3】轮廓查找、筛选与结果标记。轮廓筛选可以根据面积、长度过滤掉部分干扰轮廓，找到真正的缺陷。
contours,hierarchy = cv2.findContours(edged, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
for cnt in contours:
length = cv2.arcLength(cnt,True)
if length >= 10:
cv2.drawContours(img,cnt,-1,(0,0,255),2)轮廓筛选标记结果：
后记
对于上述缺陷大家可以尝试使用频域处理方法(如傅里叶变换等)，本文方法仅供参考，实际应用还要根据实际图像做批量测试和优化。