?
Baumer工業(yè)相機
Baumer工業(yè)相機堡盟相機是一種高性能、高質(zhì)量的工業(yè)相機，可用于各種應(yīng)用場景，如物體檢測、計數(shù)和識別、運動分析和圖像處理。
Baumer的萬兆網(wǎng)相機擁有出色的圖像處理性能，可以實時傳輸高分辨率圖像。此外，該相機還具有快速數(shù)據(jù)傳輸、低功耗、易于集成以及高度可擴展性等特點。
?
Baumer工業(yè)相機NEOAPI SDK是用于Baumer工業(yè)相機的一款最新的軟件開發(fā)工具包（SDK）。它為開發(fā)人員提供了一系列API和工具，用于與Baumer工業(yè)相機進行通信和控制，控制方式極為便捷類似Halcon的相機助手類控制方式。?
OpenCV，全稱Open Source Computer Vision Library，是一個開源的跨平臺計算機視覺與機器視覺庫。該庫提供了豐富的圖像處理和計算機視覺算法，涵蓋了圖像處理、特征檢測、目標識別、運動跟蹤等多個領(lǐng)域，適用于各種平臺，包括Windows、Linux、Android和iOS等。OpenCV是由英特爾公司發(fā)起并開放源代碼，是計算機視覺領(lǐng)域中廣泛應(yīng)用的一種工具。
注意：本文是基于Baumer的NEOAPI SDK的基礎(chǔ)上聯(lián)合OpenCV使用C++語言來實現(xiàn)相機對圖像進行邊緣檢測。
Baumer工業(yè)相機使用OpenCV對圖像進行邊緣檢測的技術(shù)背景
工業(yè)相機使用OpenCV進行圖像邊緣檢測時，涉及到以下技術(shù)背景：
-
邊緣檢測算法：OpenCV中包含了許多經(jīng)典的邊緣檢測算法，如Sobel、Canny、Laplacian等。這些算法可用于識別圖像中的邊緣區(qū)域，有助于提取出圖像中重要的特征信息。
-
圖像梯度：邊緣檢測的核心思想是利用圖像中像素之間的梯度變化來識別邊緣。Sobel和Laplacian算子可以分別用于計算圖像中的水平和垂直梯度，而Canny算法則結(jié)合多種技術(shù)實現(xiàn)更加精確的邊緣檢測。
-
閾值處理：在邊緣檢測中，設(shè)置適當?shù)拈撝祵μ荻戎颠M行處理是非常重要的。這有助于過濾掉噪聲或非邊緣區(qū)域的影響，從而提高邊緣檢測的準確度。
-
實時性和效率：工業(yè)相機通常需要實時進行圖像處理，因此在選擇邊緣檢測算法時需要考慮其計算復(fù)雜度和實時性能。OpenCV提供了針對性能優(yōu)化的邊緣檢測算法，適合工業(yè)相機實時應(yīng)用的需求。
-
應(yīng)用場景：工業(yè)相機使用OpenCV進行邊緣檢測的應(yīng)用場景包括產(chǎn)品質(zhì)檢、定位、測量等。通過邊緣檢測，可以有效提取并分析產(chǎn)品表面的特征，實現(xiàn)對產(chǎn)品的自動化檢測和分析。
綜上所述，工業(yè)相機使用OpenCV進行圖像邊緣檢測時，需要深入理解邊緣檢測算法原理、圖像梯度計算、閾值處理等技術(shù)背景知識，以實現(xiàn)對圖像中邊緣區(qū)域的準確提取和分析。
在NEOAPI SDK里使用OpenCV建立邊緣檢測功能
在相機連接后可以在NEOAPI SDK里使用OpenCV對建立邊緣檢測功能函數(shù)，C++調(diào)用代碼如下所示：
#include <iostream>
#include <thread>
#include <vector>
#include <map>
#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/core/ocl.hpp"
#include "neoapi/neoapi.hpp"
class EdgeDetector {
public:
explicit EdgeDetector(NeoAPI::NeoString serialnumber) {
camera_.Connect(serialnumber);
camera_.f().ExposureTime.Set(2500);
// cv mats will created by width and height -> there is no space for chunk -> disable chunk
camera_.DisableChunk();
try {
camera_.f().PixelFormat.Set(NeoAPI::PixelFormat::BayerRG8);
} catch (NeoAPI::FeatureAccessException&) {
camera_.f().PixelFormat.Set(NeoAPI::PixelFormat::Mono8);
}
pixel_format_ = camera_.f().PixelFormat.Get();
identifier_ = serialnumber;
}
~EdgeDetector() {
Stop();
FreeCamBuffers();
}
// setups the edge detector to do processing with the requested type
void Setup(MemoryMode memtype) {
cv::ocl::setUseOpenCL(MemoryMode::cpu != memtype);
if (cv::ocl::Device::getDefault().hostUnifiedMemory()) { // do not use svm functions if this failes
try {
cv::ocl::Context::getDefault().setUseSVM(MemoryMode::shared == memtype);
}
catch(...) {
memtype = MemoryMode::cpu;
std::cout << "SVM Error: falling back to cpu memory!" << std::endl;
}
}
SetupBuffers(3, memtype);
camera_.SetUserBufferMode();
}
// single edge detection on a given image
void Detect(const NeoAPI::Image& image, bool show_image) {
cv::UMat *img_mat = &(image.GetUserBuffer<CamBuffer*>()->gpu_mat_);
if (NeoAPI::PixelFormat::BayerRG8 == pixel_format_) {
cv::cvtColor(*img_mat, grey_mat_, cv::COLOR_BayerRG2GRAY);
} else {
grey_mat_ = *img_mat;
}
cv::GaussianBlur(grey_mat_, gauss_mat_, cv::Size(5, 5), 0);
cv::Sobel(gauss_mat_, sobel_mat_, sobel_mat_.depth(), 1, 1, 5);
if (show_image) {
cv::imshow(identifier_, sobel_mat_);
cv::pollKey();
}
++frames_;
}
// returns the number of processed images since last call
size_t ProcessedFrames() {
size_t ret = frames_;
frames_ = 0;
return ret;
}
// return the cameras serial number
const cv::String& GetIdentifier() {
return identifier_;
}
// starts a seperate thread that will do edge detection continouosly
void Start(bool show_images) {
run_ = true;
detect_thread_ = std::thread(&EdgeDetector::Detect_, this, show_images);
}
// stops a previous started continouosly edge detection
void Stop() {
run_ = false;
if (detect_thread_.joinable()) {
detect_thread_.join();
}
}
private:
void FreeCamBuffers() {
while (!buffers_.empty()) {
delete buffers_.back();
buffers_.pop_back();
}
}
void SetupBuffers(size_t count, MemoryMode memtype) {
int width = static_cast<int>(camera_.f().Width.Get());
int height = static_cast<int>(camera_.f().Height.Get());
FreeCamBuffers();
for (size_t i = 0; i < count; ++i) {
buffers_.push_back(new CamBuffer(width, height, memtype));
camera_.AddUserBuffer(buffers_.back());
}
// allocate processing matrices because operations cannot run in place
// some opencv versions use the wrong constructor -> create the mats objects with explicit memory type
grey_mat_ = cv::UMat();
gauss_mat_ = cv::UMat();
sobel_mat_ = cv::UMat();
grey_mat_.create(cv::Size(width, height), CV_8UC1, static_cast<cv::UMatUsageFlags>(memtype));
gauss_mat_.create(cv::Size(width, height), CV_8UC1, static_cast<cv::UMatUsageFlags>(memtype));
sobel_mat_.create(cv::Size(width, height), CV_8UC1, static_cast<cv::UMatUsageFlags>(memtype));
}
void Detect_(bool show_images) {
try {
while (run_) {
NeoAPI::Image image = camera_.GetImage();
if (image.IsEmpty()) {
std::cout << identifier_ << " Error during acquisition!" << std::endl;
break;
} else {
Detect(image, show_images);
}
}
if (show_images) {
cv::destroyWindow(identifier_);
}
} catch (NeoAPI::NeoException& exc) {
std::cout << identifier_ << " error: " << exc.GetDescription() << std::endl;
} catch (cv::Exception& exc) {
std::cout << identifier_ << "cv error:" << exc.msg << std::endl;
}
}
NeoAPI::Cam camera_;
std::vector<CamBuffer*> buffers_;
cv::String identifier_;
cv::UMat grey_mat_;
cv::UMat gauss_mat_;
cv::UMat sobel_mat_;
std::thread detect_thread_;
size_t frames_ {0};
NeoAPI::PixelFormat pixel_format_;
bool run_ {false};
};
在NEOAPI SDK里使用邊緣檢測功能對圖像進行邊緣檢測
在相機連接后可以在NEOAPI SDK里使用前面設(shè)計的函數(shù)對圖像進行邊緣檢測，C++調(diào)用代碼如下所示：
#include <iostream>
#include <thread>
#include <vector>
#include <map>
#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/core/ocl.hpp"
#include "neoapi/neoapi.hpp"
void PrintMetrics(const std::vector<EdgeDetector*>& devices, size_t duration) {
for (size_t secs = 0; secs < duration; ++secs) {
std::this_thread::sleep_for(std::chrono::milliseconds(1000)); // print every second metrics
for (auto device : devices) {
std::cout << device->GetIdentifier() << " fps: " << device->ProcessedFrames() << std::endl;
}
}
}
void FindDevices(std::vector<EdgeDetector*> *devices) {
for (auto device : NeoAPI::CamInfoList::Get()) {
try {
devices->push_back(new EdgeDetector(device.GetSerialNumber()));
}
catch (NeoAPI::NeoException& exc) {
std::cout << exc.GetDescription() << std::endl;
}
}
std::cout << devices->size() << " device(s) connected!" << std::endl;
}
void GetGpuCapabilities(std::map<MemoryMode, std::string> *memtypes) {
(*memtypes)[MemoryMode::cpu] = "cpu";
if (cv::ocl::haveOpenCL()) {
(*memtypes)[MemoryMode::gpu] = "gpu";
if (cv::ocl::Device::getDefault().hostUnifiedMemory()) {
(*memtypes)[MemoryMode::shared] = "gpu with shared memory";
}
}
}
void RunDetection(const std::vector<EdgeDetector*> &devices,
const std::map<MemoryMode, std::string> &memtypes,
bool show_images) {
if (devices.size()) {
for (auto memtype : memtypes) {
std::cout << "Next run will be processed on " << memtype.second << std::endl;
for (auto device : devices) {
device->Setup(memtype.first);
}
for (auto device : devices) {
device->Start(show_images);
}
// run the detection for given time in seconds and print status informations
PrintMetrics(devices, 5);
for (auto device : devices) {
device->Stop();
}
}
}
}
void FreeDevices(std::vector<EdgeDetector*> *devices) {
while (devices->size()) {
delete devices->back();
devices->pop_back();
}
}
int main(int argc, char *argv[]) {
/* Showing the images have a high impact on processing speed.
For better comparision show_images should be disabled. */
bool show_images = ((argc > 1) && argv);
std::map<MemoryMode, std::string> memtypes;
std::vector<EdgeDetector*> devices;
// look if the gpu supports opencl and shared memory
GetGpuCapabilities(&memtypes);
// find all connected cameras
FindDevices(&devices);
// edge detection processing on all connected cameras
RunDetection(devices, memtypes, show_images);
// cleanup
FreeDevices(&devices);
return 0;
}
工業(yè)相機通過OpenCV對圖像進行邊緣檢測的優(yōu)勢
工業(yè)相機通過OpenCV進行圖像邊緣檢測具有多重優(yōu)勢，包括但不限于以下幾點：
-
豐富的算法支持：OpenCV提供了多種經(jīng)典的邊緣檢測算法，如Sobel、Canny、Laplacian等，適用于不同場景下的邊緣識別需求。這意味著工業(yè)相機可以根據(jù)特定應(yīng)用選擇最適合的算法，以獲得最佳的邊緣檢測效果。
-
高效的實時性能：OpenCV優(yōu)化了多個邊緣檢測算法，使其在工業(yè)相機實時處理場景下表現(xiàn)出色。這意味著工業(yè)相機可以快速、準確地對圖像進行邊緣檢測，適用于實時監(jiān)控、自動化檢測等應(yīng)用。
-
靈活的參數(shù)設(shè)置：OpenCV的邊緣檢測算法通常具有可調(diào)節(jié)的參數(shù)，如閾值、卷積核大小等，使得工程師可以根據(jù)具體場景和需求進行參數(shù)優(yōu)化，以獲得最佳的邊緣檢測結(jié)果。
-
跨平臺性和易用性：OpenCV是一個跨平臺的開源庫，可以在多種操作系統(tǒng)上運行，并提供易于使用的API和文檔。這為工業(yè)相機的開發(fā)和部署提供了便利，同時也為算法調(diào)試和優(yōu)化提供了支持。
-
結(jié)合其他圖像處理功能：OpenCV不僅提供邊緣檢測算法，還包含了豐富的圖像處理功能，如濾波、形態(tài)學(xué)操作等。工業(yè)相機可以結(jié)合這些功能與邊緣檢測相互配合，實現(xiàn)更復(fù)雜的圖像處理任務(wù)。
綜上所述，工業(yè)相機通過OpenCV進行圖像邊緣檢測具有豐富的算法支持、高效的實時性能、靈活的參數(shù)設(shè)置、跨平臺性和易用性以及結(jié)合其他圖像處理功能等多重優(yōu)勢，為工業(yè)檢測和自動化生產(chǎn)等領(lǐng)域提供了強大的圖像處理解決方案。
工業(yè)相機使用OpenCV對圖像進行邊緣檢測的行業(yè)應(yīng)用
工業(yè)相機使用OpenCV對圖像進行邊緣檢測在各個行業(yè)都有廣泛的應(yīng)用，包括但不限于以下幾個方面：
-
制造業(yè)：工業(yè)相機結(jié)合OpenCV的邊緣檢測功能可用于產(chǎn)品質(zhì)量檢測、表面缺陷檢測、尺寸測量等領(lǐng)域。通過邊緣檢測，可以快速準確地識別產(chǎn)品表面的特征和缺陷，實現(xiàn)自動化的質(zhì)量控制。
-
智能制造：在智能制造領(lǐng)域，工業(yè)相機通過OpenCV進行邊緣檢測可應(yīng)用于視覺導(dǎo)航、自動化裝配等場景，幫助機器人和自動化生產(chǎn)線實現(xiàn)精確定位和操作。
-
醫(yī)療影像分析：工業(yè)相機與OpenCV結(jié)合可用于醫(yī)學(xué)影像的邊緣特征提取和分析，輔助醫(yī)生進行疾病診斷和治療。
-
智能交通：在智能交通領(lǐng)域，工業(yè)相機通過OpenCV實現(xiàn)的邊緣檢測可用于車輛識別、行人檢測、交通監(jiān)控等任務(wù)，提高交通系統(tǒng)的智能化和安全性。
-
農(nóng)業(yè)領(lǐng)域：工業(yè)相機結(jié)合OpenCV的邊緣檢測應(yīng)用于農(nóng)業(yè)領(lǐng)域的果蔬質(zhì)量檢測、病蟲害檢測、作物生長監(jiān)測等領(lǐng)域。
-
安防監(jiān)控：工業(yè)相機通過OpenCV進行邊緣檢測可應(yīng)用于安防監(jiān)控領(lǐng)域，如人臉識別、行為分析等，幫助提高監(jiān)控系統(tǒng)的準確性和效率。文章來源：http://www.zghlxwxcb.cn/news/detail-803130.html
綜上所述，工業(yè)相機使用OpenCV對圖像進行邊緣檢測在制造業(yè)、智能制造、醫(yī)療、智能交通、農(nóng)業(yè)和安防監(jiān)控等多個行業(yè)領(lǐng)域都具有重要的應(yīng)用價值，為這些領(lǐng)域提供了高效的圖像處理和分析解決方案。文章來源地址http://www.zghlxwxcb.cn/news/detail-803130.html
到了這里，關(guān)于Baumer工業(yè)相機堡盟工業(yè)相機如何聯(lián)合NEOAPI SDK和OpenCV實現(xiàn)獲取圖像并對圖像進行邊緣檢測（C++）的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
