缺陷检测技术详解（含 Halcon 示例）
一、缺陷检测概述
缺陷检测是通过图像分析技术识别产品表面或内部的异常区域（如划痕、凹陷、污渍、裂纹等），广泛应用于工业制造（电子、汽车、食品包装等）、医疗影像等领域。核心目标是：快速、准确地区分合格产品与存在缺陷的产品，并定位缺陷位置、判断缺陷类型。
缺陷检测的一般流程：
图像采集（工业相机、显微镜等）；
预处理（去噪、增强、校正）；
感兴趣区域（ROI）提取；
缺陷检测与分割；
缺陷特征分析（大小、形状、灰度等）；
判定与分类（合格 / 不合格，缺陷类型）。
二、缺陷检测的关键技术与方法
1. 基于灰度差异的检测
适用于缺陷与背景灰度值差异明显的场景（如白色表面的黑点、金属表面的划痕）。
原理：通过灰度阈值、灰度差分析或滤波提取灰度异常区域。
2. 基于形态学的检测
适用于缺陷表现为形状异常的场景（如孔洞、凸起、边缘缺损）。
原理：利用形态学操作（腐蚀、膨胀、开运算、闭运算）突出缺陷的形状特征。
3. 基于模板匹配的检测
适用于有标准模板的场景（如零件缺失、装配错误）。
原理：将待检测图像与标准模板对比，通过差异区域定位缺陷。
4. 基于边缘与轮廓的检测
适用于缺陷导致边缘不连续或轮廓异常的场景（如裂纹、边缘毛刺）。
原理：提取图像边缘，通过边缘完整性或轮廓特征（如曲率、长度）识别缺陷。
5. 基于频域的检测
适用于周期性纹理背景中的缺陷（如布料、电路板的纹理缺陷）。
原理：通过傅里叶变换过滤背景纹理，突出缺陷的高频分量。
三、Halcon 缺陷检测核心算子
| 算子类别 | 关键算子 | 功能描述 |
|---|---|---|
| 预处理 | mean_image、gauss_filter | 平滑去噪 |
emphasize、scale_image | 增强对比度、灰度缩放 | |
| 阈值分割 | threshold、dyn_threshold | 固定阈值、动态阈值分割（适应光照变化） |
| 形态学操作 | erosion、dilation | 腐蚀（去除小区域）、膨胀（连接断裂区域） |
opening、closing | 开运算（去噪点）、闭运算（填孔洞） | |
| 差异分析 | sub_image | 计算两幅图像的灰度差（模板对比） |
| 边缘检测 | edges_sub_pix、canny_edge | 提取亚像素级边缘、Canny 边缘检测 |
| 区域特征分析 | select_shape、area_center | 根据面积、形状等筛选缺陷区域 |
| 频域处理 | fft_image、rft2 | 傅里叶变换、快速傅里叶变换 |
四、Halcon 缺陷检测实例
实例 1：金属表面划痕检测（基于灰度差异与形态学）
场景：检测金属表面的深色划痕（划痕灰度低于正常区域）。
dev_update_off () * 1. 读取图像 read_image (MetalImage, 'metal_surface.png') dev_close_window () get_image_size (MetalImage, Width, Height) dev_open_window (0, 0, Width, Height, 'black', WindowHandle) dev_display (MetalImage) disp_continue_message (WindowHandle, 'black', 'true') stop () * 2. 预处理：去噪与增强 mean_image (MetalImage, MeanImage, 5, 5) // 均值滤波去噪 emphasize (MeanImage, EmphasizeImage, 10, 10, 1) // 增强边缘对比度 * 3. 阈值分割：提取低灰度区域（划痕） threshold (EmphasizeImage, DarkRegions, 0, 80) // 假设划痕灰度≤80 * 4. 形态学处理：去除噪声点，保留连续划痕 opening_circle (DarkRegions, OpenRegions, 3) // 开运算（半径3）去小噪点 closing_circle (OpenRegions, DefectRegions, 2) // 闭运算连接断裂划痕 * 5. 筛选缺陷：排除过小区域（误检） select_shape (DefectRegions, Scratches, 'area', 'and', 50, 10000) // 面积≥50像素 * 6. 显示结果 dev_display (MetalImage) dev_set_color ('red') dev_display (Scratches) disp_message (WindowHandle, '检测到 ' + |Scratches| + ' 处划痕', 'window', 10, 10, 'red', 'true') stop ()实例 2：瓶盖缺陷检测（基于模板匹配）
场景：通过标准瓶盖模板与待检测瓶盖的差异定位缺陷（如缺口、污渍）。
dev_update_off () * 1. 读取标准模板与待检测图像 read_image (TemplateImage, 'cap_template.png') // 无缺陷的标准瓶盖 read_image (TestImage, 'cap_test.png') // 待检测瓶盖 dev_close_window () get_image_size (TemplateImage, Width, Height) dev_open_window (0, 0, Width*2, Height, 'black', WindowHandle) * 2. 预处理：转为灰度图并归一化 rgb1_to_gray (TemplateImage, TemplateGray) rgb1_to_gray (TestImage, TestGray) scale_image (TemplateGray, TemplateScaled, 1, 0) scale_image (TestGray, TestScaled, 1, 0) * 3. 模板匹配：定位瓶盖位置（确保两幅图像对齐） create_ncc_model (TemplateGray, 'auto', 0, 0, 'auto', 'use_polarity', ModelID) find_ncc_model (TestGray, ModelID, 0, 0, 0.7, 1, 0.5, 'true', 0, Row, Col, Angle, Score) clear_ncc_model (ModelID) * 4. 图像对齐：将待检测图像与模板对齐（消除位置偏差） vector_angle_to_rigid (0, 0, 0, Row, Col, Angle, HomMat2D) affine_trans_image (TestScaled, AlignedTest, HomMat2D, 'constant', 'false') * 5. 差异分析：计算模板与待检测图像的灰度差 sub_image (TemplateScaled, AlignedTest, DiffImage, 1, 128) // 灰度差图像 threshold (DiffImage, DiffRegions, 30, 255) // 提取差异明显的区域（阈值30） * 6. 筛选缺陷：排除微小差异（噪声） opening_rectangle1 (DiffRegions, DefectRegions, 3, 3) select_shape (DefectRegions, Defects, 'area', 'and', 100, 10000) * 7. 显示结果 dev_display (TemplateScaled) dev_set_window (WindowHandle) dev_display (AlignedTest) dev_set_color ('red') dev_display (Defects) disp_message (WindowHandle, '模板', 'window', 10, 10, 'green', 'true') disp_message (WindowHandle, '待检测（缺陷：' + |Defects| + '）', 'window', 10, Width+10, 'red', 'true') stop ()实例 3：电路板焊点缺陷检测（基于边缘分析）
场景：通过焊点边缘的完整性判断是否存在虚焊（边缘不连续）或漏焊。
dev_update_off () * 1. 读取图像 read_image (PCBImage, 'pcb_solder.png') dev_close_window () get_image_size (PCBImage, Width, Height) dev_open_window (0, 0, Width, Height, 'black', WindowHandle) * 2. 预处理：增强对比度，提取焊点区域 threshold (PCBImage, SolderRegions, 150, 255) // 焊点为高灰度区域 connection (SolderRegions, SingleSolders) // 分割单个焊点 * 3. 边缘提取：获取焊点边缘 edges_sub_pix (PCBImage, Edges, 'canny', 1, 20, 40) // Canny边缘检测（亚像素级） segment_contours_xld (Edges, ContoursSplit, 'lines_circles', 5, 4, 2) // 分割轮廓为线和圆 * 4. 分析边缘：筛选边缘不完整的焊点（缺陷） gen_empty_obj (DefectSolders) for i := 0 to |SingleSolders| - 1 by 1 select_obj (SingleSolders, Solder, i+1) * 提取焊点内的边缘 reduce_domain (PCBImage, Solder, SolderROI) edges_sub_pix (SolderROI, SolderEdges, 'canny', 1, 20, 40) * 计算边缘长度（正常焊点边缘应连续且长度达标） length_xld (SolderEdges, Length) sum_tuple (Length, TotalLength) * 若边缘总长度低于阈值，判定为缺陷 if (TotalLength < 200) // 阈值根据正常焊点设定 concat_obj (DefectSolders, Solder, DefectSolders) endif endfor * 5. 显示结果 dev_display (PCBImage) dev_set_color ('green') dev_display (SingleSolders) dev_set_color ('red') dev_display (DefectSolders) disp_message (WindowHandle, '缺陷焊点：' + |DefectSolders|, 'window', 10, 10, 'red', 'true') stop ()五、缺陷检测的优化技巧
图像采集优化：确保光照均匀（避免反光、阴影），选择合适分辨率（缺陷尺寸≥2 像素）；
预处理关键：
噪声处理：根据噪声类型选择滤波（高斯滤波去高斯噪声，中值滤波去椒盐噪声）；
对比度增强：对低对比度图像用
histogram_equalization或local_std_dev增强；
阈值自适应：对光照不均的场景，用
dyn_threshold（动态阈值）替代固定阈值；缺陷筛选：通过
select_shape筛选面积、圆形度、长宽比等特征，排除误检（如灰尘）；模板更新：对于批量生产中的细微差异，定期更新模板以适应产品一致性变化。
六、总结
缺陷检测的核心是突出缺陷与正常区域的差异，根据缺陷类型选择合适的检测方法（灰度差异、形态学、模板匹配等）。Halcon 提供了丰富的算子支持从预处理到缺陷分析的全流程，通过实例中的模板可快速搭建检测系统，并结合优化技巧提升检测精度与鲁棒性。
