پردازش تصویر - شمارش لوله ها

پردازش تصویر – توصیه شده – رزبری پای – هوش مصنوعی

290 بازدید

۱۴۰۰-۰۴-۰۱

5 دقیقه

نویسنده: علی اشتهاری پور
درباره نویسنده: ---

میدونستین در تولیدی‌های لوله و اتصالات، برای شمارش لوله‌ها در هر دسته، داخل هر لوله سنگ میذارن؟
چرا سنگ میذارن؟
چون لوله‌ها که کنار هم و روی هم قرار داده می‌شوند، خطای دید ایجاد می‌کنند، برای اینکه دچار خطا نشن، داخل لوله‌های شمرده شده، یک سنگ میذارن، که دوباره نشمارنشون!

در این آموزش، می‌خواهیم با استفاده از یک رزبری پای و تکنیک‌های بینایی ماشین و پردازش تصویر، تعداد لوله‌های موجود در یک فیلم یا تصویر را بشماریم.

لوله ها

این کار هم خیلی سخته هم خیلی زمان زیادی میبره… حدس زدید چی میخوام بگم؟ بله…! با هوش مصنوعی میتونیم این کار رو تا حد بسیار زیادی خودکار کنیم!

ایده کلی اینه که چند فیلتر روی عکس انجام بدیم و لبه‌ها رو پیدا کنیم، بعد از لبه‌های شناسایی شده محدوده‌های به هم پیوسته و محدب رو پیدا کنیم، بعد محاسبه کنیم که این محدوده‌ها چقدر دایره شکل هستند و در نهایت تعداد این دایره شکل‌ها رو محاسبه کنیم.

مثلاً در تصویر زیر به روش Laplacian لبه‌ها تشخیص داده شده:

لوله ها سیاه و سفید

ابزاری که برای این کار استفاده می‌کنیم، کتابخانه OpenCV و زبان Python هست و همه کدها قابل اجرا به روی Raspberry Pi Zero هستند.

به جای اینکه ایده کلی رو از 0 تا 100 پیاده سازی کنیم و درگیر محاسبات ریاضی بشیم، از توابع آماده OpenCV استفاده می‌کنیم.

روش اول، استفاده از HoughCircles

این تابع از روش Hough Gradient استفاده میکنه، برای تشخیص تعداد لوله ها مراحل زیر رو انجام میدیم:

اول تصویر رو از فایل میخونیم و با تابع cvtColor تصویر رو از RGB به GRAY تبدیل می‌کنیم، چون به اطلاعات رنگ‌ها برای تشخیص لبه‌ها نیازی نداریم.

بعد با استفاده از medianBlur تصویر رو کمی محو می‌کنیم تا نویز کمتر بشه.

حالا میریم سراغ صدا کردن تابع HoughCircles:

پارامتر اول: تصویر (خاکستری)

پارامتر دوم: متد (HOUGH_GRADIENT)

پارامتر سوم: نسبت معکوس رزولوشن اکومولاتور (جزئی از واحد محاسبه گر متد) به تصویر اصلی

پارامتر چهارم: حداقل فاصله بین دایره ها، اگه این مقدار کم باشه، نتیجه احتمالا اشتباه میشه

پارامتر پنجم: مقداری که به Canny Edge Detector، برای تشخیص لبه ها ارسال میشه

پارامتر ششم: آستانه مرکز دایره ها، هرچه کمتر باشد، خطا بیشتر میشود

پارامتر هفتم: حداقل شعاع دایره

پارامتر هشتم: حداکثر شعاع دایره

در نهایت لیست نقاط مرکز دایره‌ها رو خواهیم داشت که به روی تصویر نمایش میدیم.

import sys
import cv2
import numpy as np


def draw_text(img, text,
              font=cv2.FONT_HERSHEY_PLAIN,
              pos=(0, 0),
              font_scale=3,
              font_thickness=2,
              text_color=(0, 255, 0),
              text_color_bg=(0, 0, 0)
              ):

    x, y = pos
    text_size, _ = cv2.getTextSize(text, font, font_scale, font_thickness)
    text_w, text_h = text_size
    cv2.rectangle(img, pos, (x + text_w, y + text_h), text_color_bg, -1)
    cv2.putText(img, text, (x, y + text_h + font_scale - 1),
                font, font_scale, text_color, font_thickness)

    return text_size


def main(argv):
    default_file = '1.jpg'
    filename = argv[0] if len(argv) > 0 else default_file
    # Loads an image
    src = cv2.imread(cv2.samples.findFile(filename), cv2.IMREAD_COLOR)
    # Check if image is loaded fine
    if src is None:
        print('Error opening image!')
        print(
            'Usage: hough_circle.py [image_name -- default ' + default_file + '] \n')
        return -1

    gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)

    gray = cv2.medianBlur(gray, 5)

    rows = gray.shape[0]
    circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1, rows / 8,
                               param1=100, param2=30,
                               minRadius=1, maxRadius=30)

    if circles is not None:
        circles = np.uint16(np.around(circles))
        draw_text(src, str(len(circles[0, :])), font_scale=4, pos=(
            4, 4), text_color_bg=(0, 0, 0))
        for i in circles[0, :]:
            center = (i[0], i[1])
            # circle center
            cv2.circle(src, center, 1, (0, 100, 100), 3)
            # circle outline
            radius = i[2]
            cv2.circle(src, center, radius, (255, 0, 255), 3)

    cv2.imshow("detected circles", src)
    cv2.waitKey(0)

    return 0


if __name__ == "__main__":
    main(sys.argv[1:])

import sys

import cv2

import numpy as np

def draw_text(img, text,

font=cv2.FONT_HERSHEY_PLAIN,

pos=(0, 0),

font_scale=3,

font_thickness=2,

text_color=(0, 255, 0),

text_color_bg=(0, 0, 0)

x, y = pos

text_size, _ = cv2.getTextSize(text, font, font_scale, font_thickness)

text_w, text_h = text_size

cv2.rectangle(img, pos, (x + text_w, y + text_h), text_color_bg, -1)

cv2.putText(img, text, (x, y + text_h + font_scale - 1),

font, font_scale, text_color, font_thickness)

return text_size

def main(argv):

default_file = '1.jpg'

filename = argv[0] if len(argv) > 0 else default_file

# Loads an image

src = cv2.imread(cv2.samples.findFile(filename), cv2.IMREAD_COLOR)

# Check if image is loaded fine

if src is None:

print('Error opening image!')

print(

'Usage: hough_circle.py [image_name -- default ' + default_file + '] \n')

return -1

gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)

gray = cv2.medianBlur(gray, 5)

rows = gray.shape[0]

circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1, rows / 8,

param1=100, param2=30,

minRadius=1, maxRadius=30)

if circles is not None:

circles = np.uint16(np.around(circles))

draw_text(src, str(len(circles[0, :])), font_scale=4, pos=(

4, 4), text_color_bg=(0, 0, 0))

for i in circles[0, :]:

center = (i[0], i[1])

# circle center

cv2.circle(src, center, 1, (0, 100, 100), 3)

# circle outline

radius = i[2]

cv2.circle(src, center, radius, (255, 0, 255), 3)

cv2.imshow("detected circles", src)

cv2.waitKey(0)

return 0

if __name__ == "__main__":

main(sys.argv[1:])

تشخیص لوله

این روش برای تصویر اولی که در این مقاله آورده شده، تشخیص درستی نمیده (ممکنه با دست‌کاری پارامترها به نتیجه برسیم، اما تا میتونیم باید با دست‌کاری های کمتر نتیجه بگیریم).
ایراد این روش اینه که پارامترهای کمی برای کنترل داره و بیشتر دنبال دایره‌های کامل میگرده و اگه ما شبه-دایره ها رو هم بخواهیم (مثل بیضی) استفاده از این روش کار رو سخت میکنه.
معمولاً بسته به اندازه تصویر و زاویه‌ای که با دوربین عکس‌برداری میشه، دایره‌ها حالت بیضی شکل پیدا می‌کنند یا گاهی قسمتی از لوله‌ها پشت لوله‌های دیگه پنهان میشن.

روش دوم، استفاده از SimpleBlobDetector_create

این تابع برای تشخیص محدوده هاست و از روش Thresholding چندین تصویر 0 و 1 از تصویر اصلی ایجاد میکنه تا تشخیص خودش رو انجام بده.

برای تشخیص تعداد لوله ها مراحل زیر رو انجام میدیم:

اول تصویر رو میخونیم و پارامترهای مورد نیاز تابع رو با استفاده از دستور SimpleBlobDetector_Params ایجاد میکنیم (اینجا نیازی به تبدیل رنگ تصویر نیست و این کار توسط تابع انجام میشه).

با True کردن filterByArea به تابع میگیم که مساحت محدوده ها رو در نظر بگیره و با تنظیم minArea مساحت رو به حداقل مقداری تنظیم میکنیم.

با True کردن filterByCircularity به تابع میگیم که میزان دایره ای شکل بودن محدوده رو در نظر بگیره، و با تنظیم minCircularity که یک عدد اعشاریع، میزان دایره ای شکل بودن محدوده رو تنظیم میکنیم.

با تنظیم minConvexity و minInertiaRatio میزان محدب بودن و میزان حداقل اینرسی (مقاومت به تغییرات) محدوده رو تنظیم می‌کنیم.

در ادامه این پارامترها رو پاس میدیم به تابع SimpleBlobDetector_create تا یک شیء تشخیص دهنده به ما برگردونه.
دستور detect رو بر روی تشخیص دهنده صدا می‌کنیم و به عنوان پارامتر تصویر رو بهش پاس میدیم و محدوده‌های تشخیص داده شده را دریافت می‌کنیم.
محدوده‌های تشخیص داده شده رو با استفاده از تابع drawKeypoints بر روی تصویر نقاشی می‌کنیم.

پردازش تصویر - شمارش لوله ها

این روش نسبت به روش قبلی، انعطاف بالاتری داره و اجازه میده تا اشکالی که کاملاً دایره شکل نیستند رو هم تشخیص بدیم.

import cv2
import numpy as np


def draw_text(img, text,
              font=cv2.FONT_HERSHEY_PLAIN,
              pos=(0, 0),
              font_scale=3,
              font_thickness=2,
              text_color=(0, 255, 0),
              text_color_bg=(0, 0, 0)
              ):

    x, y = pos
    text_size, _ = cv2.getTextSize(text, font, font_scale, font_thickness)
    text_w, text_h = text_size
    cv2.rectangle(img, pos, (x + text_w, y + text_h), text_color_bg, -1)
    cv2.putText(img, text, (x, y + text_h + font_scale - 1),
                font, font_scale, text_color, font_thickness)

    return text_size


# Load image
image = cv2.imread('1.jpg', 0)

# Set our filtering parameters
# Initialize parameter settiing using cv2.SimpleBlobDetector
params = cv2.SimpleBlobDetector_Params()

# Set Area filtering parameters
params.filterByArea = True
params.minArea = 50

# Set Circularity filtering parameters
params.filterByCircularity = True
params.minCircularity = 0.5

# Set Convexity filtering parameters
params.filterByConvexity = True
params.minConvexity = 0.5

# Set inertia filtering parameters
params.filterByInertia = True
params.minInertiaRatio = 0.01

# Create a detector with the parameters
detector = cv2.SimpleBlobDetector_create(params)

# Detect blobs
keypoints = detector.detect(image)

# Draw blobs on our image as red circles
blank = np.zeros((1, 1))
blobs = cv2.drawKeypoints(image, keypoints, blank, (0, 0, 255),
                          cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

draw_text(blobs, str(len(keypoints)), font_scale=4,
          pos=(4, 4), text_color_bg=(0, 0, 0))

# Show blobs
cv2.imshow("Filtering Circular Blobs Only", blobs)
cv2.waitKey(0)
cv2.destroyAllWindows()

import cv2

import numpy as np

def draw_text(img, text,

font=cv2.FONT_HERSHEY_PLAIN,

pos=(0, 0),

font_scale=3,

font_thickness=2,

text_color=(0, 255, 0),

text_color_bg=(0, 0, 0)

x, y = pos

text_size, _ = cv2.getTextSize(text, font, font_scale, font_thickness)

text_w, text_h = text_size

cv2.rectangle(img, pos, (x + text_w, y + text_h), text_color_bg, -1)

cv2.putText(img, text, (x, y + text_h + font_scale - 1),

font, font_scale, text_color, font_thickness)

return text_size

# Load image

image = cv2.imread('1.jpg', 0)

# Set our filtering parameters

# Initialize parameter settiing using cv2.SimpleBlobDetector

params = cv2.SimpleBlobDetector_Params()

# Set Area filtering parameters

params.filterByArea = True

params.minArea = 50

# Set Circularity filtering parameters

params.filterByCircularity = True

params.minCircularity = 0.5

# Set Convexity filtering parameters

params.filterByConvexity = True

params.minConvexity = 0.5

# Set inertia filtering parameters

params.filterByInertia = True

params.minInertiaRatio = 0.01

# Create a detector with the parameters

detector = cv2.SimpleBlobDetector_create(params)

# Detect blobs

keypoints = detector.detect(image)

# Draw blobs on our image as red circles

blank = np.zeros((1, 1))

blobs = cv2.drawKeypoints(image, keypoints, blank, (0, 0, 255),

cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

draw_text(blobs, str(len(keypoints)), font_scale=4,

pos=(4, 4), text_color_bg=(0, 0, 0))

# Show blobs

cv2.imshow("Filtering Circular Blobs Only", blobs)

cv2.waitKey(0)

cv2.destroyAllWindows()

تمامی این کدها بر روی Raspberry Pi تست شده و به خوبی اجرا میشه.

اطلاعات

290

لینک و اشتراک

پردازش تصویر - شمارش لوله ها

روش اول، استفاده از HoughCircles

روش دوم، استفاده از SimpleBlobDetector_create

علی اشتهاری پور

نویسنده شو !

نویسنده شو !

دیدگاه ها

نویسنده شو !

نویسنده شو !

آموزش ها

منو و لینک‌ها

پردازش تصویر - شمارش لوله ها

روش اول، استفاده از HoughCircles

روش دوم، استفاده از SimpleBlobDetector_create

شاید برای شما مفید باشد

آموزش پردازش تصویر در پایتون – جلسه 16: تشخیص چهره (قسمت آخر)

آموزش پردازش تصویر در پایتون – جلسه 15: حذف پس زمینه

آموزش پردازش تصویر در پایتون – جلسه 13: تشخیص گوشه‌ها

آموزش پردازش تصویر در پایتون – جلسه 5: ترسیم بر روی ویدئو (بخش دوم)

آموزش پردازش تصویر در پایتون – جلسه 12: الگویابی

آموزش پردازش تصویر در پایتون – جلسه 4: ترسیم بر روی ویدئو (بخش اول)

علی اشتهاری پور

نویسنده شو !

نویسنده شو !

دیدگاه ها

نویسنده شو !

نویسنده شو !

آموزش ها

منو و لینک‌ها

شبکه‌های اجتماعی