沈阳营销网站制作企业网站建设费应开具互联网信息服务吗

这几天太忙了，好几天没有学习了，今天终于空下来了，继续学习之路吧。

一：进一步学习了

       今天学习下VisionMaster中的矩形检测，这个一开始我以为是形态学方面的检测，实际操作下来其实还是边缘直线的衍生应用，这次是一次性检测4条边缘，然后输出一个矩形

二：开始学习

     1：什么是矩形检测？

      就是检测ROI区域内是否存在矩形，如下图所示

  2：应用场景：这个应用场景其实在机器视觉的场景下应用还是非常广泛的

（1）电子制造业

• PCB板定位与检测
  检测PCB板上的矩形焊盘、边框或标记点，确保安装位置准确，避免贴片机偏移。

• 屏幕/面板对齐
  识别液晶屏、触摸屏的矩形边缘，验证装配是否到位，检测边缘缺损或划痕。

（2） 包装与印刷行业

• 包装盒尺寸测量
  快速测量纸盒、包装箱的长宽和直角，判断是否符合公差要求。

• 标签位置检测
  验证标签是否贴合在矩形区域中心，避免歪斜或漏贴。

三：直接上案例

1：先导入需要测试的图片集合

2：使用轮廓定位，把两个组件的线连起来，这里是需要设定模版匹配功能，这样图像不管怎么旋转都能准确定位图像位置，具体操作步骤可以参考前面课程

3：拖入位置修正功能：这个非常重要，这里也不提了，可以参考上一篇笔记

4：拖入矩形检测模块

5：双击组件，开始设定参数

（1）：边缘对类型：

    最宽：检测ROI内间距最大的边缘对

    最窄：检测ROI内间距最小的边缘对。

    最强：检测ROI内边缘对平均梯度最大的边缘对

    最弱：检测ROI内梯度最小的边缘对 

    第一对：检测ROI内边缘对中心与搜索起始点最近的边缘对

   最后一对：检测ROI内边缘对中心与搜索起始点最远的边缘对 

   最接近：检测ROI内和理想宽度最接近的边缘对集合

   最不接近：检测扫ROI内和理想宽度最不接近的边缘对集合

（2）：边缘极性：这里细分了4条边缘的极性参数，这样方便每一条边缘都能单独设定

                             从黑到白：就是梯度变化是黑色像素向白色像素过渡的边缘点

                             从白到黑：就是梯度变化是白色像素向黑色像素过渡的边缘点

                             任意：只要有梯度变化并且满足条件的点

（3）：边缘阈值：边缘梯度，只有实际的边缘梯度数值大于这个设定值，才会有效检测到边缘

（4）：卡尺数量：定义卡尺的数量，相当于每个卡尺检测一个点

  (5）：滤波尺寸：设定边缘的清晰程度条件，边缘如果越清晰，这个数值就要减小

  (6）：投影宽度：类似于ROI宽度，就是每一个小检测框的宽度，数值越大，可以相对获取更加稳定一点的坐标点

  (7）：剔除点数，剔除距离：和剔除距离配合使用，允许坐标点到对应拟合直线的最大距离(像素)

  (8）：初始拟合：局部：按照局部的特征点来拟合

                           全局:以查找到的全局特征点进行直线拟合。

  (9）：拟合方式：提供了三个拟合算法，三种拟合算法权重的计算方式有些差异

四：实测：上述设定好参数，开始实际测量看看效果，不同的检测模式下的检测效果