1. 从深度图到视差图:三维测量的降维艺术
第一次接触Halcon三维测量时,我被它处理深度图的方式惊艳到了。想象一下,你手里有一块金属板,表面有些肉眼几乎看不见的微小凹坑。传统的二维图像处理可能束手无策,但Halcon通过将深度图拆分为X、Y、Z三个视差图,把三维问题转化成了我们熟悉的二维图像处理问题。
深度图本质上是一个三维数据集合,每个像素点除了有X、Y坐标外,还包含Z轴的高度信息。Halcon的魔法在于,它能将这个三维数据拆分成三张二维图:X视差图显示左右方向的深度变化,Y视差图显示上下方向的深度变化,而Z视差图则直接反映高度信息。在实际工业检测中,Z视差图往往是最有用的——因为它直接告诉我们工件表面哪里凸起、哪里凹陷。
我曾在塑料件检测项目中做过对比:直接处理原始深度图需要复杂的点云算法,而使用Z视差图后,只需要简单的图像阈值分割就能定位缺陷区域。这种"降维打击"式的处理方式,让三维测量变得像处理普通图片一样简单。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. Z视差图的缺陷检测实战
2.1 准备工作:获取优质视差图
想要准确检测缺陷,首先得获得清晰的Z视差图。这里有个容易踩的坑:很多新手会直接使用相机输出的原始深度图。实际上,工业场景中的金属表面反光、环境光照变化都会影响深度图质量。我的经验是,在生成视差图前一定要做预处理:
python复制* 中值滤波去除噪声
median_image(DepthImage, FilteredImage, 'circle', 3, 'mirrored')
* 高斯平滑处理
gauss_filter(FilteredImage, SmoothedImage, 5)
* 视差图生成
disparity_to_xyz(SmoothedImage, XImage, YImage, ZImage)
记得有次检测铝合金工件时,由于没做滤波处理,表面纹理被误判为凹陷。后来加了预处理步骤,检测准确率直接从70%提升到了95%。
2.2 缺陷区域分割技巧
拿到Z视差图后,下一步是分割出可能存在缺陷的区域。这里推荐三种我常用的方法:
- 阈值分割法:适合有明显高度差的缺陷
python复制threshold(ZImage, Region, MinHeight, MaxHeight)
