Halcon中对应的例子为inspect_bottle_mouth.hdev，用于检测酒瓶瓶口是否出现破损等缺陷情形，检测效果如下：

(1) 正常情瓶口完整，无破损

(2) 异常情况包含不同情况的破损

Halcon实例主要步骤包含五步，分别是：

• 使用阈值处理和形态学粗定位品口位置；
• XLD轮廓拟合最近似的圆形区域作为瓶口的轮廓；
• 极坐标变换，转换到水平或垂直方向进行处理；
• 均值滤波图与原图做差分，根据阈值提取；
• 将绘制的缺陷部分通过反极坐标变换投影到原图上。

具体的实现代码大家有兴趣看下Halcon的实例代码，这里有几个重要步骤需要对比说明：

(1) 瓶口轮廓粗定位，OpenCV实现是根据瓶口部分区域为黑色且明显易于提取所以选择了HSV提取黑色轮廓的方法，然后通过计算轮廓的最小外接圆来近似，大部分效果还可以，如下：

但有一些情况圆边上多出一部分杂讯，如下：

Halcon中通过拟合圆算子可以过滤，OpenCV中需要自己写

(2) 所以，第一步和第二步这里直接同霍夫圆变换来替换(最重要的就是参数要设置合适)：

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
gray = cv2.medianBlur(gray,3)
circles = cv2.HoughCircles(gray,cv2.HOUGH_GRADIENT,1,100,\
         param1=200,param2=30,minRadius=150,maxRadius=500)

我测试了一下，16张测试图，效果都不错，暂时采用它。 (3) 第三步，极坐标变换。这里的重点就是基于上一步骤要准确找到圆，将圆心作为极坐标变换的中心。

x = circles[0][i][0] - circles[0][i][2]
y = circles[0][i][1] - circles[0][i][2]
w = h = 2 * circles[0][i][2]
center = (circles[0][i][0], circles[0][i][1])
radius = circles[0][i][2]
ROI = img[y:y+h,x:x+w].copy()
cv2.imshow('ROI',ROI)
trans_center = (center[0]-x, center[1]-y)
polarImg = cv2.warpPolar(ROI,(300,600),trans_center,radius,cv2.INTER_LINEAR + cv2.WARP_POLAR_LINEAR)
cv2.imshow('polarImg',polarImg)

变换前：

变换后：

(3) 均值滤波做差分，注意这里的均值滤波核大小，一般我们都是设置(3,3)或(5,5)等，这里物体垂直方向较长，参考Halcon例子中设置为(3, 501)，看效果：

blur = cv2.blur(gray,(3,501))
cv2.imshow('blur',blur)
diff = cv2.absdiff(gray,blur)
cv2.imshow('diff',diff)
cv2.imwrite("diff.png",diff)
ret,thres = cv2.threshold(diff,55,255,cv2.THRESH_BINARY)
thres = cv2.medianBlur(thres, 3)
contours2,hierarchy2 = cv2.findContours(thres, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)