《------往期经典推荐------》
AI应用软件开发实战专栏【链接】
| 序号 | 项目名称 | 项目名称 |
|---|---|---|
| 1 | 1.工业相机 + YOLOv8 实现人物检测识别：（C#代码，UI界面版） | 2.工业相机 + YOLOv8 实现PCB的缺陷检测：（C#代码，UI界面版） |
| 2 | 3.工业相机 + YOLOv8 实现动物分类识别：（C#代码，UI界面版） | 4.工业相机 + YOLOv8 实现螺母螺丝的分类检测：（C#代码，UI界面版） |
| 3 | 5.工业相机 + YOLOv8 实现人脸识别检测：（C#代码，UI界面版） | 6.工业相机 + YOLOv8 实现睡岗检测：（C#代码，UI界面版） |
| 4 | 7.工业相机 + YOLOv8 实现打架检测检测：（C#代码，UI界面版） | 8.工业相机 + YOLOv8 实现水下鱼类识别：（C#代码，UI界面版） |
| 5 | 9.工业相机 + YOLOv8 实现实现持械检测识别：（C#代码，UI界面版） | 10.工业相机 + YOLOv8实现工人安全装备（安全帽、手套、马甲等）检测识别：（C#代码，UI界面版） |
| 6 | 11.工业相机 + YOLOv8 实现卫星图像识别：（C#代码，UI界面版） | 12.工业相机 + YOLOv8 实现火灾检测：（C#代码，UI界面版） |
| 7 | 13.工业相机 + YOLOv8实现无人机检测识别：（C#代码，UI界面版） | 14.工业相机 + YOLOv8 实现沙滩小人检测识别：（C#代码，UI界面版） |
| 8 | 15.工业相机 + YOLOv8 实现轮船检测识别：（C#代码，UI界面版） | 16.工业相机 + YOLOv8 实现PCB上二维码检测识别：（C#代码，UI界面版） |
| 9 | 17.工业相机 + YOLOv8 实现标签条码一维码的检测：（C#代码，UI界面版） | 18.工业相机 + YOLOv8 实现不同水果的检测识别：（C#代码，UI界面版） |
| 10 | 19.工业相机 + YOLOv8 实现面部口罩的检测识别：（C#代码，UI界面版） | 20.工业相机 + YOLOv8 实现电池的检测识别：（C#代码，UI界面版） |
| 10 | 19.工业相机 + YOLOv8 实现面部口罩的检测识别：（C#代码，UI界面版） | 20.工业相机 + YOLOv8 实现电池的检测识别：（C#代码，UI界面版） |
| 11 | 21.工业相机 + YOLOv8 实现各种食物的类型检测识别：（C#代码，UI界面版） | 22.工业相机 + YOLOv8 实现裂缝的检测识别：（C#代码，UI界面版） |
| 12 | 23工业相机 + YOLOv8 实现汽车牌照的位置识别：（C#代码，UI界面版） | 24.工业相机 + YOLOv8 实现围栏羊驼的检测识别：（C#代码，UI界面版） |
| 13 | 25.工业相机 + YOLOv8 实现道路汽车的检测识别：（C#代码，UI界面版） | 26.工业相机 + YOLOv8 实现道路上头盔的检测识别：（C#代码，UI界面版） |
| 14 | 27.工业相机 + YOLOv8实现道路车辆事故的检测识别：（C#代码，UI界面版） | 28.工业相机 + YOLOv8 实现实时食物水果的检测识别：（C#代码，UI界面版） |
| 15 | 29.工业相机 + YOLOv8 实现各类垃圾的分类检测识别：（C#代码，UI界面版） | 30.工业相机 + YOLOv8 实现路口车辆速度的追踪识别：（C#代码，UI界面版） |
Baumer高防护相机如何通过YoloV8深度学习模型实现社交距离的检测识别（C#代码UI界面版）
- AI应用软件开发实战专栏【链接】
- 工业相机使用YoloV8模型实现形状检测器的使用
- 工业相机通过YoloV8模型实现形状检测器的使用的技术背景
- 在相机SDK中获取图像转换图像的代码分析
- 工业相机图像转换Bitmap图像格式和Mat图像重要核心代码
- 本地文件图像转换Bitmap图像格式和Mat图像重要核心代码
- Mat图像导入YoloV8模型重要核心代码
- 代码实现演示（实现形状检测器的使用）
- 源码下载链接
- 工业相机通过YoloV8模型实现形状检测器的使用的行业应用
- 关键技术细节
工业相机使用YoloV8模型实现形状检测器的使用
本项目集成了 YOLOv8 检测模型 与 C#图形界面工具，实现了包括图片、文件夹、视频与摄像头等多种输入方式的实现形状检测器的使用。
Baumer工业相机堡盟相机是一种高性能、高质量的工业相机，可用于各种应用场景，如物体检测、计数和识别、运动分析和图像处理。
Baumer的万兆网相机拥有出色的图像处理性能，可以实时传输高分辨率图像。此外，该相机还具有快速数据传输、低功耗、易于集成以及高度可扩展性等特点。
Baumer工业相机由于其性能和质量的优越和稳定，常用于高速同步采集领域，通常使用各种图像算法来提高其捕获的图像的质量。
本文以Baumer工业相机作为案例进行演示，实现将工业相机的图像或者本地图像夹导入Yolo模型从而实现形状检测器的使用等功能。
工业相机通过YoloV8模型实现形状检测器的使用的技术背景
本文通过C#中实现一个简单的UI界面，用于将YoloV8模型实现形状检测器的使用
。
用户可以通过该界面执行以下操作：
-
转换相机图像为Mat图像：通过YoloV8模型实现形状检测器的使用
-
转换本地图像为mat图像：通过YoloV8模型实实现形状检测器的使用
通过这个UI界面，用户能够在实时应用机器视觉数据处理时快速有效地进行操作，无需深入了解图像数据的底层处理过程。这个简单的介绍旨在为开发人员提供一个明确的方向，以便开始构建此类应用程序，并且该程序主要用于演示目的。
在相机SDK中获取图像转换图像的代码分析
本文介绍使用Baumer工业相机，实现将图像转换为Bitmap图像，再转换Mat图像，导入到Yolo模型进行推理，输出实现形状检测器的使用的结果。
工业相机图像转换Bitmap图像格式和Mat图像重要核心代码
//将相机内部图像内存数据转为bitmap数据
System.Drawing.Bitmap bitmap = new System.Drawing.Bitmap((int)mBufferFilled.Width, (int)mBufferFilled.Height，(int)mBufferFilled.Width,System.Drawing.Imaging.PixelFormat.Format8bppIndexed, (IntPtr)((ulong)mBufferFilled.MemPtr + mBufferFilled.ImageOffset));#region//Mono图像数据转换。彩色图像数据转换于此不同
System.Drawing.Imaging.ColorPalette palette = bitmap.Palette;
int nColors = 256;
for (int ix = 0; ix < nColors; ix++)
{uint Alpha = 0xFF;uint Intensity = (uint)(ix * 0xFF / (nColors - 1));palette.Entries[ix] = System.Drawing.Color.FromArgb((int)Alpha, (int)Intensity，(int)Intensity, (int)Intensity);
}
bitmap.Palette = palette;
#endregionstring strtime = DateTime.Now.ToString("yyyyMMddhhmmssfff");
string saveimagepath = pImgFileDir + "\\" + strtime + ".brw";//使用Bitmap格式保存
bitmap.Save(saveimagepath, System.Drawing.Imaging.ImageFormat.Bmp); //用bitmap转换为mat
OpenCvSharp.Mat Matgray1 = OpenCvSharp.Extensions.BitmapConverter.ToMat(bitmap);本地文件图像转换Bitmap图像格式和Mat图像重要核心代码
C#环境下代码如下所示：
if (imagePaths.Count() == 0)
{LoadImagePaths("test_img");
}string currentImagePath = imagePaths[currentImageIndex];// 显示到pictureBoxA
pictureBoxA.Image.Dispose(); // 释放上一张图片资源，避免内存泄漏
pictureBoxA.Image = new Bitmap(currentImagePath);
image_path = currentImagePath;currentImageIndex = (currentImageIndex + 1) % imagePaths.Count;OnNotifyShowRecieveMsg("检测中，请稍等……");
//textBox1.Text = "检测中，请稍等……";
//pictureBox2.Image = null;
Application.DoEvents();image = new Mat(image_path);float ratio = Math.Min(1.0f * inpHeight / image.Rows, 1.0f * inpWidth / image.Cols);
int neww = (int)(image.Cols * ratio);
int newh = (int)(image.Rows * ratio);Mat dstimg = new Mat();
Cv2.Resize(image, dstimg, new OpenCvSharp.Size(neww, newh));Cv2.CopyMakeBorder(dstimg, dstimg, 0, inpHeight - newh, 0, inpWidth - neww, BorderTypes.Constant);Mat图像导入YoloV8模型重要核心代码
C#环境下代码如下所示：
// 定义 ONNX 模型的路径
string onnxModelPath = "Shape_detection.onnx";// 定义输入图像的形状
OpenCvSharp.Size inputShape = new OpenCvSharp.Size(640, 640);
// 从 ONNX 模型文件加载网络
if(net==null)net = CvDnn.ReadNetFromOnnx(onnxModelPath);string[] modelClassify = {"circle", "cross", "heptagon', 'hexagon", "octagon", "pentagon", "quartercircle", "rect", "semicircle", "square", "star", "trapezoid", "triangle"};if (imagePaths.Count() == 0)
{LoadImagePaths("test_img");
}string currentImagePath = imagePaths[currentImageIndex];// 显示到pictureBoxA
pictureBoxA.Image.Dispose(); // 释放上一张图片资源，避免内存泄漏
pictureBoxA.Image = new Bitmap(currentImagePath);
image_path = currentImagePath;if (pictureBoxA.Image == null)
{return;
}
currentImageIndex = (currentImageIndex + 1) % imagePaths.Count;OnNotifyShowRecieveMsg("检测中，请稍等……");Application.DoEvents();image = new Mat(image_path);dt1 = DateTime.Now;
// 调用识别图像的函数，并传入图像路径、阈值、网络、输入形状和分类类别列表
//result_image = Recognize(image, 0.35, net, inputShape, modelClassify);
result_image = RecognizeMat(image, 0.35, net, inputShape, modelClassify);
// 获取计算结束时间
dt2 = DateTime.Now;
// 显示输出的图像
pictureBoxA.Image = new Bitmap(result_image.ToMemoryStream());// 显示推理耗时时间
OnNotifyShowRecieveMsg("推理耗时:" + (dt2 - dt1).TotalMilliseconds + "ms");static Mat RecognizeMat(Mat imgInput, double threshold, Net net, OpenCvSharp.Size inputShape, string[] modelClassify)
{using (Mat img = imgInput){int inpHeight = inputShape.Height; // 输入图像的高度int inpWidth = inputShape.Width; // 输入图像的宽度// 对图像进行预处理，调整尺寸Mat image = img;float ratio = Math.Min(1.0f * inpHeight / image.Rows, 1.0f * inpWidth / image.Cols);int neww = (int)(image.Cols * ratio);int newh = (int)(image.Rows * ratio);//// 将图像调整为模型需要的大小//Mat dstimg = new Mat();//Cv2.Resize(image, dstimg, new OpenCvSharp.Size(neww, newh));//Cv2.CopyMakeBorder(dstimg, dstimg, 0, inpHeight - newh, 0, inpWidth - neww, BorderTypes.Constant);//Mat BN_image = CvDnn.BlobFromImage(dstimg); // 将调整后的图像转换为Blob格式//// 配置图片输入数据 // 将 blob 设置为网络的输入//net.SetInput(BN_image);//// 从图像生成用于网络输入的 blob//Mat blob = CvDnn.BlobFromImage(img, 1 / 255.0, inputShape, new Scalar(0, 0, 0), false);////Mat blob = CvDnn.BlobFromImage(img, 1.0 / 255.0, inputShape, new Scalar(0, 0, 0), true, false);// 将 blob 设置为网络的输入//net.SetInput(blob);//// 从图像生成用于网络输入的 blobMat img0 = img;Mat blob0 = CvDnn.BlobFromImage(img0, 1 / 255.0, new OpenCvSharp.Size(inputShape.Width, inputShape.Height), swapRB: true, crop: false);net.SetInput(blob0);// 执行前向传播获取输出Mat output = net.Forward();// 此处可能需要根据 C# 中 OpenCV 的特性来处理转置操作output = ReshapeAndTranspose(output);// 获取图像的行数（高度）int height = img.Height;// 获取图像的列数（宽度）int width = img.Width;// 计算宽度的缩放因子double xFactor = (double)width / inputShape.Width;// 计算高度的缩放因子double yFactor = (double)height / inputShape.Height;// 初始化分类类别、得分和检测框的列表List<string> classifys = new List<string>();List<float> scores = new List<float>();List<Rect> boxes = new List<Rect>();List<Double> maxVales = new List<Double>();List<OpenCvSharp.Point> maxloces = new List<OpenCvSharp.Point>();// 遍历输出的行for (int i = 0; i < output.Rows; i++){// 获取当前行的检测框数据using (Mat box = output.Row(i)){// 在框数据的特定范围中找到最小值、最大值及其位置OpenCvSharp.Point minloc, maxloc;double minVal, maxVal;// Mat classes_scores = box.ColRange(4, 5);//GetArray(i, 5, classes_scores);// double curmates0 = box.At<float>(0);double curmates1 = box.At<float>(4);int collength = box.Cols;int rowlength = box.Rows;Mat curmates = box.ColRange(4, box.Cols);//Cv2.MinMaxLoc(box.ColRange(4, box.Cols), out minVal, out maxVal, out minloc, out maxloc);Cv2.MinMaxLoc(box.ColRange(4, box.Cols), out minVal, out maxVal, out minloc, out maxloc);int classId = maxloc.Y;if (classId == 0){// 获取对应类别的得分 float score = (float)maxVal;// 如果得分大于阈值if (score > threshold){// 将得分添加到得分列表scores.Add(score);// 将类别添加到类别列表classifys.Add(modelClassify[classId]);// 获取框的原始坐标float x = box.At<float>(0, 0);float y = box.At<float>(0, 1);float w = box.At<float>(0, 2);float h = box.At<float>(0, 3);// 计算调整后的坐标int xInt = (int)((x - 0.5 * w) * xFactor);int yInt = (int)((y - 0.5 * h) * yFactor);int wInt = (int)(w * xFactor);int hInt = (int)(h * yFactor);// 将调整后的框坐标添加到框列表boxes.Add(new Rect(xInt, yInt, wInt, hInt));}}}}// 执行非极大值抑制操作int[] indices;CvDnn.NMSBoxes(boxes, scores, 0.25f, 0.45f, out indices);// 遍历非极大值抑制操作后的索引foreach (int i in indices){// 获取对应的类别、得分和框string classify = classifys[i];float score = scores[i];Rect box = boxes[i];// 获取框的坐标和尺寸// 在图像上绘制矩形框Cv2.Rectangle(img, box, new Scalar(0, 255, 0), 3);// 生成类别和得分的标签文本string label = $"{classify}: {score:F2}";// 在图像上添加标签文本Cv2.PutText(img, label, new OpenCvSharp.Point(box.X, box.Y - 10), HersheyFonts.HersheySimplex, 0.5, new Scalar(0, 255, 0), 2);}// 将图像复制输出返回Mat result_image0 = img.Clone();return result_image0;// 将处理后的图像保存为文件// Cv2.ImWrite("result.jpg", img);}
}
下面是data.yaml的内容：
names:
- CIRCLE
- CROSS
- HEPTAGON
- HEXAGON
- OCTAGON
- PENTAGON
- QUARTER_CIRCLE
- RECTANGLE
- SEMICIRCLE
- SQUARE
- STAR
- TRAPEZOID
- TRIANGLE
nc: 13
roboflow:license: CC BY 4.0project: standard_object_shapeurl: https://universe.roboflow.com/hku-uas-deprecated-sobt2/standard_object_shape/dataset/2version: 2workspace: hku-uas-deprecated-sobt2
test: /content/standard_object_shape-2/test/images
train: /content/standard_object_shape-2/train/images
val: /content/standard_object_shape-2/valid/images代码实现演示（实现形状检测器的使用）
源码下载链接
Baumer高防护相机如何通过YoloV8深度学习模型实现形状检测器的使用 源码
工业相机通过YoloV8模型实现形状检测器的使用的行业应用
工业相机 + YOLOv8 实现「形状检测器」的 5 大行业落地场景
（2024-2025 已量产，含源码、专利、数据集）
| 场景 | 业务痛点 | 硬件形态 | 检测目标 | YOLOv8 技术方案 & 现场效果 | 一键资源 |
|---|---|---|---|---|---|
| ① 手机屏幕玻璃缺陷 | 裂纹、崩边、孔洞需同时测面积 | 12 MP 顶装工业相机 + 远心镜头 | 缺陷形状+实际面积 | 专利 YOLOv8-S1：框选像素→物理面积公式 S＝(d·p)/f，误差 < 2 % | 专利 CN119273992A |
| ② 机械臂抓取定位 | 工件形状+三维位姿 | 双目 4K 工业相机 | 工件边缘+距离 | YOLOv8 + ICP 点云匹配，定位误差 < 0.5 mm | CSDN 案例 |
| ③ 变电站仪表读数 | 指针形状+示值距离 | 无人机 20 MP + 云台 | 表盘形状+读数 | YOLOv8-seg 实例分割，读数误差 < 1 %，FPS 60 | CSDN 实战 |
| ④ 物流包裹尺寸测量 | 箱体形状+长宽高 | 龙门架 8K 线阵相机 | 箱体轮廓+体积 | YOLOv8-tile 切片 + 三角测距，体积误差 < 3 % | 阿里云方案 |
| ⑤ 教学/科研实验 | 低成本验证算法 | USB3.0 120 fps 相机 | 任意物体形状+距离 | PyQt5 + YOLOv8+Open3D，一键校准一键测量 | CSDN 完整系统 |
关键技术细节
模型：YOLOv8-seg + 自定义「形状-距离」双头网络（YOLOv8-S1），INT8 量化 3-5 MB
距离计算：像素-物理坐标转换 + 相机标定板校准，误差 < 2 %
部署：Jetson Orin Nano 15-25 ms/帧；x86 IPC + RTX 3060 8 路并发 <30 W
合规：原始影像 72 h 自动覆盖，仅留缺陷 JSON，符合《数据安全法》
![Linux应用软件编程---网络编程（TCP：[ 其他机制、头部标志位、应用示例 ]、 HTTP：[ 万维网、概念、格式、报文、应用示例 ]](http://pic.xiahunao.cn/Linux应用软件编程---网络编程（TCP：[ 其他机制、头部标志位、应用示例 ]、 HTTP：[ 万维网、概念、格式、报文、应用示例 ])
