相机对焦的重要性
相机对焦是确保图像清晰度的关键因素。如果相机对焦不准确，可能会导致图像模糊，进而影响模型的识别效果。例如，在缺陷检测系统中，如果相机对焦不准确，可能会导致多个缺陷被遗漏，从而使得产品在装配线上的流动超出了预期。
通过计算机视觉技术，可以构建一个系统，该系统能够持续地测量相机的对焦状态，而无需编写任何手动对焦代码。这种系统可以输出相机对焦状态，以便可以编写自定义逻辑，将其集成到更广泛的生产系统中。例如，如果相机失去对焦，员工可以收到警报，以便及时处理问题。
以下是系统显示相机对焦测量值随着调整相机对焦而变化的示例：
00:00 / 00:09 1× 左侧显示工程师手动调整相机对焦到正确位置时相机对焦的变化。右侧显示算法内部的可视化，该算法用于计算对焦值。
使用计算机视觉测量相机对焦
有多种方法可以以编程方式测量相机对焦。一种常见的方法是检测相机帧中高斯模糊的存在。如果帧中像素的分布与高斯分布足够相似，这意味着图像可能是模糊的。这可以用于设置什么是对焦或模糊相机的阈值。
Roboflow Workflows是一个基于Web的计算机视觉应用程序构建器，它提供了一个相机对焦块，可以使用它来持续测量相机帧中的相机对焦。这个块可以与Workflows中构建的任何自定义逻辑集成。例如，可以构建一个工作流，该工作流部署了一个对象检测模型，并在每一帧上运行相机对焦检查。
Workflows中有超过50个“块”或功能，从相机对焦到使用对象检测模型到Open AI LLMs。要了解Workflows的可能性，请参考Roboflow Workflows模板库。
构建计算相机对焦的工作流
要开始，首先创建一个免费的Roboflow账户。然后，导航到Roboflow仪表板并点击左侧边栏中的Workflows标签。这将带到Workflows主页，可以从那里创建一个工作流。点击“创建工作流”以创建一个工作流。
一个窗口将出现，可以从中选择几个模板。对于本指南，选择“自定义工作流”：点击“创建工作流”以创建工作流。将进入Workflows编辑器，在那里可以配置工作流：有了空白的工作流准备就绪，可以使用相机对焦工作流功能。
添加相机对焦块
点击Workflows编辑器右上角的“添加块”，然后选择“相机对焦”块：这个块接受输入图像，计算相机对焦，然后以JSON格式返回结果。然后，这些数据可以与制造系统集成代码，发送自定义警报，具体取决于使用的系统。
一旦添加了相机对焦块，可以添加任何其他想要的逻辑。使用Workflows，可以构建使用以下功能的应用程序：
托管在Roboflow上的微调模型；像CLIP和SAM-2这样的最新基础模型；显示模型返回的检测结果的可视化工具；像GPT-4这样的LLMs与视觉；条件逻辑，如果满足条件，则运行工作流的部分；像SIFT、主色检测等经典计算机视觉算法；等等。
在图像上测试工作流
以下是一个运行相机对焦计算的工作流示例：要测试工作流，点击“运行预览”，然后上传图像：点击输入部分的“运行预览”以运行工作流。页面的输出部分将有一个JSON值，显示相机对焦的程度。
在Web编辑器中，只能在单个图像上测试工作流。话虽如此，这个功能在部署到视频时大放异彩。让谈谈部署，然后在视频上进行测试。
部署工作流
可以以三种方式部署工作流：使用Roboflow API部署到Roboflow云；在由Roboflow托管并专门为使用的专用部署服务器上；或者在自己的硬件上。Workflows部署文档详细介绍了如何使用上述各种方法部署工作流。
如果需要一个API来运行工作流而不需要管理自己的硬件，那么部署到云是理想的。话虽如此，对于减少延迟至关重要的用例，建议在自己硬件上部署。如果在Roboflow云中部署模型，可以在图像上运行推理。如果在专用部署或自己的硬件上部署，可以在图像、视频、网络摄像头流和RTSP流上运行推理。
要部署工作流，点击Roboflow工作区中的任何工作流上的“部署工作流”。然后，一个窗口将打开，提供有关如何部署工作流的信息。让在视频上测试工作流。使用“在视频上部署”代码片段将工作流部署到自己的硬件上，然后输入自定义视频输入。
可以使用以下代码同时查看实时相机馈送以及对焦水平：
from inference import InferencePipeline
import cv2
import numpy as np
def my_sink(result, video_frame):
# 获取对焦图像
focus_image = result.get("camera_focus_image").numpy_image
# 转换为颜色
focus_image = cv2.cvtColor(focus_image, cv2.COLOR_GRAY2BGR)
# 获取输入图像
input_image = result.get("input_image").numpy_image
# 连接图像
if focus_image is not None:
result_image = np.concatenate((input_image, focus_image), axis=1)
else:
result_image = input_image
# 显示结果图像
cv2.imshow("Result Image", result_image)
cv2.waitKey(1)
# 初始化一个管道对象
pipeline = InferencePipeline.init_with_workflow(
api_key="KEY",
workspace_name="WORKSPACE",
workflow_id="WORKFLOW_ID",
video_reference=0, # 视频路径，设备ID（通常是内置网络摄像头的0）或RTSP流URL
max_fps=30,
on_prediction=my_sink
)
pipeline.start() # 启动管道
pipeline.join() # 等待管道线程完成
在上面的代码中，替换：
KEY为Roboflow API密钥。
WORKSPACE为Roboflow工作区ID。
WORKFLOW_ID为工作流ID。
所有这些值都可以在工作流编辑器中的部署选项卡上的“在视频上运行（本地）”选项卡上找到。
以下是工作流在实时视频馈送上工作的一个示例：
00:00 / 00:09 1× 工作流成功测量相机对焦。然后，可以更新代码，使用自己的内部系统发送警报，以通知当相机对焦离开特定阈值时。
可以使用Roboflow Workflows来测量相机对焦。在本指南中，介绍了如何在Roboflow Workflows中使用相机对焦块。在图像上测试了该块，然后在视频上部署了工作流，以查看系统在实时中的表现。