基于机器视觉的表面缺陷检测方法的分析-技术圈

点击下方卡片，关注“新机器视觉”公众号

重磅干货，第一时间送达

表面缺陷是工业产品生产中不可避免的问题，如果不及时发现处理，将会影响产品的外观质量及性能，导致企业生产效益下降。现如今，基于机器视觉的表面检测方法在很多现代化企业中得到了广泛的应用，在文中将分析主流机器视觉检测方法的优缺点，并指出现有机器视觉检测技术存在的问题和对以后的发展趋势做进一步的展望。

各种检查方法的比较

基于机器视觉的缺陷检测方法的比较如表1所示，包括各种方法的主流分类（检测）模型、优缺点对比。

表1：基于机器视觉检测方法的比较

序号	检测方法	主流分类（检测）模型	优点	缺点
1	图像处理	特征提取模板匹配	算法简单，鲁棒性较好，可以通过较少的图像验证	检测过程较为复杂，不能进行自动的特征提取，方法局限性较大
2	机器学习	支持向量机决策树	不需要海量的图像进行训练，处理算法简单，具有较好的鲁棒性	对于多种缺陷的检测发挥不出其性能
3	卷积神经网络	LeNet模型 AlexNet模型 VGG模型 GooLeNet模型 ResNet模型 DenseNet模型	对高维数据有较强的学习能力，可以从输入数据中学习到抽象的、本质的特征信息	网络的表达能力随着卷积神经深度的增加而增加，网络越深，计算越复杂
4	深度置信网络	DBN-DNN模型	应用范围广泛，扩展性强，具有很好的图像分类、识别功能，可以进行数据生成	没有考虑到图像的二维结构信息，网络参数的设置受经验的限制，很难找到最优解
5	全卷积网络	FCN模型	可以接收任意尺寸的图像，对其进行特征提取操作，同时可以获得高层语义先验知识矩阵，可对输入图像实现像素级的分割	对图像中的细节信息不敏感，边缘分割较为模糊，模型收敛速度较慢
6	自编码器	自编码网络降噪自编码器栈式自编码器稀疏自编码器	具有较好的目标信息表示能力，可很好地提取出复杂背景中的前景区域，对环境噪声具有较好的鲁棒性	主要针对那些有周期性背景纹理的图像缺陷检测，同时必须保证数据维度的输入和输出一致

存在的问题

基于机器视觉的表面缺陷检测技术在理论研究和工业实际应用中均取得了满意的成果，但现阶段仍存在以下问题和难点。

（1）在图像采集阶段，受光照条件、现场环境、拍摄角度和距离等因素的影响，被检测物体的表观特征会产生变化，对检测精度产生一定的影响，同时，噪声的干扰以及被检测物体的部分遮挡也会影响到图像的质量，降低系统的检测性能。如何提高图像采集的质量，最大程度上降低外界因素的干扰是需要解决的问题之一。

（2）传统机器视觉的缺陷检测方法依赖于特征模板的选择及提取，特征提取的好坏对整体检测系统的检测精度及性能有着决定性作用，同时传统机器视觉的检测方法需要人工提取特征信息，不具有自动提取全部有用特征信息的能力。如何参考模板精度，降低特征提取的复杂性与不确定性仍是值得进一步研究的问题。

（3）虽然机器视觉检测在工业生产中已经取得了较好的检测效果，但是在实际图像采集过程中，真实的缺陷数据较少，且表面缺陷种类繁多，形式多样，缺陷特征的提取效率较低，同时，模型对新产生的缺陷类型不能进行正确识别，不足以利用深度学习的方法进行训练。如何获取足够的缺陷样本，保证在实际应用中的准确率是未来的研究方向之一。

（4）从缺陷检测的准确性和实时性方面来看，尽管机器视觉检测的一系列算法不断更新，但检测效率与检测的准确率与实际生产的需求还具有一定的差距。如何解决特征的精确提取，提高检测系统的准确性与实时性仍是现阶段需要考虑的问题。

未来发展趋势

目前，机器视觉技术已经在医学、交通航海、工业生产等领域有了突破性进展，基于机器视觉的表面缺陷检测必将是未来的发展趋势，具体表现为以下两个方面。

（1）目前基于机器视觉的缺陷检测方法主要是对工业相机获取的二位图像进行检测，检测的对象是物体的表面缺陷，而二维图像的视野信息比较单一，无法进行产品各方位视野信息的表达。如何通过多个工业相机对被检测物体进行三维建模，获得检测目标的空间信息，提高缺陷检测系统性能已是未来的一个重要发展趋势。

（2）机器视觉缺陷检测方法目前还处于理论研究阶段，在实际应用中仍达不到现代化工业生产中精准化和智能化的要求，利用机器视觉技术设计产品的分拣装置，结合机械臂对缺陷产品进行分类剔除，建立一套全自动化的生产线，是未来工业生产的大势所趋。

来源：视觉感知与再现

本文仅做学术分享，如有侵权，请联系删文。

—THE END—