关于利用传统图像处理方法进行瑕疵检测的总结
点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达
来源：https://blog.csdn.net/cshyxxxl/article/details/106382824
作者：cshyxxxl
转载：新机器视觉
以iPhone背壳为例，进行瑕疵检测
需求：利用传统算法检测iPhone手机背壳是否瑕疵并给出瑕疵率
工具：摄像头/iPhone 6s/偏振镜等
传统算法方向的选择
最近做图像处理与识别相关的事情，先从OpenCV/Matlab入手，看传统算法在瑕疵检测方向能做到什么程度。
因之前并没有相关的经验，乍开始生怕闭门造车，遂多方搜寻，相关的会议与论述很多，不乏深度学习或者深度学习与传统算法相结合的，以有限的资源来看，深度学习并没有特别大的优势：表现在
1. 深度学习对训练图库的要求很高，很难得到很好的训练结果
2. 深度学习的灵活度较低，若适用场景有些许改变，均需要重新训练，这在商用时会是很大的问题
3. 深度学习的部署成本较高，同时对部署场景有较高要求（光线/摄像效果等）
当然，深度学习大势所趋，也不必因噎废食，万一是一时的浅见呢。后续也会投身到这个方向去。
瑕疵检测关注的两个问题
瑕疵的标注
对瑕疵的标注是为了更直观的展示，主要是给人看的
瑕疵的量化
真正机器关心的是怎么量化，是用数量表示还是百分比是个值得考虑的问题
历程
1.图像去噪->灰度化->二值化
二值化之后就可以看到绝大部分的瑕疵点已经凸显出来了，但是有三个问题：
1. 黑点瑕疵与白点瑕疵是二值化的两个极端，故无法同时出现。
2. 量化如何去除Logo与其他印刷的干扰
问题1后续用边缘检测替代
问题2采用像素点计数的方法，计算百分比，然后与无瑕疵的百分比作比较，准确度不高，也显得low low的。
2.图像去噪->灰度化->canny->形态学（闭运算）->连通域
边缘检测后进行闭运算，瑕疵会形成大大小小的连通域，可以统计连通域的个数，然后与无瑕疵logo与其他印刷形成的连通域个数作比较，这种情况几乎不会漏掉。这是感觉可行的选择之一。
3.OpenCV matchTemplate
实验室条件下，可以营造比较理想的条件，所以考虑了OpenCV的模板匹配，同时也测试了模板匹配在不理想情况下的表现。
结果证明因为手机瑕疵检测的需求目标较低，模板匹配是比较能够胜任的一个办法。只要模板与识别目标的拍摄角度差别不是太大，都可以很好的识别瑕疵。图片的轻微缩放大多也可以应付。
其他处理
前面都是软件方面处理的流程，在如何获得更加理想的图片方面也做了一些尝试：
采用各种不同颜色的光源，如蓝光/红光，区别不大
对图片进行白平衡调整，有改善
摄像头加偏振镜防止图像反光，有改善但不明显
图片浮雕处理，肉眼看上去瑕疵显著了，但对机器而言并没有区别，故没有采纳
End
声明：部分内容来源于网络，仅供读者学术交流之目的。文章版权归原作者所有。如有不妥，请联系删除。