基于Matlab的缺陷识别检测系统

        表面缺陷检测是机器视觉领域中非常重要的一 项研究内容，也称为AOI(Automated optical in— spection)或AsI(Automated surface inspection)， 它是利用机器视觉设备获取图像来判断采集图像中 是否存在缺陷的技术．目前，基于机器视觉的表面 缺陷装备已经在各工业领域广泛替代人工肉眼检 测，包括3C、汽车、家电、机械制造、半导体及电子、 化工、医药、航空航天、轻工等行业．传统的基于机 器视觉的表面缺陷检测方法，往往采用常规图像处 理算法或人工设计特征加分类器方式．

 

 一、算法描述

        近年来，随着以卷积神经网络fConv01utional neural network，CNN)为代表的深度学习模型在 诸多计算机视觉(Computer vjsion，CV)领域成功 应用，例如人脸识别、行人重识别、场景文字检测、 目标跟踪和自动驾驶等，不少基于深度学习的缺陷 检测方法也广泛应用在各种工业场景中，甚至国内 外一些公司开发出多种基于深度学习的商用工业表 面缺陷检测软件，如表1所示．全球传统工业视觉 及其部件的市场规模在2025年将达到192亿美元【“， 其中中国占比约为30％，并保持14％的年度平均增 长率，这一领域正在逐步被新一代基于深度学习的 工业视觉技术替代．同时我国在《中国制造2025》 白皮书中提出“推广采用先进成型和加工方法、在 线检测装置、智能化生产和物流系统及检测设备等， 使重点实物产品的性能稳定性、质量可靠性、环境 适应性、使用寿命等指标达到国际同类产品先进水 平”。

         近年来，基于深度学习的表面缺陷检测技术广泛应用在各种工业场景中．本文对近年来基于深度学习的表面缺陷 检测方法进行了梳理，根据数据标签的不同将其分为全监督学习模型方法、无监督学习模型方法和其他方法三大类，并对各 种典型方法进一步细分归类和对比分析，总结了每种方法的优缺点和应用场景．

        在金属机械零件表面缺陷检测过程中，需要引入级联 分类器，对全部连接层中的输出特征进行分类处理，使其 能够获取更加准确的分类结果。为了全面提取全连接层的 特征，采用卷积神经网络的梯度直方图和局部二值模式提 取输出特征，同时对多个不同级联分类器依次进行训练， 将得到的分类结果进行决策融合，根据决策融合结果实现 零件表面缺陷检测。 方向梯度直方图在细微变形的特征下具有良好的不 变特性，但是方向梯度直方图描述局部特征的能力存在缺 陷，同时对噪声十分敏感。局部二值模式具有较好的局部 表达能力，