「技术」基于机器视觉的缺陷检测方法与机器学习的表面缺陷

基于机器视觉的缺陷检测方法目前，基于机器视觉的表面缺陷方法主要分为基于图像处理的缺陷检测方法和基于机器学习的缺陷检测方法。两种方法具体介绍如下。

1、基于图像处理的缺陷检测

基于图像处理的缺陷检测主要分为图像预处理和缺陷检测两个部分，图像预处理包括图像去噪和图像分割等算法，是缺陷检测的前期工作，缺陷检测部分主要利用图像特征提取或模板匹配算法完成对缺陷的检测。

图像特征提取的目的是研究在图像的众多特征中提取有用特征，其基本思想是使特征目标在图像的子空间中在同一类内具有较小的类内聚散度，在不同类内具有较大的类间聚散度，它可以理解为图像从高维空间信息到低维特征空间的映射。特征提取是表面缺陷检测的关键环节，特征提取的精度对后续特征点匹配精度、模板匹配精度、计算的复杂度等方面均有影响。目前常用特征提取的方法主要有基于纹理的特征提取、基于颜色的特征和基于形状的特征提取等。

模板匹配的任务就是研究某一特定对象物体的图案或轮廓位于图像的什么地方，进而识别对象物体，匹配的精度是决定缺陷检测精度的重要因素之一。基于元素的匹配方法、基于灰度信息的匹配方法和基于形状的匹配方法是图像模板匹配中常用的３种方法，一般在表面缺陷检测中常用基于形状的匹配方法对表面缺陷进行检测，具体过程为：首先确定所检测的目标区域，将目标区域与背景区域分离，然后定义目标区域一个标准图像，创建参考模板，最后将需要测试的图像放入模型与标准模板进行匹配，通过参考模板与测试模板的匹配结果对缺陷进行识别分类。

基于图像处理缺陷检测的方法已经在工业检测环节得到了应用实践，例如，利用多模板匹配的方法对印刷品表面检测，检测精度可达０．１mm，检测速度小于１s;使用形状模板匹配对冲压件进行检测，单张图像的匹配时间为３6．５&