與人類視覺相比，機器缺陷檢測有著(zhu)明顯(xian)的(de)(de)(de)優勢，它精(jing)確度高，速(su)度快(kuai)，可(ke)“看”清人眼無法看清的(de)(de)(de)快(kuai)速(su)運(yun)動的(de)(de)(de)目標，具有較高的(de)(de)(de)穩定性(xing)，提升質量的(de)(de)(de)可(ke)控性(xing)，同時可(ke)以進(jin)行信息的(de)(de)(de)集(ji)成與留存，方便人員(yuan)追溯(su)。因此，機器(qi)視覺(jue)在多個(ge)領域都(dou)有著(zhu)頻繁(fan)的(de)(de)(de)應用(yong)，幫(bang)助人工進(jin)行缺陷的(de)(de)(de)檢測識別(bie)并標記。

同時，隨著在行業內多年的沉淀，這項技(ji)術也取得了(le)質的發(fa)展：

1. 圖像采(cai)集技(ji)術(shu)發展迅猛(meng)

CCD、CMOS等固件越(yue)(yue)(yue)來(lai)越(yue)(yue)(yue)成熟(shu)，圖像(xiang)敏感器件尺寸不斷(duan)縮小，像(xiang)元數(shu)量和(he)數(shu)據(ju)率不斷(duan)提(ti)(ti)高，分辨率和(he)幀率的提(ti)(ti)升速(su)度(du)(du)可以說日新月異(yi)，產品系(xi)列(lie)也越(yue)(yue)(yue)來(lai)越(yue)(yue)(yue)豐富，在增益(yi)、快門和(he)信(xin)噪比等參數(shu)上(shang)(shang)不斷(duan)優化，通過核心測試指標(biao)(MTF、畸變、信(xin)噪比、光(guang)源(yuan)亮度(du)(du)、均(jun)勻性、色溫、系(xi)統成像(xiang)能力綜合評(ping)估等)來(lai)對光(guang)源(yuan)、鏡(jing)頭和(he)相機(ji)進(jin)行綜合選擇(ze)，使得很多以前成像(xiang)上(shang)(shang)的難點問題得以不斷(duan)突破。

2. 圖像處(chu)理和模式識(shi)別發展迅速

圖像(xiang)(xiang)處理上，隨著圖像(xiang)(xiang)高(gao)精度(du)的邊緣信息的提(ti)取(qu)，很多原本混合(he)在背景噪聲中難以(yi)直接(jie)檢測的低(di)對比度(du)瑕(xia)疵開始得(de)到分辨。

模(mo)(mo)式(shi)(shi)(shi)識(shi)別上，本身可以看作(zuo)一個(ge)標記過程，在一定(ding)量(liang)(liang)度或觀測的(de)(de)(de)基礎(chu)上，把待識(shi)模(mo)(mo)式(shi)(shi)(shi)劃分(fen)(fen)(fen)到各自的(de)(de)(de)模(mo)(mo)式(shi)(shi)(shi)中去(qu)。缺陷(xian)檢測圖像(xiang)識(shi)別中運用(yong)得較多(duo)的(de)(de)(de)主要是(shi)(shi)決策(ce)(ce)(ce)理(li)(li)論和(he)結構方法(fa)(fa)。決策(ce)(ce)(ce)理(li)(li)論方法(fa)(fa)的(de)(de)(de)基礎(chu)是(shi)(shi)決策(ce)(ce)(ce)函數(shu)，利用(yong)它對模(mo)(mo)式(shi)(shi)(shi)向量(liang)(liang)進行分(fen)(fen)(fen)類(lei)識(shi)別，是(shi)(shi)以定(ding)時描述(如統計紋理(li)(li))為基礎(chu)的(de)(de)(de);結構方法(fa)(fa)的(de)(de)(de)核心是(shi)(shi)將物(wu)體分(fen)(fen)(fen)解(jie)成了模(mo)(mo)式(shi)(shi)(shi)或模(mo)(mo)式(shi)(shi)(shi)基元，而不(bu)(bu)同的(de)(de)(de)物(wu)體結構有不(bu)(bu)同的(de)(de)(de)基元串(chuan)(或稱字(zi)符串(chuan))，通過對未知物(wu)體利用(yong)給定(ding)的(de)(de)(de)模(mo)(mo)式(shi)(shi)(shi)基元求出編碼邊界，得到字(zi)符串(chuan)，再根據字(zi)符串(chuan)判斷它的(de)(de)(de)屬類(lei)。在特征生成上，很多(duo)新算法(fa)(fa)不(bu)(bu)斷出現，包括基于小(xiao)波、小(xiao)波包、分(fen)(fen)(fen)形的(de)(de)(de)特征，以及獨二分(fen)(fen)(fen)量(liang)(liang)分(fen)(fen)(fen)析;還有關子支持向量(liang)(liang)機，變形模(mo)(mo)板匹配，線性以及非線性分(fen)(fen)(fen)類(lei)器的(de)(de)(de)設計等都在不(bu)(bu)斷延展。

3. 深度學(xue)習帶來的突破

傳統的(de)(de)(de)(de)(de)(de)(de)缺陷檢(jian)測機(ji)器(qi)學(xue)習在特征提取上(shang)主(zhu)要依靠人(ren)來(lai)分(fen)析和(he)建立邏輯，而深(shen)度學(xue)習則通過(guo)多(duo)層(ceng)(ceng)感知機(ji)模擬(ni)大腦工作(zuo)，構建深(shen)度神經(jing)網(wang)絡(如(ru)卷積神經(jing)網(wang)絡等(deng)(deng))來(lai)學(xue)習簡單特征、建立復雜特征、學(xue)習映射并(bing)輸出，訓練過(guo)程中所有(you)層(ceng)(ceng)級都會被不(bu)斷優化。在具體的(de)(de)(de)(de)(de)(de)(de)應用上(shang)，例如(ru)自動ROI區域(yu)分(fen)割;標點定(ding)位(通過(guo)防真(zhen)視(shi)覺(jue)可靈活檢(jian)測未知瑕疵);從重噪(zao)聲圖像重檢(jian)測無法描述或(huo)量化的(de)(de)(de)(de)(de)(de)(de)瑕疵如(ru)橘皮瑕疵;分(fen)辨玻璃蓋板檢(jian)測中的(de)(de)(de)(de)(de)(de)(de)真(zhen)假瑕疵等(deng)(deng)。隨(sui)著越來(lai)越多(duo)的(de)(de)(de)(de)(de)(de)(de)基(ji)于(yu)深(shen)度學(xue)習的(de)(de)(de)(de)(de)(de)(de)機(ji)器(qi)視(shi)覺(jue)軟件推向市場(chang)(包括(kuo)瑞士的(de)(de)(de)(de)(de)(de)(de)vidi，韓國的(de)(de)(de)(de)(de)(de)(de)SUALAB，香(xiang)港的(de)(de)(de)(de)(de)(de)(de)應科院等(deng)(deng))，深(shen)度學(xue)習給機(ji)器(qi)視(shi)覺(jue)的(de)(de)(de)(de)(de)(de)(de)賦(fu)能(neng)會越來(lai)越明(ming)顯。

當然，目前，缺陷檢測(ce)目前能減輕(qing)人工負擔，但(dan)要(yao)全(quan)面替代人工，仍有諸多難點(dian)需(xu)要(yao)突破：

1. 光源與成像：

缺(que)陷檢測機(ji)器視(shi)覺(jue)中優質的(de)(de)成(cheng)像是第一步，由于(yu)不(bu)同材料物體(ti)表面反光(guang)(guang)、折射(she)等問題(ti)都會影(ying)響被測物體(ti)特征(zheng)的(de)(de)提取(qu)，因(yin)此光(guang)(guang)源與成(cheng)像可以說(shuo)是機(ji)器視(shi)覺(jue)檢測要(yao)攻克的(de)(de)第一個難關。比如(ru)現(xian)在玻(bo)璃、反光(guang)(guang)表面的(de)(de)劃痕檢測等，很多時候問題(ti)都卡在不(bu)同缺(que)陷的(de)(de)集成(cheng)成(cheng)像上

2. 對(dui)非(fei)預期缺(que)陷(xian)的識別：

在(zai)應用中，往往是(shi)給(gei)定一些具體的缺(que)陷(xian)模式，使用機器視(shi)覺來(lai)識別它(ta)們到底有(you)沒有(you)發(fa)生。但經常遇到的情況是(shi)，許多明顯的缺(que)陷(xian)，因(yin)為之前沒有(you)發(fa)生過(guo)，或者發(fa)生的模式過(guo)分多樣，而被漏檢(jian)。如果換做是(shi)人，雖然在(zai)操作流程文件中沒讓他去檢(jian)測這(zhe)個缺(que)陷(xian)，但是(shi)他會注意(yi)到，從(cong)而有(you)較(jiao)大(da)幾率抓住(zhu)它(ta)，而機器視(shi)覺在(zai)這(zhe)點上的“智慧”目(mu)前還(huan)較(jiao)難(nan)突破。

以上便是為大家帶來關于缺陷檢測的資訊，國(guo)辰機器人也會攻克技術難關，深(shen)耕(geng)行業，為用戶帶來更智能的體驗。