東莞奧爾思自動化科技有限公司
提供機器視覺自動化行業(yè)應(yīng)用解決方案
咨詢熱線：13715568053表面缺陷是工業(yè)產(chǎn)品生產(chǎn)中不可避免的問題，如果不及時發(fā)現(xiàn)處理，將會影響產(chǎn)品的外觀質(zhì)量及性能，導致企業(yè)生產(chǎn)效益下降?，F(xiàn)如今，基于機器視覺的表面檢測方法在很多現(xiàn)代化企業(yè)中得到了廣泛的應(yīng)用，在文中將分析主流機器視覺檢測方法的優(yōu)缺點，并指出現(xiàn)有機器視覺檢測技術(shù)存在的問題和對以后的發(fā)展趨勢做進一步的展望。
各種檢查方法的比較
基于機器視覺的缺陷檢測方法的比較如表1所示，包括各種方法的主流分類（檢測）模型、優(yōu)缺點對比。
表1：基于機器視覺檢測方法的比較
序號
檢測方法
主流分類
（檢測）模型
優(yōu)點
缺點
1
圖像處理
特征提取
模板匹配
算法簡單，魯棒性較好，可以通過較少的圖像驗證
檢測過程較為復(fù)雜，不能進行自動的特征提取，方法局限性較大
2
機器學習
支持向量機
決策樹
不需要海量的圖像進行訓練，處理算法簡單，具有較好的魯棒性
對于多種缺陷的檢測發(fā)揮不出其性能
3
卷積神經(jīng)網(wǎng)絡(luò)
LeNet模型
AlexNet模型
VGG模型
GooLeNet模型
ResNet模型
DenseNet模型
對高維數(shù)據(jù)有較強的學習能力，可以從輸入數(shù)據(jù)中學習到抽象的、本質(zhì)的特征信息
網(wǎng)絡(luò)的表達能力隨著卷積神經(jīng)深度的增加而增加，網(wǎng)絡(luò)越深，計算越復(fù)雜
4
深度置信網(wǎng)絡(luò)
DBN-DNN模型
應(yīng)用范圍廣泛，擴展性強，具有很好的圖像分類、識別功能，可以進行數(shù)據(jù)生成
沒有考慮到圖像的二維結(jié)構(gòu)信息，網(wǎng)絡(luò)參數(shù)的設(shè)置受經(jīng)驗的限制，很難找到最優(yōu)解
5
全卷積網(wǎng)絡(luò)
FCN模型
可以接收任意尺寸的圖像，對其進行特征提取操作，同時可以獲得高層語義先驗知識矩陣，可對輸入圖像實現(xiàn)像素級的分割
對圖像中的細節(jié)信息不敏感，邊緣分割較為模糊，模型收斂速度較慢
6
自編碼器
自編碼網(wǎng)絡(luò)
降噪自編碼器
棧式自編碼器
稀疏自編碼器
具有較好的目標信息表示能力，可很好地提取出復(fù)雜背景中的前景區(qū)域，對環(huán)境噪聲具有較好的魯棒性
主要針對那些有周期性背景紋理的圖像缺陷檢測，同時必須保證數(shù)據(jù)維度的輸入和輸出一致
存在的問題
基于機器視覺的表面缺陷檢測技術(shù)在理論研究和工業(yè)實際應(yīng)用中均取得了滿意的成果，但現(xiàn)階段仍存在以下問題和難點。
（1）在圖像采集階段，受光照條件、現(xiàn)場環(huán)境、拍攝角度和距離等因素的影響，被檢測物體的表觀特征會產(chǎn)生變化，對檢測精度產(chǎn)生一定的影響，同時，噪聲的干擾以及被檢測物體的部分遮擋也會影響到圖像的質(zhì)量，降低系統(tǒng)的檢測性能。如何提高圖像采集的質(zhì)量，最大程度上降低外界因素的干擾是需要解決的問題之一。
（2）傳統(tǒng)機器視覺的缺陷檢測方法依賴于特征模板的選擇及提取，特征提取的好壞對整體檢測系統(tǒng)的檢測精度及性能有著決定性作用，同時傳統(tǒng)機器視覺的檢測方法需要人工提取特征信息，不具有自動提取全部有用特征信息的能力。如何參考模板精度，降低特征提取的復(fù)雜性與不確定性仍是值得進一步研究的問題。
（3）雖然機器視覺檢測在工業(yè)生產(chǎn)中已經(jīng)取得了較好的檢測效果，但是在實際圖像采集過程中，真實的缺陷數(shù)據(jù)較少，且表面缺陷種類繁多，形式多樣，缺陷特征的提取效率較低，同時，模型對新產(chǎn)生的缺陷類型不能進行正確識別，不足以利用深度學習的方法進行訓練。如何獲取足夠的缺陷樣本，保證在實際應(yīng)用中的準確率是未來的研究方向之一。
（4）從缺陷檢測的準確性和實時性方面來看，盡管機器視覺檢測的一系列算法不斷更新，但檢測效率與檢測的準確率與實際生產(chǎn)的需求還具有一定的差距。如何解決特征的精確提取，提高檢測系統(tǒng)的準確性與實時性仍是現(xiàn)階段需要考慮的問題。
未來發(fā)展趨勢
目前，機器視覺技術(shù)已經(jīng)在醫(yī)學、交通航海、工業(yè)生產(chǎn)等領(lǐng)域有了突破性進展，基于機器視覺的表面缺陷檢測必將是未來的發(fā)展趨勢，具體表現(xiàn)為以下兩個方面。
（1）目前基于機器視覺的缺陷檢測方法主要是對工業(yè)相機獲取的二位圖像進行檢測，檢測的對象是物體的表面缺陷，而二維圖像的視野信息比較單一，無法進行產(chǎn)品各方位視野信息的表達。如何通過多個工業(yè)相機對被檢測物體進行三維建模，獲得檢測目標的空間信息，提高缺陷檢測系統(tǒng)性能已是未來的一個重要發(fā)展趨勢。
（2）機器視覺缺陷檢測方法目前還處于理論研究階段，在實際應(yīng)用中仍達不到現(xiàn)代化工業(yè)生產(chǎn)中精準化和智能化的要求，利用機器視覺技術(shù)設(shè)計產(chǎn)品的分揀裝置，結(jié)合機械臂對缺陷產(chǎn)品進行分類剔除，建立一套全自動化的生產(chǎn)線，是未來工業(yè)生產(chǎn)的大勢所趨。
各種檢查方法的比較
基于機器視覺的缺陷檢測方法的比較如表1所示，包括各種方法的主流分類（檢測）模型、優(yōu)缺點對比。
表1：基于機器視覺檢測方法的比較
序號
檢測方法
主流分類
（檢測）模型
優(yōu)點
缺點
1
圖像處理
特征提取
模板匹配
算法簡單，魯棒性較好，可以通過較少的圖像驗證
檢測過程較為復(fù)雜，不能進行自動的特征提取，方法局限性較大
2
機器學習
支持向量機
決策樹
不需要海量的圖像進行訓練，處理算法簡單，具有較好的魯棒性
對于多種缺陷的檢測發(fā)揮不出其性能
3
卷積神經(jīng)網(wǎng)絡(luò)
LeNet模型
AlexNet模型
VGG模型
GooLeNet模型
ResNet模型
DenseNet模型
對高維數(shù)據(jù)有較強的學習能力，可以從輸入數(shù)據(jù)中學習到抽象的、本質(zhì)的特征信息
網(wǎng)絡(luò)的表達能力隨著卷積神經(jīng)深度的增加而增加，網(wǎng)絡(luò)越深，計算越復(fù)雜
4
深度置信網(wǎng)絡(luò)
DBN-DNN模型
應(yīng)用范圍廣泛，擴展性強，具有很好的圖像分類、識別功能，可以進行數(shù)據(jù)生成
沒有考慮到圖像的二維結(jié)構(gòu)信息，網(wǎng)絡(luò)參數(shù)的設(shè)置受經(jīng)驗的限制，很難找到最優(yōu)解
5
全卷積網(wǎng)絡(luò)
FCN模型
可以接收任意尺寸的圖像，對其進行特征提取操作，同時可以獲得高層語義先驗知識矩陣，可對輸入圖像實現(xiàn)像素級的分割
對圖像中的細節(jié)信息不敏感，邊緣分割較為模糊，模型收斂速度較慢
6
自編碼器
自編碼網(wǎng)絡(luò)
降噪自編碼器
棧式自編碼器
稀疏自編碼器
具有較好的目標信息表示能力，可很好地提取出復(fù)雜背景中的前景區(qū)域，對環(huán)境噪聲具有較好的魯棒性
主要針對那些有周期性背景紋理的圖像缺陷檢測，同時必須保證數(shù)據(jù)維度的輸入和輸出一致
存在的問題
基于機器視覺的表面缺陷檢測技術(shù)在理論研究和工業(yè)實際應(yīng)用中均取得了滿意的成果，但現(xiàn)階段仍存在以下問題和難點。
（1）在圖像采集階段，受光照條件、現(xiàn)場環(huán)境、拍攝角度和距離等因素的影響，被檢測物體的表觀特征會產(chǎn)生變化，對檢測精度產(chǎn)生一定的影響，同時，噪聲的干擾以及被檢測物體的部分遮擋也會影響到圖像的質(zhì)量，降低系統(tǒng)的檢測性能。如何提高圖像采集的質(zhì)量，最大程度上降低外界因素的干擾是需要解決的問題之一。
（2）傳統(tǒng)機器視覺的缺陷檢測方法依賴于特征模板的選擇及提取，特征提取的好壞對整體檢測系統(tǒng)的檢測精度及性能有著決定性作用，同時傳統(tǒng)機器視覺的檢測方法需要人工提取特征信息，不具有自動提取全部有用特征信息的能力。如何參考模板精度，降低特征提取的復(fù)雜性與不確定性仍是值得進一步研究的問題。
（3）雖然機器視覺檢測在工業(yè)生產(chǎn)中已經(jīng)取得了較好的檢測效果，但是在實際圖像采集過程中，真實的缺陷數(shù)據(jù)較少，且表面缺陷種類繁多，形式多樣，缺陷特征的提取效率較低，同時，模型對新產(chǎn)生的缺陷類型不能進行正確識別，不足以利用深度學習的方法進行訓練。如何獲取足夠的缺陷樣本，保證在實際應(yīng)用中的準確率是未來的研究方向之一。
（4）從缺陷檢測的準確性和實時性方面來看，盡管機器視覺檢測的一系列算法不斷更新，但檢測效率與檢測的準確率與實際生產(chǎn)的需求還具有一定的差距。如何解決特征的精確提取，提高檢測系統(tǒng)的準確性與實時性仍是現(xiàn)階段需要考慮的問題。
未來發(fā)展趨勢
目前，機器視覺技術(shù)已經(jīng)在醫(yī)學、交通航海、工業(yè)生產(chǎn)等領(lǐng)域有了突破性進展，基于機器視覺的表面缺陷檢測必將是未來的發(fā)展趨勢，具體表現(xiàn)為以下兩個方面。
（1）目前基于機器視覺的缺陷檢測方法主要是對工業(yè)相機獲取的二位圖像進行檢測，檢測的對象是物體的表面缺陷，而二維圖像的視野信息比較單一，無法進行產(chǎn)品各方位視野信息的表達。如何通過多個工業(yè)相機對被檢測物體進行三維建模，獲得檢測目標的空間信息，提高缺陷檢測系統(tǒng)性能已是未來的一個重要發(fā)展趨勢。
（2）機器視覺缺陷檢測方法目前還處于理論研究階段，在實際應(yīng)用中仍達不到現(xiàn)代化工業(yè)生產(chǎn)中精準化和智能化的要求，利用機器視覺技術(shù)設(shè)計產(chǎn)品的分揀裝置，結(jié)合機械臂對缺陷產(chǎn)品進行分類剔除，建立一套全自動化的生產(chǎn)線，是未來工業(yè)生產(chǎn)的大勢所趨。
