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(shí)發(fā)現(xiàn)處理，將會(huì)影響產(chǎn)品的外觀質(zhì)量及性能，導(dǎo)致企業(yè)生產(chǎn)效益下降?，F(xiàn)如今，基于機(jī)器視覺的表面檢測(cè)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(jī)器視覺檢測(cè)方法的優(yōu)缺點(diǎn)，并指出現(xiàn)有機(jī)器視覺檢測(cè)技術(shù)存在的問題和對(duì)以后的發(fā)展趨勢(shì)做進(jìn)一步的展望。


各種檢查方法的比較
基于機(jī)器視覺的缺陷檢測(cè)方法的比較如表1所示，包括各種方法的主流分類（檢測(cè)）模型、優(yōu)缺點(diǎn)對(duì)比。
表1：基于機(jī)器視覺檢測(cè)方法的比較
序號(hào)
檢測(cè)方法
主流分類
（檢測(cè)）模型
優(yōu)點(diǎn)
缺點(diǎn)
1
圖像處理
特征提取
模板匹配
算法簡(jiǎn)單，魯棒性較好，可以通過較少的圖像驗(yàn)證
檢測(cè)過程較為復(fù)雜，不能進(jìn)行自動(dòng)的特征提取，方法局限性較大
2
機(jī)器學(xué)習(xí)
支持向量機(jī)
決策樹
不需要海量的圖像進(jìn)行訓(xùn)練，處理算法簡(jiǎn)單，具有較好的魯棒性
對(duì)于多種缺陷的檢測(cè)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(duì)高維數(shù)據(jù)有較強(qiáng)的學(xué)習(xí)能力，可以從輸入數(shù)據(jù)中學(xué)習(xí)到抽象的、本質(zhì)的特征信息
網(wǎng)絡(luò)的表達(dá)能力隨著卷積神經(jīng)深度的增加而增加，網(wǎng)絡(luò)越深，計(jì)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(kuò)展性強(qiáng)，具有很好的圖像分類、識(shí)別功能，可以進(jìn)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(yàn)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(duì)其進(jìn)行特征提取操作，同時(shí)可以獲得高層語義先驗(yàn)知識(shí)矩陣，可對(duì)輸入圖像實(shí)現(xiàn)像素級(jí)的分割
對(duì)圖像中的細(xì)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(biāo)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(duì)環(huán)境噪聲具有較好的魯棒性
主要針對(duì)那些有周期性背景紋理的圖像缺陷檢測(cè)，同時(shí)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(jī)器視覺的表面缺陷檢測(cè)技術(shù)在理論研究和工業(yè)實(shí)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(diǎn)。

（1）在圖像采集階段，受光照條件、現(xiàn)場(chǎng)環(huán)境、拍攝角度和距離等因素的影響，被檢測(cè)物體的表觀特征會(huì)產(chǎn)生變化，對(duì)檢測(cè)精度產(chǎn)生一定的影響，同時(shí)，噪聲的干擾以及被檢測(cè)物體的部分遮擋也會(huì)影響到圖像的質(zhì)量，降低系統(tǒng)的檢測(cè)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(jī)器視覺的缺陷檢測(cè)方法依賴于特征模板的選擇及提取，特征提取的好壞對(duì)整體檢測(cè)系統(tǒng)的檢測(cè)精度及性能有著決定性作用，同時(shí)傳統(tǒng)機(jī)器視覺的檢測(cè)方法需要人工提取特征信息，不具有自動(dòng)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(jìn)一步研究的問題。

（3）雖然機(jī)器視覺檢測(cè)在工業(yè)生產(chǎn)中已經(jīng)取得了較好的檢測(cè)效果，但是在實(shí)際圖像采集過程中，真實(shí)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(shí)，模型對(duì)新產(chǎn)生的缺陷類型不能進(jìn)行正確識(shí)別，不足以利用深度學(xué)習(xí)的方法進(jìn)行訓(xùn)練。如何獲取足夠的缺陷樣本，保證在實(shí)際應(yīng)用中的準(zhǔn)確率是未來的研究方向之一。

（4）從缺陷檢測(cè)的準(zhǔn)確性和實(shí)時(shí)性方面來看，盡管機(jī)器視覺檢測(cè)的一系列算法不斷更新，但檢測(cè)效率與檢測(cè)的準(zhǔn)確率與實(shí)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(cè)系統(tǒng)的準(zhǔn)確性與實(shí)時(shí)性仍是現(xiàn)階段需要考慮的問題。


未來發(fā)展趨勢(shì)
目前，機(jī)器視覺技術(shù)已經(jīng)在醫(yī)學(xué)、交通航海、工業(yè)生產(chǎn)等領(lǐng)域有了突破性進(jìn)展，基于機(jī)器視覺的表面缺陷檢測(cè)必將是未來的發(fā)展趨勢(shì)，具體表現(xiàn)為以下兩個(gè)方面。

（1）目前基于機(jī)器視覺的缺陷檢測(cè)方法主要是對(duì)工業(yè)相機(jī)獲取的二位圖像進(jìn)行檢測(cè)，檢測(cè)的對(duì)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(jìn)行產(chǎn)品各方位視野信息的表達(dá)。如何通過多個(gè)工業(yè)相機(jī)對(duì)被檢測(cè)物體進(jìn)行三維建模，獲得檢測(cè)目標(biāo)的空間信息，提高缺陷檢測(cè)系統(tǒng)性能已是未來的一個(gè)重要發(fā)展趨勢(shì)。

（2）機(jī)器視覺缺陷檢測(cè)方法目前還處于理論研究階段，在實(shí)際應(yīng)用中仍達(dá)不到現(xiàn)代化工業(yè)生產(chǎn)中精準(zhǔn)化和智能化的要求，利用機(jī)器視覺技術(shù)設(shè)計(jì)產(chǎn)品的分揀裝置，結(jié)合機(jī)械臂對(duì)缺陷產(chǎn)品進(jìn)行分類剔除，建立一套全自動(dòng)化的生產(chǎn)線，是未來工業(yè)生產(chǎn)的大勢(shì)所趨。