基于机器视觉的表面缺陷检测存在哪些问题与难点

机器视觉检测系统通过适当的光源和图像传感器(CCD摄像机)获取产品的表面图像，利用相应的图像处理算法提取图像的特征信息，然后根据特征信息进行表面缺陷的定位、识别、分级等判别和统计、存储、查询等操作;  视觉表面缺陷检测系统基本组成主要包括图像获取模块、图像处理模块、图像分析模块、数据管理及人机接口模块。

产品缺陷检测方法可以分为三种。

第一种是人工检测法，这种方法不仅成本高，而且在对微小缺陷进行判别时，难以达到所需要的精度和速度，人工检测法还存在劳动强度大、检测标准一致性差等缺点。

第二种是机械装置接触检测法，这种方法虽然在质量上能满足生产的需要，但存在检测设备价格高、灵活性差、速度慢等缺点。

第三种是机器视觉检测法，即利用图像处理和分析对产品可能存在的缺陷进行检测，这种方法采用非接触的工作方式，安装灵活，测量精度和速度都比较高。同一台机器视觉检测设备可以实现对不同产品的多参数检测，为企业节约大笔设备开支。

目前，基于机器视觉的表面缺陷检测理论研究和实际应用等环节均有可喜的成果，但仍存在下面主要的问题和难点：

 机器视觉表面缺陷检测，特别是在线检测，其特点是数据量庞大、冗余信息多、特征空间维度高，同时考虑到真正的机器视觉面对的对象和问题的多样性，从海量数据中提取有限缺陷信息的算法能力不足，实时性不高。

 从机器视觉表面检测的准确性方面来看，尽管一系列优秀的算法不断出现，但在实际应用中准确率仍然与满足实际应用的需求尚有一定差距，如何解决准确识别与模糊特征之间、实时性与准确性之间的矛盾仍然是目前的难点。

机器视觉系统的研究和应用范围涵盖了工业、农业、医药、军事、汽车（连接器PIN针视觉检测）和安全等国民经济的各个领域，基于机器视觉的产品表面质量检测在现代自动化生产中得到了越来越多的重视和应用。

机器视觉表面缺陷检测系统中，图像处理和分析算法是重要的内容，通常的流程包括图像的预处理、目标区域的分割、特征提取和选择及缺陷的识别分类。每个处理流程都出现了大量的算法，这些算法各有优缺点和其适应范围。如何提高算法的准确性、执行效率、实时性和鲁棒性，一直是研究者们努力的方向。

机器视觉表面检测比较复杂，涉及众多学科和理论，机器视觉是对人类视觉的模拟，但是目前对人的视觉机制尚不清楚，尽管每一个正常人都是“视觉专家”，但难以用计算机表达自己的视觉过程，因此构建机器视觉检测系统还要进一步通过研究生物视觉机理来完善，使检测进一步向自动化和智能化方向发展。

文章转载自新机器视觉微信公众号，如有问题，请及时联系删除。