基于机械视觉的外貌缺陷检测保存哪些问题与难点
中国是一个制造大国 ，每天都要生产大宗的工业产品 。用户和生产企业对产品质量的要求越来越高 ，除要求满足使用性能外 ，还要有良好的外观 ，即良好的外貌质量 。可是 ，在制造产品的历程中 ，外貌缺陷的爆发往往是不可制止的 。
人工检测是产品外貌缺陷的古板检测要领 ，该要领抽检率低、准确性不高、实时性差、效率低、劳动强度大、受人工经验和主观因素的影响大 ，而基于机械视觉的检测要领可以很洪流平上克服上述毛病 。
美国机械人工业协会(RIA)对机械视觉下的界说为：“机械视觉是通过光学的装置和非接触的传感器自动地接收和处理一个真实物体的图像 ，以获得所需信息或用于控制机械人运动的装置” 。
机械视觉检测系统通过适当的光源和图像传感器(CCD摄像机)获取产品的外貌图像 ，利用相应的图像处理算法提取图像的特征信息 ，然后凭据特征信息进行外貌缺陷的定位、识别、分级等判别和统计、存储、盘问等操作;
视觉外貌缺陷检测系统基本组成主要包括图像获取？椤⑼枷翊砟？椤⑼枷衿饰瞿？椤⑹葜卫砑叭嘶涌谀？ 。
图像获取？
图像获取？橛蒀CD摄像机、光学镜头、光源及其夹持装置等组成 ，其功效是完成产品外貌图像的收罗 。在光源的照明下 ，通过光学镜头将产品外貌成像于相机传感器上 ，光信号先转换成电信号 ，进而转换成盘算性能处理的数字信号 。
图像处理？
图像处理？橹饕婕巴枷袢ピ搿⑼枷裨銮坑牖馗础⑷毕莸募觳夂湍勘曛Ы 。
由于现场情况、CCD图像光电转换、传输电路及电子元件都会使图像爆发噪声 ，这些噪声降低了图像的质量从而对图像的处理和剖析带来不良影响 ，所以要对图像进行预处理以去噪 。
图像增强目是针对给定图像的应用场合 ，有目的地强调图像的整体或局部特性 ，将原来不清晰的图像变得清晰或强调某些感兴趣的特征 ，扩大图像中差别物体特征之间的差别 ，抑制不感兴趣的特征 ，使之改善图像质量、富厚信息量 ，增强图像判读和识别效果的图像处理要领 。
图像回复是通过盘算机处理 ，对证量下降的图像加以重建或回复的处理历程 。图像回复许多时候接纳与图像增强同样的要领 ，但图像增强的结果还需要下一阶段来验证;而图像回复试图利用退化历程的先验知识 ，来恢复已被退化图像的原来面目 ，如加性噪声的消除、运动模糊的回复等 。
图像支解的目的是把图像中目标区域支解出来 ，以便进行下一步的处理 。
图像剖析？
图像剖析？橹饕婕疤卣魈崛 ⑻卣餮≡窈屯枷袷侗 。
特征提取的作用是从图像像素中提取可以描述目标特性的表达量 ，把差别目标间的差别映射到低维的特征空间 ，从而有利于压缩数据量、提高识别率 。
外貌缺陷检测通常提取的特征有纹理特征、几何形状特征、颜色特征、变换系数特征等 ，用这些多信息融合的特征向量来可靠地区分差别类型的缺陷;这些特征之间一般保存冗余信息 ，即并不可包管特征集是z优的 ，好的特征集应具备简约性和鲁棒性 ，为此 ，还需要进一步从特征集中选择更有利于分类的特征 ，即特征的选择 。
图像识别主要凭据提取的特征集来训练分类器 ，使其对外貌缺陷类型进行正确的分类识别 。
产品缺陷检测
产品缺陷检测要领可以分为三种 。
D 1种是人工检测法 ，这种要领本钱高 ，并且在对微小缺陷进行判别时 ， 无法抵达所需要的精度和速度 ，人工检测法还保存劳动强度大、检测标准一致性差等缺点 。
第二种是机械装置接触检测法 ，这种要领虽然在质量上能满足生产的需要 ，但保存检测设备价格高、灵活性差、速度慢等缺点 。
第三种是机械视觉检测法 ，即利用图像处理和剖析对产品可能保存的缺陷进行检测 ，这种要领接纳非接触的事情方法 ，装置灵活 ，丈量精度和速度都比较高 。同一台机械视觉检测设备可以实现对差别产品的多参数检测 ，为企业节约大笔设备开支 。
差值检测缺陷
待检测物品的缺陷体现在图像上 ，即为缺陷处的灰度值与标准图像的差别 。将缺陷图像的灰度值同标准图像进行比较 ，判断其差值(两幅图灰度值的差别水平)是否凌驾预先设定的阈值规模 ，就能判断出待测物品有无缺陷 。
外貌缺陷类型
在实际应用中 ，差别产品对缺陷的界说也纷歧样 。一般来说 ，产品外貌缺陷分为结构缺陷、几何缺陷和颜色缺陷等几种类型 。
常见的工件完整性检测属于结构缺陷检测 ，尺寸规格检测属于几何缺陷检测 ，而印刷品质量检测中常需要进行颜色缺陷检测 。
问题和难点
基于机械视觉的外貌缺陷检测将是未来研究和生长的主要偏向 ，目前 ，基于机械视觉的外貌缺陷检测理论研究和实际应用等环节均有可喜的结果 ，但仍保存下面主要的问题和难点：
1、受情况、光照、生产工艺和噪声等多重因素影响 ，检测系统的信噪比一般较低 ，微弱信号 无法检出或不可与噪声U效区分 。如何构建稳定、可靠、鲁棒的检测系统 ，以适应光照变革、噪声以及其他外界不良情况的滋扰 ，是要解决的问题之一 。
2、 由于检测工具多样、外貌缺陷种类繁多、形态多样、庞大配景 ，关于众多缺陷类型爆发的机理以及其外在体现形式之间的关系尚不明确 ，致使对缺陷的描述不充分 ，缺陷的特征提取U效性不高 ，缺陷目标支解困难;同时 ，很难找到“标准”图像作为参照 ，这给缺陷的检测和分类带来困难 ，造成识别率尚有待提高 。
3、机械视觉外貌缺陷检测 ， 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械视觉面对的工具和问题的多样性 ，从海量数据中提取有限缺陷信息的算法能力缺乏 ，实时性不高 。
4、与机械视觉外貌检测密切相关的人工智能理论虽然获得了很大的生长 ，但如何模拟人类大脑的信息处理功效去构建智能机械视觉系统还需要理论上的进一步研究 ，如何更好的基于生物视觉认识、指导机械视觉的检测也是研究人员的难点之一 。
5、从机械视觉外貌检测的准确性方面来看 ，尽管一系列优秀的算法不绝泛起 ，但在实际应用中准确率仍然与满足实际应用的需求尚有 差别 ，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 。
生长趋势
随着盘算机技术、信息技术、电子技术、传感器技术和仿生技术等的生长 ，机械视觉检测要领也必将获得迅速的生长 。技术和市场需求等因素决定了机械视觉外貌缺陷检测的生长趋势为：
1、MARR理论对盘算机视觉发挥了巨着述用 ，其焦点是将视觉理解为3D重建的历程 。可是 ，从3D场景到2D图像是一个多对一的映射 ，在映射的历程中损失了深度信息;灰度是对场景的惟一的丈量值 ，诸如光照、质料特性、朝向和距离等信息都无法反应;成像中由于噪声及情况等因素的滋扰 ，都会使图像爆发失真 。为此 ，需要研究视觉检测新理论和新要领 ，如生长主动视觉、增强视觉系统的智能学习能力等 。
2、从生物视觉获得启发 ，吸收来自心理学、生理学等其他学科中生物视觉的z新研究结果 ，基于生物视觉机制为视觉检测提供研究新思路 ，模仿生物视觉多标准、条理性的视觉特点 ，结合视觉任务 ，引入先验高级知识的指导 ，同时将机械视觉、机械听觉、机械嗅觉、机械触觉等多信息相互融合 ，突破简单视觉信息的局限性 ，也将成为机械视觉检测的生长偏向之一 。
3、研究更具鲁棒性的图像处理和剖析算法 ，提高图像处理的U效性和和执行效率 ，降低算法的庞漂后 ，提高识别的准确性 。在在线检测系统中 ，要 注重实时性 ，视觉自己具有内在的并行性 ，为此 ，还在要理论、算法和技术等多方面研究视觉并行盘算 ，提高视觉盘算的速度 。同时 ，进一步研究算法性能的评价要领 ，以对算法的效率和性能作了科学、准确的刻画和评价 。
4、研究完整3维场景重建要领 。现有3维场景重建理论和算法基本都局限于对目标“可视”部分的重构 ，如果用Marr视觉盘算理论来说 ，还主要停留在2.5维表达上 ，这种表达提供了物体可见轮廓以内的3维信息 。如何恢复物体完整外貌的信息 ，即包括物体外貌不可见部分 ，是一个庞大但也亟待解决的问题 。
5、接纳统一而开放的标准 ，构建标准化、一体化和通用化的解决计划 ，标准化与个性化的进一步统一 ，研发可靠性高、维护性好、便于不绝完善和升级换代、网络化、自动化和智能化更高的机械视觉系统是今后的生长趋势 。
总结
机械视觉系统的研究和应用规模涵盖了工业、农业、医药、军事、交通等国民经济的各个领域 ，基于机械视觉的产品外貌质量检测在现代自动化生产中获得了越来越多的重视和应用 。
机械视觉外貌缺陷检测系统中 ，图像处理和剖析算法是重要的内容 ，通常的流程包括图像的预处理、目标区域的支解、特征提取和选择及缺陷的识别分类 。每个处理流程都泛起了大宗的算法 ，这些算法各有优缺点和其适应规模 。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偏向 。
机械视觉外貌检测比较庞大 ，涉及众多学科和理论 ，机械视觉是对人类视觉的模拟 ，可是目前对人的视觉机制尚不清楚 ，尽管每一个正凡人都是“视觉专家” ，但 无法用盘算机表达自己的视觉历程 ，因此构建机械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偏向生长 。
文章来源：盘算机视觉life?超人Halcon机械视觉
作者：佚名
（*如有版权问题请联系后台 ，将在24小时内删除文章）