與人類視覺相比，機器缺陷檢測有著明顯的優(yōu)勢，它精確度高，速度快，可“看”清人眼無法看清的快速運動的目標，具有較高的穩(wěn)定性，提升質(zhì)量的可控性，同時可以進行信息的集成與留存，方便人員追溯。因此，機器視覺在多個領域都有著頻繁的應用，幫助人工進行缺陷的檢測識別并標記。

同時，隨著在行業(yè)內(nèi)多年的沉淀，這項技術也取得了質(zhì)的發(fā)展：

1. 圖像采集技術發(fā)展迅猛

CCD、CMOS等固件越來越成熟，圖像敏感器件尺寸不斷縮小，像元數(shù)量和數(shù)據(jù)率不斷提高，分辨率和幀率的提升速度可以說日新月異，產(chǎn)品系列也越來越豐富，在增益、快門和信噪比等參數(shù)上不斷優(yōu)化，通過核心測試指標(MTF、畸變、信噪比、光源亮度、均勻性、色溫、系統(tǒng)成像能力綜合評估等)來對光源、鏡頭和相機進行綜合選擇，使得很多以前成像上的難點問題得以不斷突破。

2. 圖像處理和模式識別發(fā)展迅速

圖像處理上，隨著圖像高精度的邊緣信息的提取，很多原本混合在背景噪聲中難以直接檢測的低對比度瑕疵開始得到分辨。

模式識別上，本身可以看作一個標記過程，在一定量度或觀測的基礎上，把待識模式劃分到各自的模式中去。缺陷檢測圖像識別中運用得較多的主要是決策理論和結(jié)構(gòu)方法。決策理論方法的基礎是決策函數(shù)，利用它對模式向量進行分類識別，是以定時描述(如統(tǒng)計紋理)為基礎的;結(jié)構(gòu)方法的核心是將物體分解成了模式或模式基元，而不同的物體結(jié)構(gòu)有不同的基元串(或稱字符串)，通過對未知物體利用給定的模式基元求出編碼邊界，得到字符串，再根據(jù)字符串判斷它的屬類。在特征生成上，很多新算法不斷出現(xiàn)，包括基于小波、小波包、分形的特征，以及獨二分量分析;還有關子支持向量機，變形模板匹配，線性以及非線性分類器的設計等都在不斷延展。

3. 深度學習帶來的突破

傳統(tǒng)的缺陷檢測機器學習在特征提取上主要依靠人來分析和建立邏輯，而深度學習則通過多層感知機模擬大腦工作，構(gòu)建深度神經(jīng)網(wǎng)絡(如卷積神經(jīng)網(wǎng)絡等)來學習簡單特征、建立復雜特征、學習映射并輸出，訓練過程中所有層級都會被不斷優(yōu)化。在具體的應用上，例如自動ROI區(qū)域分割;標點定位(通過防真視覺可靈活檢測未知瑕疵);從重噪聲圖像重檢測無法描述或量化的瑕疵如橘皮瑕疵;分辨玻璃蓋板檢測中的真假瑕疵等。隨著越來越多的基于深度學習的機器視覺軟件推向市場(包括瑞士的vidi，韓國的SUALAB，香港的應科院等)，深度學習給機器視覺的賦能會越來越明顯。

當然，目前，缺陷檢測目前能減輕人工負擔，但要全面替代人工，仍有諸多難點需要突破：

1. 光源與成像：

缺陷檢測機器視覺中優(yōu)質(zhì)的成像是第一步，由于不同材料物體表面反光、折射等問題都會影響被測物體特征的提取，因此光源與成像可以說是機器視覺檢測要攻克的第一個難關。比如現(xiàn)在玻璃、反光表面的劃痕檢測等，很多時候問題都卡在不同缺陷的集成成像上

2. 對非預期缺陷的識別：

在應用中，往往是給定一些具體的缺陷模式，使用機器視覺來識別它們到底有沒有發(fā)生。但經(jīng)常遇到的情況是，許多明顯的缺陷，因為之前沒有發(fā)生過，或者發(fā)生的模式過分多樣，而被漏檢。如果換做是人，雖然在操作流程文件中沒讓他去檢測這個缺陷，但是他會注意到，從而有較大幾率抓住它，而機器視覺在這點上的“智慧”目前還較難突破。

以上便是為大家?guī)黻P于缺陷檢測的資訊，國辰機器人也會攻克技術難關，深耕行業(yè)，為用戶帶來更智能的體驗。