與人類(lèi)視覺(jué)相比，機(jī)器缺陷檢測(cè)有著明顯的優(yōu)勢(shì)，它精確度高，速度快，可“看”清人眼無(wú)法看清的快速運(yùn)動(dòng)的目標(biāo)，具有較高的穩(wěn)定性，提升質(zhì)量的可控性，同時(shí)可以進(jìn)行信息的集成與留存，方便人員追溯。因此，機(jī)器視覺(jué)在多個(gè)領(lǐng)域都有著頻繁的應(yīng)用，幫助人工進(jìn)行缺陷的檢測(cè)識(shí)別并標(biāo)記。

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

1. 圖像采集技術(shù)發(fā)展迅猛

CCD、CMOS等固件越來(lái)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(shuō)日新月異，產(chǎn)品系列也越來(lái)越豐富，在增益、快門(mén)和信噪比等參數(shù)上不斷優(yōu)化，通過(guò)核心測(cè)試指標(biāo)(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(píng)估等)來(lái)對(duì)光源、鏡頭和相機(jī)進(jìn)行綜合選擇，使得很多以前成像上的難點(diǎn)問(wèn)題得以不斷突破。

2. 圖像處理和模式識(shí)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(cè)的低對(duì)比度瑕疵開(kāi)始得到分辨。

模式識(shí)別上，本身可以看作一個(gè)標(biāo)記過(guò)程，在一定量度或觀測(cè)的基礎(chǔ)上，把待識(shí)模式劃分到各自的模式中去。缺陷檢測(cè)圖像識(shí)別中運(yùn)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(chǔ)是決策函數(shù)，利用它對(duì)模式向量進(jìn)行分類(lèi)識(shí)別，是以定時(shí)描述(如統(tǒng)計(jì)紋理)為基礎(chǔ)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(chēng)字符串)，通過(guò)對(duì)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(lèi)。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(dú)二分量分析;還有關(guān)子支持向量機(jī)，變形模板匹配，線性以及非線性分類(lèi)器的設(shè)計(jì)等都在不斷延展。

3. 深度學(xué)習(xí)帶來(lái)的突破

傳統(tǒng)的缺陷檢測(cè)機(jī)器學(xué)習(xí)在特征提取上主要依靠人來(lái)分析和建立邏輯，而深度學(xué)習(xí)則通過(guò)多層感知機(jī)模擬大腦工作，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)(如卷積神經(jīng)網(wǎng)絡(luò)等)來(lái)學(xué)習(xí)簡(jiǎn)單特征、建立復(fù)雜特征、學(xué)習(xí)映射并輸出，訓(xùn)練過(guò)程中所有層級(jí)都會(huì)被不斷優(yōu)化。在具體的應(yīng)用上，例如自動(dòng)ROI區(qū)域分割;標(biāo)點(diǎn)定位(通過(guò)防真視覺(jué)可靈活檢測(cè)未知瑕疵);從重噪聲圖像重檢測(cè)無(wú)法描述或量化的瑕疵如橘皮瑕疵;分辨玻璃蓋板檢測(cè)中的真假瑕疵等。隨著越來(lái)越多的基于深度學(xué)習(xí)的機(jī)器視覺(jué)軟件推向市場(chǎng)(包括瑞士的vidi，韓國(guó)的SUALAB，香港的應(yīng)科院等)，深度學(xué)習(xí)給機(jī)器視覺(jué)的賦能會(huì)越來(lái)越明顯。

當(dāng)然，目前，缺陷檢測(cè)目前能減輕人工負(fù)擔(dān)，但要全面替代人工，仍有諸多難點(diǎn)需要突破：

1. 光源與成像：

缺陷檢測(cè)機(jī)器視覺(jué)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(wèn)題都會(huì)影響被測(cè)物體特征的提取，因此光源與成像可以說(shuō)是機(jī)器視覺(jué)檢測(cè)要攻克的第一個(gè)難關(guān)。比如現(xiàn)在玻璃、反光表面的劃痕檢測(cè)等，很多時(shí)候問(wèn)題都卡在不同缺陷的集成成像上

2. 對(duì)非預(yù)期缺陷的識(shí)別：

在應(yīng)用中，往往是給定一些具體的缺陷模式，使用機(jī)器視覺(jué)來(lái)識(shí)別它們到底有沒(méi)有發(fā)生。但經(jīng)常遇到的情況是，許多明顯的缺陷，因?yàn)橹皼](méi)有發(fā)生過(guò)，或者發(fā)生的模式過(guò)分多樣，而被漏檢。如果換做是人，雖然在操作流程文件中沒(méi)讓他去檢測(cè)這個(gè)缺陷，但是他會(huì)注意到，從而有較大幾率抓住它，而機(jī)器視覺(jué)在這點(diǎn)上的“智慧”目前還較難突破。

以上便是為大家?guī)?lái)關(guān)于缺陷檢測(cè)的資訊，國(guó)辰機(jī)器人也會(huì)攻克技術(shù)難關(guān)，深耕行業(yè)，為用戶帶來(lái)更智能的體驗(yàn)。