机器视觉表面缺陷检测原理论文

在工业生产中总是经常遇到裂痕、划痕和变色等产品的表面缺陷问题，而这些问题不管对于人工检测还是机器视觉检测都极富挑战。其难度在于该类缺陷形状不规则、深浅对比度低，而且往往会被产品表面的自然纹理或图案所干扰。因此，表面缺陷检测对于正确打光、相机分辨率、被检测部件与工业相机的相对位置、复杂的机器视觉算法等要求非常高。 机器视觉划痕检测的基本分析过程分为两步：首先，确定检测产品表面是否有划痕，其次，在确定被分析图像上存在划痕之后，对划痕进行提取。 表面划痕通常可分为三大类： 第一类划痕，从外观上较易辨认，同时灰度变化跟周围区域对比也比较明显。可以选择较小的阈值精缺陷部分直接标记。 第一类划痕缺陷图像 第二类划痕，部分灰度值变化并不明显，整幅图像灰度比较平均，划痕面积也比较小，只有几个像素点，灰度也只比周围图像稍低，很难分辨。可以对原图像进行均值滤波，得到较平滑的图像，并与原图像相减，当其差的绝对值大于阈值时就将其置为目标，并对所有的目标进行标记，计算其面积，将面积过小的目标去掉，剩下的就标记为划痕。 第二类划痕缺陷图像 第三类划痕，各部分灰度差异较大，形状通常呈长条形，如果在一幅图像上采取固定阈值分割，则标记的缺陷部分会小于实际部分。由于这类图像的划痕狭长，单纯依靠灰度检测会将缺陷延伸部分漏掉。对于这类图像，根据其特点选择双阈值和缺陷形状特征相结合的方法。 第三类划痕缺陷图像 由于在工业检测中图像的多样性，对于每一种图像，都要经过分析综合考虑各种手段来进行处理达到效果。一般来说，划痕部分的灰度值和周围正常部分相比要暗，也就是划痕部分灰度值偏小；而且，大多都是在光滑表面，所以整幅图的灰度变化总体来说非常均匀，缺乏纹理特征。因此，划痕的检测一般使用基于统计的灰度特征或者阈值分割的方法将划痕部分标出。 基于机器视觉的表面缺陷检测量系统，可安装在具有规则形状的金属产品生产流水线上，对生产线上的每个产品的表面缺陷及外形尺寸等进行在线检测，尤其对于有金属光泽的产品的表面质量检测效果更加突出。当检测到有缺陷的工件时，系统可根据实际需求发出相应的控制信号，即可直接将废品剔除，也可控制打标机构在缺陷品上喷涂标志。

就是深度的对人眼的视觉成像进行模拟，毕竟产品还是面相大众来出售的，这样是最合理的方式

视觉检测是一种利用人眼视觉系统进行检测的技术，广泛应用于工业生产、质量控制、医疗诊断、安全监控等领域。其原理是通过光学设备将被检测物体的图像投射到摄像头或人眼中，再通过图像处理算法对图像进行分析，从而判断被检测物体是否符合要求。

主要是通过视觉机器设备来检测的，以国辰机器人为例，国辰表面缺陷检测系统使用人工智能技术，结合工业相机可在材料生产过程中全面检测材料表面质量，正确提供疵点各项参数，可检测断经、断纬、破洞、油污、经纬污、双纬、稀弄、粗节纱、空织、松紧经、圈纬、小散丝、松纬、经起毛、开口不清等瑕疵，统计和分析各类疵点，提供生产统计质检报告，为生产提质增效。

机器视觉检测的原理是将工业CCD相机安装在生产线上方和产品下方位置，全程扫描产品表面，拍摄图片传送给系统，数据经过高速处理后保留幅面缺陷数据信息并输出控制信号，计算机系统通过数据库记录和管理缺陷具体位置、大小和图像等信息。检测幅宽可以根据客户产品所需大小，去定制设备检测宽度。检测到的瑕疵反馈方式：可以声光报警、实时贴标，连接的电脑显示出具体的瑕疵类型和坐标分布图。

机器视觉的缺陷检测原理是基于对人眼检测的模拟，用简单的归纳思维来进行识别。正如生活中医生对病人进行诊断，就是一个典型的归纳分类的行为。从最古老的望闻问切，到现在的B超，CT等现代化设备仪器，没有哪一个医生能够单纯靠肉眼就能直接判断病情，只能观察病人表现出的症状和各种化验检测数据来推断病情，这个时候，医生所使用的就是一种归纳分类的思路，病人的单一症状的分类与复合症状的精确分类。