仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
点击上方“小白学视觉”，选择加”星标”或“置顶”
重磅干货，第一时间送达
来源：亚坤工业视觉
缺陷检测是工业视觉领域非常重要的应用之一。几乎所有的工业产品在流入市场之前都会有缺陷检测的环节，目的是确保产品是合格的。
对产品进行缺陷检测时，分为人工目视检测和工业视觉检测。利用工业视觉做缺陷检测时，常用的解决思路如下：
Ⅰ、传统图像算法
用传统图像算法做缺陷检测时，方法有二：
①特征工程
特征工程是缺陷检测中最常用的方法。特征工程是通过传统图像算法分析图像灰度值、方差、均值、颜色、型状、轮廓、面积等特征去检测缺陷，方法非常灵活，开发速度也快。在应用层面，一般会将缺陷特征的相关参数开放到软件端，供使用者灵活调整。
②模板匹配
模板匹配是通过预设一些图像模板，将图像模板与待测图像进行比较，以达到识别缺陷的目的。这种算法应用有限，举个例子，做某品牌饮料瓶标签的缺陷检测，会利用方法①特征工程的技术识别部分缺陷类型，但也会利用模板匹配，通过预设一些标签图像模板去匹配待测图像，以判断标签是否有缺陷。
Ⅱ、CV算法
计算机视觉算法即CV（ComputerVision）算法，是指让计算机理解图像的一种技术，属于AI（ArtificialIntelligence）算法的分支之一。
在工业视觉领域，处理对象是图像，故提到AI算法便是CV算法。也许AI算法听起来高级，所以在工业视觉领域，大家一般多说AI算法，不怎么提CV算法。
图像分类、目标检测、语义分割、实例分割、目标跟踪、OCR、人脸识别、图像生成、异常检测、等都属于CV算法。其中，在工业视觉缺陷检测领域应用较多的CV算法为图像分类、目标检测、实例分割。
①图像分类
图像分类，顾名思义，是对图像进行分类并确定图像类别的一种算法。根据分类任务不同，图像分类又分为单标签分类和多标签分类。常用的分类网络有ResNet、MobileNet、EfficientNet等。
在工业视觉领域，理论上讲，可以利用图像分类算法对整张图像直接分类，以确定其缺陷类别。由于工业相机拍摄的视野问题，会使整张图像除了目标区域外，还会包含很多无关的背景，这些无关的背景会干扰图像分类模型的训练，导致图像分类算法的准确率低，因此实际项目中，极少利用图像分类算法直接对整张图进行分类。
②目标检测
目标检测算法是在图像中对所有感兴趣的目标，用检测框定位目标的位置和类别，如下图1所示。这种方法简单粗暴，即通过标注大量缺陷数据集，训练一个具有缺陷检测能力的目标检测模型。
图1目标检测示例
最经典目标检测算法首推YOLO系列，准确率高且推理速度快，属于非常优异的算法。在实际应用中，需要对图像进行尺寸的缩放，使图像大小符合目标检测模型所要求的尺寸。如果原图很大，缺陷很小，使缺陷在原图中占比很小，比如点状的微小缺陷，可能会使图像在预处理缩放过程中，将缺陷丢失。因此，如果有此类问题的风险，一般会将原图进行裁剪为多份，比如100005000分辨率的图像，拆分为10张20002500分辨率的图像，然后对这10张图像单独进行检测，最后将检测结果汇总。
此类方法也有弊端，那就是数据集，成也数据集，败也数据集。因为目标检测算法属于有监督学习，依赖大量的数据集，如果数据集不够，会导致算法准确率低。实际项目中，往往需要持续收集数据，反复多次迭代模型，才能达到理想效果。
③实例分割
实例分割是目标检测的升华版本，即在目标检测的基础上用更精细的mask进行定位，而非检测框，如图2所示。
图2实例分割示例
将实例分割算法应用到缺陷检测上，可以获得比目标检测算法更加精准的缺陷定位，这是有利于缺陷检测的。另一方面，当不同的缺陷离得很近，并且出现交叉或者包含的情况，目标检测算法很难获得较好的类别区分，但是实例分割算法并没有这个困境。若用实例分割算法在尺寸很大的图像上进行缺陷检测时，处理方法与目标检测算法一致，也是将图像拆分。
实例分割算法和目标检测算法一样，都属于有监督学习，需要依赖大量的数据集。相比于目标检测算法拉框式的标注，实例分割算法标注的更为精确，标注工作量更大。实际项目中，实例分割算法往往也需要持续收集图像数据，反复多次迭代模型，才能达到理想效果。
PS：此处致敬一下JosephRedmon大神，摘选他YOLOv3论文惊人敬佩的结束语，如下图3所示：
图3YOLOv3论文摘选
Ⅲ、传统图像算法+CV算法
这种方法将传统图像算法和CV算法结合在一起，也是常用的策略。
通常是利用传统图像算法先定位缺陷，然后再将缺陷ROI图像传给AI分类算法进行分类。这种方法解决了传统图像算法定位容易，但是分类困难的问题。
结束语
工业视觉缺陷检测算法有很多，本文罗列了三大类主流方法，除了上述三大类，也有无监督学习算法、图像异常检测算法，读者感兴趣可自行检索研究。
任何一种缺陷检测算法都有自己的技术边界，在使用的时候，要具体情况具体分析，好的策略是将多种不同的算法组合使用，形成“绝对检测”。
声明：部分内容来源于网络，仅供读者学习、交流之目的。文章版权归原作者所有。如有不妥，请联系删除。
下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。
下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三+上海交大+视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
