機器視覺表面缺陷檢測原理?基于機器視覺的缺陷檢測方法目前，基于機器視覺的表面缺陷方法主要分為基于圖像處理的缺陷檢測方法和基于機器學習的缺陷檢測方法兩種方法具體介紹如下，下面我們就來聊聊關于機器視覺表面缺陷檢測原理?接下來我們就一起去了解一下吧!

機器視覺表面缺陷檢測原理

基于機器視覺的缺陷檢測方法目前，基于機器視覺的表面缺陷方法主要分為基于圖像處理的缺陷檢測方法和基于機器學習的缺陷檢測方法。兩種方法具體介紹如下。

1、基于圖像處理的缺陷檢測

基于圖像處理的缺陷檢測主要分為圖像預處理和缺陷檢測兩個部分，圖像預處理包括圖像去噪和圖像分割等算法，是缺陷檢測的前期工作，缺陷檢測部分主要利用圖像特征提取或模闆匹配算法完成對缺陷的檢測。

圖像特征提取的目的是研究在圖像的衆多特征中提取有用特征，其基本思想是使特征目标在圖像的子空間中在同一類内具有較小的類内聚散度，在不同類内具有較大的類間聚散度，它可以理解為圖像從高維空間信息到低維特征空間的映射。特征提取是表面缺陷檢測的關鍵環節，特征提取的精度對後續特征點匹配精度、模闆匹配精度、計算的複雜度等方面均有影響。目前常用特征提取的方法主要有基于紋理的特征提取、基于顔色的特征和基于形狀的特征提取等。

模闆匹配的任務就是研究某一特定對象物體的圖案或輪廓位于圖像的什麼地方，進而識别對象物體，匹配的精度是決定缺陷檢測精度的重要因素之一。基于元素的匹配方法、基于灰度信息的匹配方法和基于形狀的匹配方法是圖像模闆匹配中常用的３種方法，一般在表面缺陷檢測中常用基于形狀的匹配方法對表面缺陷進行檢測，具體過程為：首先确定所檢測的目标區域，将目标區域與背景區域分離，然後定義目标區域一個标準圖像，創建參考模闆，最後将需要測試的圖像放入模型與标準模闆進行匹配，通過參考模闆與測試模闆的匹配結果對缺陷進行識别分類。

基于圖像處理缺陷檢測的方法已經在工業檢測環節得到了應用實踐，例如，利用多模闆匹配的方法對印刷品表面檢測，檢測精度可達０．１mm，檢測速度小于１s;使用形狀模闆匹配對沖壓件進行檢測，單張圖像的匹配時間為３6．５７ms，單個工件的平均缺陷檢測時間為１6５．２6ms，具有較好的魯棒性;圖像處理算法進行了改進，有效解決了帶鋼表面的缺陷檢測問題。

2、基于機器學習的缺陷檢測

在基于機器學習的缺陷檢測中通常使用支持向量機（suｐｐoｒｔvecｔoｒmａcｈine，SＶＭ)或決策樹（decisionｔｒee)對樣本缺陷進行分類，SＶＭ是１９９５年Ｖａｐnik[３１]根據統計學習理論提出的一種二分類模型，其模型定義為在特征空間上間隔最大的線性分類器，基本思想是在正确劃分訓練數據集的同時分離出間隔最大的超平面。SＶＭ采用的是結構風險最小化原理，通過将數據樣本上特征點所在的低維輸入空間映射到高維的特征空間，達到線性或線性近似分類的目的。

SＶＭ是機器學習中廣泛應用的一種算法，在解決小樣本、模式識别等問題中表現出獨特的優勢，具有良好的有效性和魯棒性，目前已在表面缺陷檢測上有成功的應用。朱勇建等利用SＶＭ對太陽能網版缺陷進行檢測分類，經實驗驗證，該方法缺陷檢測的準确率可達９５%，單幅圖像的檢測時間為４．１４s;劉磊等針對太陽能電池片常見的幾種缺陷，設計了SＶＭ分類器對缺陷進行檢測，缺陷識别率達９０%以上。

決策樹是機器學習中一種常用的分類算法，它可以從有特征和标簽的數據中總結出決策規則，并以樹形結構的形式來呈現這些規則。一棵決策樹由分支節點和葉節點兩部分組成，分支節點為樹的結構，葉節點為樹的輸出，在訓練時，決策樹會根據某個指标将訓練集分割成若幹個子集，并在不斷産生的子集中進行遞歸分割，當訓練子集裡所有指标相同時遞歸結束。目前，決策樹由于其速度優勢，已經成為工業領域解決實際問題的重要工具之一。郭朝偉等利用決策樹分類器對柱狀二極管表面缺陷進行檢測，取得了較好的缺陷識别和分類效果;徐鳳雲使用決策樹算法對鋼材表面常見缺陷進行了檢測，缺陷平均檢測率可達９6．6%。

忽米——讓工業更有智慧

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!