基于文獻計量的機器視覺缺陷檢測研究述評

彭昭勇，伍 權，陳華偉，鄭 躍，王書祥

貴州師范大學 機械與電氣工程學院，貴陽 550025

機器視覺的概念，源于美國機械工程師協會（American Society of Manufacturing Engineers，ASME）中的機器視覺分會以及美國的機器人工業協會（Robotics Industries Association，RIA）中的自動化分會[1]。按照其定義，機器視覺是指“經過光學裝置和非碰觸型的傳感器自主接收并處置某個真正物體的圖形，并對其剖析取得所需要的信息或用來管控機器運行的設施。”機器視覺具有精度高、成本低、效率高、靈活性高、自動化程度高等優點[2-4]，在特定工作條件和環境下，可以取代人類的工作，因此廣泛應用于現代工業自動化生產中，如零配件批量加工的尺寸檢測，自動裝配的完整性檢查，電子裝配線的元件自動定位，IC 上的字符識別等[5-14]。隨著機器視覺的發展，學術界對機器視覺缺陷檢測的關注度不斷提高，研究成果不斷積累，據此一些學者針對中國機器視覺缺陷檢測研究所取得的成果做了回顧和展望[15-22]。上述研究為促進中國機器視覺缺陷檢測研究奠定了良好的基礎，但從研究時間段來看，有的研究距今太過久遠，已不能及時且全面地反映近幾年中國機器視覺缺陷檢測研究領域發生的新變化；從研究內容來看，既有從整體角度，也有從某種類型對中國機器視覺缺陷檢測研究成果進行梳理；從研究方法來看，幾乎所有的研究都采用傳統的內容分析，無法發現研究議題間的知識脈絡關系。

因此，本文基于中國知網（CNKI）數據庫中1995—2020年的文獻數據（根據檢索條件，能夠檢索到的最早關于中國機器視覺缺陷檢測研究的文獻[23]發表于1995年），通過文獻計量和圖譜分析相結合的方法，能夠系統考察和直觀反映中國機器視覺缺陷檢測研究現狀、熱點和前沿，從而為后續研究提供借鑒和參考。

1 數據來源和研究方法

1.1 數據來源

本研究的數據來源于中國知網（CNKI）期刊全文數據庫（https：//www.cnki.net/）收錄的全部期刊，包括核心期刊、CSCD 期刊、EI 期刊等。以“機器視覺缺陷檢測”為主題詞進行檢索，檢索日期截至2020年7月17日，對數據進行整理后共獲得相關文獻588篇，以此作為分析研究對象。

1.2 研究方法

本文綜合運用文獻計量法和知識圖譜分析法。時間跨度為“1995—2020 年”，時間間隔為1 年，在此基礎上，分別選擇關鍵詞、作者、機構、發文期刊等作為研究對象，并繪制相應的分析圖，通過可視化手段呈現科學知識的結構、規律和分布情況，直觀地反映不同研究間的內在聯系，為科學有效地預測某一領域研究的發展動向和趨勢提供科學依據[24]。

2 結果與分析

2.1 發文量分析

某一研究方向發表論文數量的變化能夠直觀反映該研究在某一時間段內研究熱點的變化，是衡量該研究在該時間段內發展態勢的一個重要指標，對分析未來研究發展動態和趨勢具有重要意義[25]。根據我國機器視覺缺陷檢測研究文獻在歷年分布數量的統計分析可知（如圖1 所示），1995—2020 年，中國對機器視覺缺陷檢測研究大致經歷了初步探索、快速增長和高速增長三個階段。其中，1995—2005 年為該研究初步探索的階段，這一階段研究成果相對較少，年均發文量僅為1.6篇，但隨著1995年關于產品缺陷自動視覺檢測論文的首次出現，揭開了中國機器視覺缺陷檢測研究的序幕。2006—2011 年為該研究快速增長的階段，發文量逐年攀升，由2006 年的7 篇增加到了2011 年的28 篇，與前一階段的2005年相比，增長了12.9倍。主要原因為隨著企業自動化生產線的升級迭代，傳統人工和機械檢測方法越來越滿足不了自動檢測的需求，在行業需求的帶動下，企業和高校的研究熱情高漲，進而推動了論文數量的上升。2012—2020 年為該研究的高速發展階段（其中截止2020年7月17日共發表48篇，數據不完整，在圖中未列入），發文量逐年快速上升，2019年最多為86篇，總體呈穩步上升態勢。隨著計算技術進步，機器視覺算法效率越來越高，缺陷檢測效果越來越具有實用性，且機器視覺技術得到大量應用，進一步推動了機器視覺缺陷檢測文獻數量的增加。

圖1 1995—2019年研究文獻數量

2.2 關鍵詞分析

2.2.1 關鍵詞分布圖分析

中心度和頻次綜合指標作為判斷某一研究領域熱點方向的標準，是指一個節點在網絡中處于核心地位的程度，節點的關聯性越大，其中心度越高，說明節點在該領域的重要性越強[27]。中心頻度大于0.1 的關鍵詞，普遍被認為其在該研究領域的影響力較大[28]。表1 中，中心頻度大于0.1 的關鍵詞從大到小依次為機器視覺、圖像處理、缺陷檢測、支持向量機、計算機視覺、表面缺陷檢測、表面缺陷、模板匹配、深度學習、邊緣檢測。

2.2.2 關鍵詞演進分析

圖2 關鍵詞分布圖

表1 文獻中出現頻次高于15的關鍵詞

為清楚呈現我國機器視覺缺陷檢測研究的整體脈絡，本文繪制了基于時間軸的中國機器視覺缺陷檢測研究趨勢演進圖（如圖3所示），可以看出該領域研究熱點總體上從宏觀的圍繞機器視覺的缺陷檢測、圖像處理、深度學習逐步向表面缺陷、圖像分割、數字圖像處理、模式識別、自適應閾值、神經網絡、分類器、中值濾波、人工智能與最小二乘法等細分領域研究拓展。圖中詞語字體和圓圈的大小反映了機器視覺缺陷檢測研究的熱度，關鍵詞之間的連線表示它們的關聯關系。此外，從圖3中的連線也進一步反映出關聯詞之間的這種關系在時間跨度上有演進趨勢，如在1995 年的關鍵詞“缺陷檢測”中就包含關鍵詞“最小二乘法”。

2.2.3 關鍵詞聚類分析

關鍵詞共現分析和演進分析能夠直觀呈現目前機器視覺缺陷檢測研究熱點內容以及脈絡[29]，但是由于機器視覺與各行業深度融合是目前各個領域的研究熱點，尤其是機器視覺在檢測領域的相關研究與應用，造成該領域以機器視覺為核心的相關研究日益多元化，不僅研究的內容繁多，而且比較分散，未形成系統的研究框架。因此，本文對統計的全部關鍵詞進行聚類分析，并根據各聚類關鍵詞的組成，總結出各聚類的名稱與研究內容，以梳理機器視覺缺陷檢測研究的整體框架，探究目前機器視覺相關研究的主要領域，使相關研究更加體系化，突顯機器視覺檢測研究的熱門領域，也為預測未來機器視覺檢測熱門研究奠定基礎。本文采用UltraEdit對關鍵詞去重，用Endnote 軟件將數據格式轉換成RIS格式，然后通過Vosviewer軟件對關鍵詞進行聚類分析，閾值選擇為2，最終生成8個聚類（表2）。

圖3 研究趨勢演進圖

表2 關鍵詞聚類

由表2可知，8個聚類由不同的研究內容組成，代表8種不同研究領域，即目前機器視覺缺陷檢測的相關研究主要集中在“缺陷”“缺陷檢測”“visionpro”“特征提取”“mura缺陷”“模板匹配”“表面缺陷”“模式識別”8 個領域。

2.2.4 戰略坐標分析

本文以各細分領域研究關注度為橫軸，研究新穎度為縱軸，繪制機器視覺研究細分領域戰略坐標圖，探究目前機器視覺研究的熱門領域及未來的熱門領域，使8個細分研究領域分別落入不同的象限，如圖4 所示，圖中每個散點代表一個細分研究領域。

在區塊鏈技術日益被廣泛關注和逐漸蓬勃發展應用的大背景下，本文以肉類食品為例，從傳統供應鏈出發，分析了傳統供應鏈中各個節點對接的不足，說明了區塊鏈技術的優點，并與供應鏈進行結合，解決傳統供應鏈中信息不對稱，對接效率低等問題，研究了區塊鏈與供應鏈結合的新管理模式與如何實現產品溯源、防偽驗證等技術問題。目前，我國對于區塊鏈在供應鏈中的應用還處于探索時期，所以，我們應該更多的對區塊鏈在供應鏈上的應用多加研究，將理論方面的創新實踐到實際生活中，才能讓區塊鏈技術有更大的突破。

圖4 戰略坐標圖

從4個象限的分布情況看，領域#5“模板匹配”位于第一象限，該象限為熱門研究領域，其代表的研究內容具有高頻次與高中心度特點，且與其他研究領域具有較高的關聯度。領域#2、#4、#7、#0“visionpro”“mura缺陷”“模式識別”“缺陷”位于第二象限，該象限為高潛熱門領域，其代表的研究內容具有低頻次、高中心度特點，表明表面缺陷檢測、邊緣檢測識別、視覺程序軟件開發、計算機視覺自動檢測是未來研究的熱門領域。領域#6“表面缺陷”位于第三象限，該象限為孤島領域，其代表的研究內容既不具備高頻次，也不具有高中心度，表明該領域并不是機器視覺缺陷檢測研究的核心內容，相關研究比較少并且未形成完整的研究體系。但該研究領域部分關鍵詞處于機器視覺缺陷檢測研究熱點的邊緣，如“表面缺陷”（頻次54；中心度0.46）、“圖像分割”（頻次12；中心度0.11），也有可能發展為機器視覺缺陷檢測研究的熱點。領域#1、#3“缺陷檢測”“特征提取”位于第四象限，該象限為邊緣領域，其代表的研究內容具有高頻次、低中心頻度的特點，說明該領域也是目前機器視覺缺陷檢測研究的熱門領域，但與其他研究領域的關聯度不高。

2.2.5 凸顯關鍵詞

凸顯詞指在較短時間內出現較多或使用頻率較高的詞，根據凸顯詞的詞頻變化可以判斷研究領域的前沿與趨勢[30]。基于CiteSpace的凸顯詞分析，得到機器視覺缺陷檢測凸顯主題及對應的凸顯率（如圖5 所示）。“深度學習”“表面缺陷”“計算機視覺”“pcb”“在線檢測”“視覺檢測”“邊緣檢測”是機器視覺缺陷檢測研究的熱點，其中“深度學習”主要體現在1995—2007 年，“表面缺陷”體現在2001—2010年，“計算機視覺”體現在2004—2011 年，“pcb”體現在 2007—2013 年，“在線檢測”體現在 2010—2016 年，“視覺檢測”體現在2014—2017 年，“邊緣檢測”體現在2017—2020 年，并且研究趨勢表現為逐年上升。這在一定程度上說明，目前國內機器視覺缺陷檢測研究前沿主要體現在深度學習、表面缺陷、計算機視覺、pcb、在線檢測、視覺檢測、邊緣檢測等主題。

2.3 發文作者分析

在文獻計量分析中，通常需要尋找核心作者以發現某研究領域的骨干力量。核心作者是指發文數量較多并且影響力較大的作者[31]。本文依據普賴斯公式進行統計分析：

式中，M為核心作者發文數（篇），Nmax為統計年限中發文量最多的作者的發文數（篇）。發文量為M篇及以上的作者即為核心作者[32]。經統計，中國機器視覺缺陷檢測研究領域Nmax=7，將該數值帶入式（1）中，求得M≈1.98，取M值為2，即發文量為2 篇及以上的作者為中國機器視覺缺陷檢測研究領域的核心作者。

根據統計結果，參與發表論文的作者總人數為615人，核心作者人數為126 人，占總人數的比例為20.5%，總發文量為295篇，占總發文篇數的50.2%，符合普賴斯理論中“核心作者發文數量占總發文數量50%”的觀點[33]。

圖5 關鍵詞凸顯率

圖6為中國機器視覺缺陷檢測研究發文作者分布圖，由圖6左上角的信息說明窗口可知：N=126，E=126，Density=0.016。其中，N為節點數，表示此種參數組合下提取的作者數量；E為連線數，表示作者間的合作程度，連線越多表明作者間的合作越密切；Density表示網絡密度[34]。圖6 中的連線數小于節點數，說明在中國機器視覺缺陷檢測研究中，作者間的聯系較少，密度較低。其中，存在較多的單點，說明有部分學者處于獨立研究狀態；雙點合作如李江波和饒秀勤等表明其研究聯系較少；三角形合作如喬湘洋、祁超飛和王海芳等表明其研究合作關系相對穩固；以王耀南、彭玉、范濤、周顯恩、劉學兵等作者為中心點的合作研究網絡最為緊密，且處于同一個網格之中，有可能是實驗室間相互合作或者同門之間的相互合作。

圖6 發文作者分布圖

2.4 發文機構分析

通過對發文作者所屬機構的統計分析可知，本研究設計的作者分布在108 個機構中，發文數量在5 篇及以上的機構有7個（表3）。其中發文最多的機構為廣東工業大學自動化學院，發文量共計10篇；其次為四川大學制造科學與工程學院，發文量共計8 篇；緊隨其后的為江南大學輕工過程先進控制教育部重點實驗室和上海理工大學光電信息與計算機工程學院，發文量都為6篇。

表3 發文量較多的機構

圖7為中國機器視覺缺陷檢測研究發文機構圖，圖中節點圓圈大小和發文機構字號大小與發文機構在該研究領域中的研究成果成正比關系，節點越大表示該機構在中國機器視覺缺陷檢測研究方面的成果越豐富[35]。同時，由圖7 還可以看出：目前，盡管在全國已形成以廣東工業大學自動化學院和四川大學制造科學與工程學院為代表的機器視覺缺陷檢測研究中心，但不同機構相互之間的合作研究在不斷加強，并逐漸形成一定的合作網絡。其中，上海理工大學光電信息與計算機工程學院、廣東華中科技大學工業技術研究院廣東省制造裝備數字化重點實驗室和湖南大學電氣與信息工程學院等大部分機構為獨立研究狀態；中國科學院大學人工智能學院和中國科學院自動化研究所精密感知與控制研究中心等為相互合作的狀態；中國科學院成都計算機應用研究所、國網重慶市電力公司電力科學研究院和中國科學院大學為三角形合作，合作關系較為穩固。

圖7 發文機構圖

2.5 發文期刊分析

對刊發學術文獻的期刊進行分析，有助于了解該研究領域的核心期刊群，為學者選擇文獻發表平臺、搜索資料提供指導[36]。本文篩選出的588篇文獻中載文7篇及以上的期刊共發文106篇，占總發文量的18%（表4）。其中，《激光與光電子學進展》《制造業自動化》分別載文14篇，同居榜首，其發文量略高于其他期刊；《包裝工程》《計算機測量與控制》分別載文12 篇，緊隨其后；《機床與液壓》《組合機床與自動化加工技術》分別載文11篇；《電子測量與儀器學報》共載文10 篇；《機械設計與制造》共載文8篇；《計算機工程與應用》《儀表技術與傳感器》分別載文7篇；其余期刊的發文量則在7篇以下。

表4 刊載論文7篇以上的期刊

根據布拉德福定律，將期刊刊載某學科領域的論文數量以遞減順序排列，可把該學科領域的期刊分為核心區期刊、相關區期刊和非相關區期刊3 種類型[37]。其計算公式如下：

式中，r0為核心區期刊，E 為歐拉系數(E=0.577 2)，Y為當前領域最大載文量期刊的載文量。本研究中Y=14，通過計算可得r0≈6.4，按照四舍五入原則，取r0的值為6，即處于核心區的期刊有6 種，分別為《激光與光電子學進展》《制造業自動化》《包裝工程》《計算機測量與控制》《機床與液壓》《組合機床與自動化加工技術》，它們是目前刊載機器視覺缺陷檢測研究成果的主要期刊，反映出這些期刊的辦刊宗旨及對刊發機器視覺缺陷檢測研究成果的傾向。

3 結論與展望

3.1 結論

本研究的分析樣本來源于中國知網（CNKI）數據庫中1995—2020年共588篇期刊文獻，改變了以前傳統的定性分析以及描述統計，綜合運用文獻計量及知識圖譜分析方法，揭示了中國機器視覺缺陷檢測研究的多維結構和網絡關系。主要得出以下結論：

（1）根據文獻產出逐年變化情況，將1995—2020 年中國機器視覺缺陷檢測研究歷程劃分為3個階段：初步探索階段（1995—2005 年）、快速增長階段（2006—2011年）和高速增長階段（2012—2020 年）。從整個時期來看，發文數量總體呈上升趨勢。

（2）在研究關鍵詞中，機器視覺、圖像處理、缺陷檢測、支持向量機、計算機視覺、表面缺陷檢測等為該領域的核心詞；在關鍵詞演進分析中，該領域研究熱點總體上從宏觀的圍繞機器視覺的缺陷檢測、圖像處理、深度學習逐步向表面缺陷、圖像分割、數字圖像處理、人工智能與最小二乘法等細分領域拓展。

（3）在發文作者上，以王耀南、彭玉、范濤及其團隊為引領而取得的成果最為豐碩；在研究機構上，以廣東工業大學自動化學院、四川大學制造科學與工程學院為代表的科研院所占據重要地位；在刊文載體上，已形成由《激光與光電子學進展》《制造業自動化》《包裝工程》《計算機測量與控制》《機床與液壓》等9 種期刊組成的核心期刊群。

3.2 展望

本文也存在一定局限性：第一，未對機器視覺缺陷檢測引用數量進行統計，未來可對其深入統計和分析，利于快速、準確查找對該領域有重要影響和價值的文獻。第二，未對機器視覺缺陷檢測發文地區分布情況進行統計分析，未來研究可對發文地區分布進行分析，能夠明確目前各地區對該領域研究內容及數量的差異，為促進各研究機構的跨地域合作、交流提供指引。第三，本文僅對知網的全部期刊，如核心期刊、CSCD期刊、EI期刊等數據庫中的文獻做統計與分析，未來研究可對國內全部中文數據庫中該領域的文獻進行統計和分析，進一步增強研究結論的說服力。