基于機器視覺的工業(yè)產(chǎn)品表面缺陷檢測技術研究

陳嵐 劉旭

［摘 要］隨著工業(yè)和智能制造的發(fā)展，工業(yè)產(chǎn)品的質(zhì)量控制變得越來越重要。傳統(tǒng)的人工檢查方法由于其低效、不穩(wěn)定和主觀性等問題，已經(jīng)無法滿足當前的需求。因此，基于機器視覺的自動化檢測技術，特別是基于深度學習的檢測技術，正在成為一個熱門的研究。深度學習作為一種強大的機器學習方法，已經(jīng)在圖像處理、語音識別、自然語言處理等多個領域取得了突破性的成果。

［關鍵詞］機器視覺；工業(yè)產(chǎn)品；表面缺陷；檢測技術

［中圖分類號］T-01文獻標志碼：A

工業(yè)產(chǎn)品表面缺陷檢測是制造業(yè)中至關重要的環(huán)節(jié)。產(chǎn)品的外觀質(zhì)量直接影響消費者對產(chǎn)品的認可度和購買意愿。表面缺陷，如劃痕、凹痕、顏色不均等，不僅會降低產(chǎn)品的美觀度，還可能影響產(chǎn)品的功能和使用壽命。通過及時發(fā)現(xiàn)和修復表面缺陷，制造商可以提高產(chǎn)品的質(zhì)量和價值，增強市場競爭力。而忽視表面缺陷檢測可能導致質(zhì)量投訴、產(chǎn)品召回或聲譽受損。傳統(tǒng)的人工檢查方法往往耗時較多且主觀性較強，降低了大規(guī)模生產(chǎn)的效率。因此，基于機器視覺的工業(yè)產(chǎn)品表面缺陷檢測技術的研究對于實現(xiàn)高效、自動化和可靠的缺陷檢測具有重要意義，有助于提升制造業(yè)的產(chǎn)品質(zhì)量和生產(chǎn)效率，降低成本，增強企業(yè)的競爭力和可持續(xù)發(fā)展能力。

1 機器視覺缺陷檢測的基本理論

1.1 機器視覺技術的基礎

機器視覺技術基于計算機和相關設備的硬件平臺，通過適配的圖像采集設備，如攝像頭和光源等，將被測對象轉(zhuǎn)化為圖像信號，然后傳送到圖像處理系統(tǒng)。圖像處理系統(tǒng)能夠?qū)@些信號進行一系列的分析處理，以識別目標的外形、位置、尺寸、色彩等特征。機器視覺技術的應用步驟一般包括圖像采集、預處理、圖像分析和識別、決策處理。其中，圖像采集是將物理世界中的對象轉(zhuǎn)化為計算機可以理解和處理的數(shù)字信號，通過數(shù)字攝像頭或者其他圖像傳感器完成的技術，這些設備可以將光信號轉(zhuǎn)化為電信號，然后進一步轉(zhuǎn)化為數(shù)字信號；預處理是對圖像進行一些初步的處理，如噪聲消除、對比度增強、色彩平衡、歸一化等，以改進圖像質(zhì)量和減少后續(xù)步驟中的計算復雜度，盡可能保留圖像中的有效信息，消除無關的干擾信息；圖像分析和識別是機器視覺技術的核心部分，這一步主要是通過各種圖像處理算法，如邊緣檢測、特征提取、模式識別、機器學習等，識別圖像中的特定目標或理解圖像的內(nèi)容，需要對圖像進行一系列復雜的數(shù)學運算，如卷積、傅里葉變換、波特分解等；決策處理是根據(jù)前面的圖像分析和識別的結(jié)果，作出一些應用相關的決策，如自動控制、導航、診斷等，并與其他系統(tǒng)或者設備交互，如運動控制系統(tǒng)、人機交互設備、數(shù)據(jù)庫等。機器視覺技術的最終目標是模擬人眼的視覺功能，使計算機能夠理解物理世界中的圖像信息，根據(jù)這些信息作出智能的決策。與人眼不同的是，機器視覺不受物理條件的限制，可以處理超出人眼可見范圍的圖像，如紅外圖像、超聲圖像等，也可以處理超出人腦處理能力的大量圖像，如衛(wèi)星圖像、醫(yī)學影像等［1］。

1.2 機器視覺用于表面缺陷檢測的原理

機器視覺技術在工業(yè)表面缺陷檢測中的基本原理主要包括圖像采集、圖像預處理、特征提取和分類識別。對于表面缺陷檢測來說，缺陷的大小、形狀和顏色特征都需要通過圖像精確地表達出來，工業(yè)產(chǎn)品表面缺陷通常以色彩、紋理、形狀等方式在圖像中體現(xiàn)，因此需要高清晰度、高對比度的圖像來準確捕捉這些信息，對于復雜或難以觀察的工件，可能需要采用特殊的成像技術，如X射線、紅外、紫外等；圖像預處理的目標是更好地展示和分析表面缺陷，這些步驟可以顯著提高圖像質(zhì)量，使后續(xù)的特征提取和分類更為準確，特別是對于含有復雜背景和光照條件的圖像，預處理步驟顯得尤為重要；在應用機器視覺技術對工業(yè)產(chǎn)品表面缺陷的檢測過程中，特征提取是區(qū)分正常區(qū)域和缺陷區(qū)域的主要依據(jù)，不同類型的缺陷需要提取不同的特征，如裂紋、疤痕、凹坑、銹蝕等缺陷可能有各自的特征；分類識別階段涉及復雜的模式識別和機器學習算法，如決策樹、支持向量機、神經(jīng)網(wǎng)絡等，系統(tǒng)將學習如何根據(jù)特征來識別和分類不同的缺陷，需要大量的訓練數(shù)據(jù)和計算資源［2］。

1.3 傳統(tǒng)方法和問題

傳統(tǒng)的工業(yè)表面缺陷檢測方法主要依賴人工檢測或基本的圖像處理技術，在處理復雜任務時，通常存在效率低、準確性差和穩(wěn)定性不足等問題。在人工檢測中，工作人員通過肉眼或使用顯微鏡、放大鏡等工具，直接觀察產(chǎn)品表面以檢測缺陷。盡管這種方法簡單易行，但由于其主觀性強，且受到人的視覺能力、經(jīng)驗、注意力等因素的影響，使得人工檢測的效率低且容易出錯，人工檢測無法滿足高速生產(chǎn)線的要求，對于小型和微型缺陷也很難進行有效檢測，已經(jīng)無法滿足現(xiàn)代工業(yè)生產(chǎn)的需求。在基本的圖像處理技術中，工程師通常使用各種算法來處理和分析圖像，以檢測表面缺陷，包括邊緣檢測、閾值分割、形態(tài)學操作、紋理分析等。雖然這些方法相比人工檢測能夠大幅提高檢測效率和準確性，但對于復雜多變的工業(yè)環(huán)境，這些方法的穩(wěn)定性和可靠性往往無法達到令人滿意的效果。例如，對于光照條件變化、復雜背景、產(chǎn)品變化等情況，傳統(tǒng)的圖像處理方法可能需要人工調(diào)整參數(shù)，而這往往需要專業(yè)的知識和豐富的經(jīng)驗，導致系統(tǒng)的使用和維護成本較高；對于不同類型和大小的缺陷，傳統(tǒng)的圖像處理方法可能需要設計不同的算法，從而增加系統(tǒng)的復雜性和研發(fā)成本。更進一步的問題在于，傳統(tǒng)的圖像處理方法主要依賴于手工設計，可能無法捕捉到缺陷的所有信息，尤其是對于復雜和微妙的缺陷，對于新型和未知的缺陷，傳統(tǒng)的方法可能需要重新設計和調(diào)整，會耗費大量的時間和人力資源。此外，由于傳統(tǒng)的圖像處理方法通?；诖_定性的數(shù)學模型，對于噪聲和異常值的魯棒性較差，工業(yè)環(huán)境通常包含各種不確定性和干擾，包括機器振動、塵埃、磨損、光照變化等，使得傳統(tǒng)的方法在實際應用中的性能可能低于理論預期，且需要經(jīng)常進行維護和調(diào)整。

2 基于機器視覺的工業(yè)產(chǎn)品表面缺陷檢測方法

2.1 圖像采集系統(tǒng)設計

圖像采集系統(tǒng)設計應選擇合適的圖像傳感器和光源，圖像傳感器的選擇應基于被檢測產(chǎn)品的特點和缺陷類型，以確保獲取高分辨率、清晰度和細節(jié)豐富的圖像。不同類型的圖像傳感器，如CCD（電荷耦合器件）或CMOS（互補金屬氧化物半導體），具有不同的優(yōu)勢和適用性。光源的選擇和布置對于有效突出缺陷是至關重要的，提供均勻而穩(wěn)定的光照條件，并能消除陰影和反射，合適的光源類型，如LED（發(fā)光二極管）或激光，應根據(jù)被檢測產(chǎn)品的特性進行選擇，并考慮光源的亮度、顏色溫度和角度等參數(shù)。為了獲得全面和全局的表面圖像，應選擇適當?shù)溺R頭和視野，以確保整個表面得以充分覆蓋，根據(jù)被檢測產(chǎn)品的大小和形狀，選擇固定焦距鏡頭、變焦鏡頭或魚眼鏡頭等。在圖像采集系統(tǒng)設計中，實時性和自動化也是重要考慮因素，系統(tǒng)應具備高速圖像采集和傳輸?shù)哪芰Γ詽M足實時性要求。為了實現(xiàn)自動化的缺陷檢測流程，圖像采集系統(tǒng)應與其他設備或生產(chǎn)線進行集成，通過通信接口實現(xiàn)數(shù)據(jù)的傳輸和控制［3］。

2.2 圖像預處理和增強技術

圖像預處理和增強技術可以改善圖像質(zhì)量、減少噪聲、增強缺陷特征，從而提高缺陷檢測的準確性和魯棒性。圖像預處理涉及對原始圖像進行一系列操作，以減少噪聲并消除不必要的細節(jié)，常見的預處理方法包括圖像去噪、平滑濾波和圖像增強；去噪技術可以通過使用降噪濾波器，如均值濾波器、中值濾波器或高斯濾波器，來減少圖像中的噪聲，提高圖像的清晰度和質(zhì)量；平滑濾波技術可以通過對圖像進行模糊處理來減少圖像中的細節(jié)和噪聲，使得缺陷更加突出；圖像增強技術可以通過調(diào)整圖像的對比度、亮度和色彩平衡等參數(shù)，來增強缺陷的可見性，使其更易于檢測。針對不同類型的缺陷和圖像特征，可以采用特定的增強技術，對于細小而明亮的缺陷采用局部對比度增強技術，如直方圖均衡化、自適應直方圖均衡化或?qū)Ρ榷壤欤栽鰪娙毕莸募毠?jié)和對比度；邊緣缺陷或紋理缺陷可以應用邊緣增強技術，如拉普拉斯濾波器、Sobel算子或Canny邊緣檢測算法，以突出缺陷的邊界和紋理特征；還可以采用多尺度圖像增強技術，如小波變換或尺度空間分析，以捕捉不同尺度下的缺陷特征。

2.3 特征提取和選擇方法

特征提取和選擇涉及從原始圖像中提取出具有判別能力的特征，并選擇最具代表性和區(qū)分性的特征子集，以實現(xiàn)缺陷檢測的高準確性和魯棒性。在特征提取階段，常用的方法包括基于像素的直接特征提取和基于圖像變換的特征提取?；谙袼氐闹苯犹卣魈崛》椒ㄊ峭ㄟ^計算圖像中每個像素的灰度值、顏色信息或紋理信息等來構(gòu)建特征向量，這些特征可以是統(tǒng)計特征（如均值、方差、能量等），紋理特征（如局部二值模式、灰度共生矩陣等）或形狀特征（如邊緣、角點等）；基于圖像變換的特征提取方法則是利用變換技術將圖像轉(zhuǎn)換到另一個特征空間，如傅里葉變換、小波變換或主成分分析等，捕捉到不同尺度、頻率或能量的特征信息。在特征選擇階段，目的是從提取到的大量特征中選擇最相關和最具代表性的特征子集，常見的特征選擇方法包括過濾方法、包裹方法和嵌入方法。過濾方法通過計算特征與目標變量之間的相關性或重要性指標，如信息增益、相關系數(shù)、方差分析等，來評估特征的貢獻，并選擇排名靠前的特征子集；包裹方法則是通過將特征選擇問題轉(zhuǎn)化為優(yōu)化問題，并使用啟發(fā)式搜索算法或遺傳算法等來找到最佳特征子集；嵌入方法則是將特征選擇嵌入機器學習模型的訓練過程，通過學習過程中的權重調(diào)整或特征的相關性分析來選擇最優(yōu)特征。在選擇特征時，鑒別能力表示特征對于不同類別的缺陷能否有區(qū)分性，冗余性表示特征之間是否存在冗余信息，通過評估特征之間的相關性和互信息，可以避免選擇高度相關或冗余的特征，從而提高特征選擇的效果。

3 機器視覺技術的基礎之基于深度學習模型的表面缺陷檢測應用

3.1 新模型的設計思路

在設計新的深度學習模型以應對工業(yè)產(chǎn)品表面缺陷檢測任務時，需要考慮一系列核心問題，如數(shù)據(jù)的多樣性、訓練效率、模型解釋性和實際應用的復雜性。工業(yè)產(chǎn)品表面缺陷檢測任務具有多樣性和復雜性的特點，缺陷類型、尺寸、形狀和位置可能有很大的變化，而背景、光照和噪聲也可能影響檢測效果。因此，新模型應當具有較強的特征提取能力和泛化能力，能夠自動學習和適應各種情況，模型也應當具有一定的魯棒性，能夠處理一些未知的干擾和異常。由于工業(yè)環(huán)境中的數(shù)據(jù)量通常很大，應進行實時或近實時的檢測，因此模型的訓練和推理速度都是重要考慮因素，需要利用一些高效的網(wǎng)絡結(jié)構(gòu)和優(yōu)化算法，如殘差網(wǎng)絡、注意力機制、遷移學習等，還需要考慮模型的解釋性，雖然深度學習模型通常被認為是“黑箱”，但在工業(yè)應用中，往往需要理解和解釋模型的決策，以便進行調(diào)試、優(yōu)化和信任建設。實際的工業(yè)環(huán)境可能存在各種限制和挑戰(zhàn)，如計算資源、數(shù)據(jù)質(zhì)量、操作難度等。因此，需要設計一些實用的策略和工具，如數(shù)據(jù)增強、在線學習、用戶友好的界面等，以使模型能夠在實際環(huán)境中有效運行［4］。

3.2 新模型的構(gòu)造和訓練

構(gòu)建和訓練新的深度學習模型以實現(xiàn)工業(yè)產(chǎn)品表面缺陷檢測任務，是一個既系統(tǒng)又動態(tài)的過程，涵蓋了模型架構(gòu)的選擇、模型的訓練、優(yōu)化以及評估和調(diào)整等多個環(huán)節(jié)。模型的選擇通常取決于特定任務的需求，對于工業(yè)表面缺陷檢測，卷積神經(jīng)網(wǎng)絡（CNN）由于其在圖像處理方面的卓越表現(xiàn)，變成了一個自然的選擇。對于更復雜的情況，比如時間序列的工業(yè)視頻檢測，可以考慮使用更復雜的網(wǎng)絡結(jié)構(gòu)，如循環(huán)神經(jīng)網(wǎng)絡（RNN）或時空卷積神經(jīng)網(wǎng)絡（3D CNN）。在模型訓練環(huán)節(jié)，需要定義一個損失函數(shù)，用于衡量模型預測結(jié)果與實際標簽之間的差距，然后通過優(yōu)化算法，如隨機梯度下降（SGD）或者Adam等，不斷調(diào)整模型的參數(shù)，使得損失函數(shù)的值最小。在這個過程中，需要注意的是過擬合問題，也就是模型在訓練數(shù)據(jù)上表現(xiàn)優(yōu)秀，但在未知數(shù)據(jù)上表現(xiàn)較差，為防止過擬合，可以使用一些正則化技術，如權重衰減、早停和Dropout等。訓練模型后，可以使用驗證數(shù)據(jù)集來評估模型的性能，并根據(jù)評估結(jié)果來調(diào)整模型的參數(shù)和結(jié)構(gòu)，反復進行多次，直到模型的性能達到令人滿意的水平［5］。

3.3 新模型在工業(yè)實踐中的效果

在汽車制造業(yè)中，深度學習模型被成功應用于車身漆面的缺陷檢測。以往的車身漆面表面缺陷檢測依賴人工檢查，但檢測效率低和結(jié)果的可參考性不高，使得缺陷的準確檢測和判定成為一個具有挑戰(zhàn)性的任務。為了解決這個問題，該領先汽車制造商決定采用深度學習模型進行自動化檢測。該公司通過收集大量車身漆面的圖像數(shù)據(jù)，包括正常的和帶有各種類型缺陷（如劃痕、凹痕、顏色不均等）的圖像，并利用這些圖像數(shù)據(jù)訓練了一個卷積神經(jīng)網(wǎng)絡模型。這個模型能夠通過學習大量樣本中的視覺特征和模式，自動對車身漆面進行缺陷檢測。為了增加模型的魯棒性和泛化能力，該公司還采用了數(shù)據(jù)增強技術，如隨機旋轉(zhuǎn)、縮放、翻轉(zhuǎn)和添加噪聲等，使得模型能夠更好地適應不同角度、尺寸和噪聲條件下的車身漆面圖像。然而，該公司并沒有完全依賴深度學習模型進行自動化檢測，而是采取人機協(xié)作的方式。深度學習模型首先進行初步檢測，然后由人員進行復查和確認，人機協(xié)作的方式可以提高檢測的準確性和可靠性，避免誤判和漏檢，人員在模型的基礎上進行復查，可以準確地判斷復雜缺陷情況，并及時修復或處理。

4 結(jié)語

總的來說，基于深度學習的工業(yè)產(chǎn)品表面缺陷檢測技術，不僅可以顯著提高檢測的效率和準確性，還可以減少人力成本和誤檢率。實現(xiàn)這個目標需要不斷地學習和創(chuàng)新，以適應不斷變化的工業(yè)環(huán)境和需求，也需要關注模型的解釋性和實用性，以便在提高性能的同時，確保模型在實際環(huán)境中的有效運行和可持續(xù)發(fā)展。

參考文獻

［1］吳敵，李明輝，馬文凱，等. 基于改進YOLOv5的鋼材表面缺陷檢測［J］. 陜西科技大學學報，2023，41（2）：162-169.

［2］曾耀，高法欽. 基于改進YOLOv5的電子元件表面缺陷檢測算法［J］. 浙江大學學報（工學版），2023，57（3）：455-465.

［3］馬燕婷，趙紅東，閻超，等. 改進YOLOv5網(wǎng)絡的帶鋼表面缺陷檢測方法［J］. 電子測量與儀器學報，2022，36（8）：150-157.

［4］黃夢濤，連一鑫. 基于改進Canny算子的鋰電池極片表面缺陷檢測［J］. 儀器儀表學報，2021，42（10）：199-209.

［5］王維，王杰，黃易楊，等. 基于偏振透射結(jié)構(gòu)光的透明物體表面缺陷檢測方法［J］. 光學學報，2021，41（18）：128-135.