中國(guó)是一個(gè)制造大國(guó)，每天都要生產(chǎn)大量的工業(yè)產(chǎn)品。用戶和生產(chǎn)企業(yè)對(duì)產(chǎn)品質(zhì)量的要求越來(lái)越高，除要求滿足使用性能外，還要有良好的外觀，即良好的表面質(zhì)量。但是，在制造產(chǎn)品的過(guò)程中，表面缺陷的產(chǎn)生往往是不可避免的。

不同產(chǎn)品的表面缺陷有著不同的定義和類型，一般而言表面缺陷是產(chǎn)品表面局部物理或化學(xué)性質(zhì)不均勻的區(qū)域，如金屬表面的劃痕、斑點(diǎn)、孔洞，紙張表面的色差、壓痕，玻璃等非金屬表面的夾雜、破損、污點(diǎn)，等等。表面缺陷不僅影響產(chǎn)品的美觀和舒適度，而且一般也會(huì)對(duì)其使用性能帶來(lái)不良影響，所以生產(chǎn)企業(yè)對(duì)產(chǎn)品的表面缺陷檢測(cè)非常重視，以便及時(shí)發(fā)現(xiàn)，從而有效控制產(chǎn)品質(zhì)量，還可以根據(jù)檢測(cè)結(jié)果分析生產(chǎn)工藝中存在的某些問(wèn)題，從而杜絕或減少缺陷品的產(chǎn)生，同時(shí)防止?jié)撛诘馁Q(mào)易糾份，維護(hù)企業(yè)榮譽(yù)。

人工檢測(cè)是產(chǎn)品表面缺陷的傳統(tǒng)檢測(cè)方法，該方法抽檢率低、準(zhǔn)確性不高、實(shí)時(shí)性差、效率低、勞動(dòng)強(qiáng)度大、受人工經(jīng)驗(yàn)和主觀因素的影響大，而基于機(jī)器視覺(jué)的檢測(cè)方法可以很大程度上克服上述弊端。

美國(guó)機(jī)器人工業(yè)協(xié)會(huì)（RIA）對(duì)機(jī)器視覺(jué)下的定義為：“機(jī)器視覺(jué)是通過(guò)光學(xué)的裝置和非接觸的傳感器自動(dòng)地接收和處理一個(gè)真實(shí)物體的圖像，以獲得所需信息或用于控制機(jī)器人運(yùn)動(dòng)的裝置”。

機(jī)器視覺(jué)是一種無(wú)接觸、無(wú)損傷的自動(dòng)檢測(cè)技術(shù)，是實(shí)現(xiàn)設(shè)備自動(dòng)化、智能化和精密控制的有效手段，具有安全可靠、光譜響應(yīng)范圍寬、可在惡劣環(huán)境下長(zhǎng)時(shí)間工作和生產(chǎn)效率高等突出優(yōu)點(diǎn)。機(jī)器視覺(jué)檢測(cè)系統(tǒng)通過(guò)適當(dāng)?shù)墓庠春?a href="http://m.xsypw.cn/tags/圖像傳感器/" target="_blank">圖像傳感器（CCD攝像機(jī)）獲取產(chǎn)品的表面圖像，利用相應(yīng)的圖像處理算法提取圖像的特征信息，然后根據(jù)特征信息進(jìn)行表面缺陷的定位、識(shí)別、分級(jí)等判別和統(tǒng)計(jì)、存儲(chǔ)、查詢等操作；

視覺(jué)表面缺陷檢測(cè)系統(tǒng)基本組成主要包括圖像獲取模塊、圖像處理模塊、圖像分析模塊、數(shù)據(jù)管理及人機(jī)接口模塊。

圖像獲取模塊由CCD攝像機(jī)、光學(xué)鏡頭、光源及其夾持裝置等組成，其功能是完成產(chǎn)品表面圖像的采集。在光源的照明下，通過(guò)光學(xué)鏡頭將產(chǎn)品表面成像于相機(jī)傳感器上，光信號(hào)先轉(zhuǎn)換成電信號(hào)，進(jìn)而轉(zhuǎn)換成計(jì)算機(jī)能處理的數(shù)字信號(hào)。目前工業(yè)用相機(jī)主要基于CCD或CMOS（complementary metal oxide semiconductor）芯片的相機(jī)。CCD是目前機(jī)器視覺(jué)最為常用的圖像傳感器。

光源直接影響到圖像的質(zhì)量，其作用是克服環(huán)境光干擾，保證圖像的穩(wěn)定性，獲得對(duì)比度盡可能高的圖像。目前常用的光源有鹵素?zé)簟晒鉄艉桶l(fā)光二級(jí)管（LED）。LED光源以體積小、功耗低、響應(yīng)速度快、發(fā)光單色性好、可靠性高、光均勻穩(wěn)定、易集成等優(yōu)點(diǎn)獲得了廣泛的應(yīng)用。

由光源構(gòu)成的照明系統(tǒng)按其照射方法可分為明場(chǎng)照明與暗場(chǎng)照明、結(jié)構(gòu)光照明與頻閃光照明。明場(chǎng)與暗場(chǎng)主要描述相機(jī)與光源的位置關(guān)系，明場(chǎng)照明指相機(jī)直接接收光源在目標(biāo)上的反射光，一般相機(jī)與光源異側(cè)分布，這種方式便于安裝；暗場(chǎng)照明指相機(jī)間接接收光源在目標(biāo)上的散射光，一般相機(jī)與光源同側(cè)分布，它的優(yōu)點(diǎn)是能獲得高對(duì)比度的圖像。結(jié)構(gòu)光照明是將光柵或線光源等投射到被測(cè)物上，根據(jù)它們產(chǎn)生的畸變，解調(diào)出被測(cè)物的3維信息。頻閃光照明是將高頻率的光脈沖照射到物體上，攝像機(jī)拍攝要求與光源同步。

圖像處理模塊主要涉及圖像去噪、圖像增強(qiáng)與復(fù)原、缺陷的檢測(cè)和目標(biāo)分割。

由于現(xiàn)場(chǎng)環(huán)境、CCD圖像光電轉(zhuǎn)換、傳輸電路及電子元件都會(huì)使圖像產(chǎn)生噪聲，這些噪聲降低了圖像的質(zhì)量從而對(duì)圖像的處理和分析帶來(lái)不良影響，所以要對(duì)圖像進(jìn)行預(yù)處理以去噪。圖像增強(qiáng)目是針對(duì)給定圖像的應(yīng)用場(chǎng)合，有目的地強(qiáng)調(diào)圖像的整體或局部特性，將原來(lái)不清晰的圖像變得清晰或強(qiáng)調(diào)某些感興趣的特征，擴(kuò)大圖像中不同物體特征之間的差別，抑制不感興趣的特征，使之改善圖像質(zhì)量、豐富信息量，加強(qiáng)圖像判讀和識(shí)別效果的圖像處理方法。圖像復(fù)原是通過(guò)計(jì)算機(jī)處理，對(duì)質(zhì)量下降的圖像加以重建或復(fù)原的處理過(guò)程。圖像復(fù)原很多時(shí)候采用與圖像增強(qiáng)同樣的方法，但圖像增強(qiáng)的結(jié)果還需要下一階段來(lái)驗(yàn)證；而圖像復(fù)原試圖利用退化過(guò)程的先驗(yàn)知識(shí)，來(lái)恢復(fù)已被退化圖像的本來(lái)面目，如加性噪聲的消除、運(yùn)動(dòng)模糊的復(fù)原等。圖像分割的目的是把圖像中目標(biāo)區(qū)域分割出來(lái)，以便進(jìn)行下一步的處理。

圖像分析模塊主要涉及特征提取、特征選擇和圖像識(shí)別。

特征提取的作用是從圖像像素中提取可以描述目標(biāo)特性的表達(dá)量，把不同目標(biāo)間的差異映射到低維的特征空間，從而有利于壓縮數(shù)據(jù)量、提高識(shí)別率。表面缺陷檢測(cè)通常提取的特征有紋理特征、幾何形狀特征、顏色特征、變換系數(shù)特征等，用這些多信息融合的特征向量來(lái)區(qū)可靠地區(qū)分不同類型的缺陷；這些特征之間一般存在冗余信息，即并不能保證特征集是最優(yōu)的，好的特征集應(yīng)具備簡(jiǎn)約性和魯棒性，為此，還需要進(jìn)一步從特征集中選擇更有利于分類的特征，即特征的選擇。圖像識(shí)別主要根據(jù)提取的特征集來(lái)訓(xùn)練分類器，使其對(duì)表面缺陷類型進(jìn)行正確的分類識(shí)別。

在現(xiàn)代工業(yè)連續(xù)、大批量自動(dòng)化生產(chǎn)中，涉及各種各樣的質(zhì)量檢測(cè)，如工件表面是否有劃痕、印刷品是否有油污或破損、字符印刷正誤和電路板線路正誤檢查等。質(zhì)量檢測(cè)系統(tǒng)的性能優(yōu)劣在一定程度上直接影響著產(chǎn)品質(zhì)量和生產(chǎn)效率。能夠?qū)Ξa(chǎn)品進(jìn)行在線高速缺陷檢測(cè)已經(jīng)成為高質(zhì)量和高效率生產(chǎn)的保證。

人工檢測(cè)

產(chǎn)品缺陷檢測(cè)方法可以分為三種。第一種是人工檢測(cè)法，這種方法不僅成本高，而且在對(duì)微小缺陷進(jìn)行判別時(shí)，難以達(dá)到所需要的精度和速度，人工檢測(cè)法還存在勞動(dòng)強(qiáng)度大、檢測(cè)標(biāo)準(zhǔn)一致性差等缺點(diǎn)。第二種是機(jī)械裝置接觸檢測(cè)法，這種方法雖然在質(zhì)量上能滿足生產(chǎn)的需要，但存在檢測(cè)設(shè)備價(jià)格高、靈活性差、速度慢等缺點(diǎn)。第三種是機(jī)器視覺(jué)檢測(cè)法，即利用圖像處理和分析對(duì)產(chǎn)品可能存在的缺陷進(jìn)行檢測(cè)，這種方法采用非接觸的工作方式，安裝靈活，測(cè)量精度和速度都比較高。同一臺(tái)機(jī)器視覺(jué)檢測(cè)設(shè)備可以實(shí)現(xiàn)對(duì)不同產(chǎn)品的多參數(shù)檢測(cè)，為企業(yè)節(jié)約大筆設(shè)備開(kāi)支。

繁忙的檢驗(yàn)科

待檢測(cè)物品的缺陷表現(xiàn)在圖像上，即為缺陷處的灰度值與標(biāo)準(zhǔn)圖像的差異。將缺陷圖像的灰度值同標(biāo)準(zhǔn)圖像進(jìn)行比較，判斷其差值（兩幅圖灰度值的差異程度）是否超出預(yù)先設(shè)定的閾值范圍，就能判斷出待測(cè)物品有無(wú)缺陷。

機(jī)器視覺(jué)檢驗(yàn)

在實(shí)際應(yīng)用中，不同產(chǎn)品對(duì)缺陷的定義也不一樣。一般來(lái)說(shuō)，產(chǎn)品表面缺陷分為結(jié)構(gòu)缺陷、幾何缺陷和顏色缺陷等幾種類型。常見(jiàn)的工件完整性檢測(cè)屬于結(jié)構(gòu)缺陷檢測(cè)，尺寸規(guī)格檢測(cè)屬于幾何缺陷檢測(cè)，而印刷品質(zhì)量檢測(cè)中常需要進(jìn)行顏色缺陷檢測(cè)。

視覺(jué)檢驗(yàn)軟件

機(jī)器視覺(jué)缺陷檢測(cè)軟件通過(guò)對(duì)目標(biāo)表面圖像進(jìn)行預(yù)處理，并與標(biāo)準(zhǔn)圖像對(duì)比，找到其中存在的缺陷，然后識(shí)別并判斷缺陷種類和嚴(yán)重程度，對(duì)產(chǎn)品進(jìn)行分類分級(jí)處理。

發(fā)展趨勢(shì)

基于機(jī)器視覺(jué)的表面缺陷檢測(cè)將是未來(lái)研究和發(fā)展的主要方向，目前，基于機(jī)器視覺(jué)的表面缺陷檢測(cè)理論研究和實(shí)際應(yīng)用等環(huán)節(jié)均有可喜的成果，但仍存在下面主要的問(wèn)題和難點(diǎn)：

1） 受環(huán)境、光照、生產(chǎn)工藝和噪聲等多重因素影響，檢測(cè)系統(tǒng)的信噪比一般較低，微弱信號(hào)難以檢出或不能與噪聲有效區(qū)分。如何構(gòu)建穩(wěn)定、可靠、魯棒的檢測(cè)系統(tǒng)，以適應(yīng)光照變化、噪聲以及其他外界不良環(huán)境的干擾，是要解決的問(wèn)題之一。

2） 由于檢測(cè)對(duì)象多樣、表面缺陷種類繁多、形態(tài)多樣、復(fù)雜背景，對(duì)于眾多缺陷類型產(chǎn)生的機(jī)理以及其外在表現(xiàn)形式之間的關(guān)系尚不明確，致使對(duì)缺陷的描述不充分，缺陷的特征提取有效性不高，缺陷目標(biāo)分割困難；同時(shí)，很難找到“標(biāo)準(zhǔn)”圖像作為參照，這給缺陷的檢測(cè)和分類帶來(lái)困難，造成識(shí)別率尚有待提高。

3） 機(jī)器視覺(jué)表面缺陷檢測(cè)，特別是在線檢測(cè)，其特點(diǎn)是數(shù)據(jù)量龐大、冗余信息多、特征空間維度高，同時(shí)考慮到真正的機(jī)器視覺(jué)面對(duì)的對(duì)象和問(wèn)題的多樣性，從海量數(shù)據(jù)中提取有限缺陷信息的算法能力不足，實(shí)時(shí)性不高。

4） 與機(jī)器視覺(jué)表面檢測(cè)密切相關(guān)的人工智能理論雖然得到了很大的發(fā)展，但如何模擬人類大腦的信息處理功能去構(gòu)建智能機(jī)器視覺(jué)系統(tǒng)還需要理論上的進(jìn)一步研究，如何更好的基于生物視覺(jué)認(rèn)識(shí)、指導(dǎo)機(jī)器視覺(jué)得檢測(cè)也是研究人員的難點(diǎn)之一。

5） 從機(jī)器視覺(jué)表面檢測(cè)的準(zhǔn)確性方面來(lái)看，盡管一系列優(yōu)秀的算法不斷出現(xiàn)，但在實(shí)際應(yīng)用中準(zhǔn)確率仍然與滿足實(shí)際應(yīng)用的需求尚有一定差距，如何解決準(zhǔn)確識(shí)別與模糊特征之間、實(shí)時(shí)性與準(zhǔn)確性之間的矛盾仍然是目前的難點(diǎn)。

隨著計(jì)算機(jī)技術(shù)、信息技術(shù)、電子技術(shù)、傳感器技術(shù)和仿生技術(shù)等的發(fā)展，機(jī)器視覺(jué)檢測(cè)方法也必將得到迅速的發(fā)展。技術(shù)和市場(chǎng)需求等因素決定了機(jī)器視覺(jué)表面缺陷檢測(cè)的發(fā)展趨勢(shì)為：

1） MARR理論對(duì)計(jì)算機(jī)視覺(jué)發(fā)揮了巨大作用，其核心是將視覺(jué)理解為3D重建的過(guò)程。但是，從3D場(chǎng)景到2D圖像是一個(gè)多對(duì)一的映射，在映射的過(guò)程中損失了深度信息；灰度是對(duì)場(chǎng)景的惟一的測(cè)量值，諸如光照、材料特性、朝向和距離等信息都無(wú)法反映；成像中由于噪聲及環(huán)境等因素的干擾，都會(huì)使圖像產(chǎn)生失真。為此，需要研究視覺(jué)檢測(cè)新理論和新方法，如發(fā)展主動(dòng)視覺(jué)、增強(qiáng)視覺(jué)系統(tǒng)的智能學(xué)習(xí)能力等。

2） 從生物視覺(jué)得到啟發(fā)，吸收來(lái)自心理學(xué)、生理學(xué)等其他學(xué)科中生物視覺(jué)的最新研究成果，基于生物視覺(jué)機(jī)制為視覺(jué)檢測(cè)提供研究新思路，模仿生物視覺(jué)多尺度、層次性的視覺(jué)特點(diǎn)，結(jié)合視覺(jué)任務(wù)，引入先驗(yàn)高級(jí)知識(shí)的指導(dǎo)，同時(shí)將機(jī)器視覺(jué)、機(jī)器聽(tīng)覺(jué)、機(jī)器嗅覺(jué)、機(jī)器觸覺(jué)等多信息相互融合，突破單一視覺(jué)信息的局限性，也將成為機(jī)器視覺(jué)檢測(cè)的發(fā)展方向之一。

3） 研究更具魯棒性的圖像處理和分析算法，提高圖像處理的有效性和和執(zhí)行效率，降低算法的復(fù)雜度，提高識(shí)別的準(zhǔn)確性。在在線檢測(cè)系統(tǒng)中，要特別注重實(shí)時(shí)性，視覺(jué)本身具有內(nèi)在的并行性，為此，還在要理論、算法和技術(shù)等多方面研究視覺(jué)并行計(jì)算，提高視覺(jué)計(jì)算的速度。同時(shí)，進(jìn)一步研究算法性能的評(píng)價(jià)方法，以對(duì)算法的效率和性能作了科學(xué)、準(zhǔn)確的刻化和評(píng)價(jià)。

4） 研究完整3維場(chǎng)景重建方法。現(xiàn)有3維場(chǎng)景重建理論和算法基本都局限于對(duì)目標(biāo)“可視”部分的重構(gòu)，如果用Marr視覺(jué)計(jì)算理論來(lái)說(shuō)，還主要停留在2.5維表達(dá)上，這種表達(dá)僅提供了物體可見(jiàn)輪廓以內(nèi)的3維信息。如何恢復(fù)物體完整表面的信息，即包括物體表面不可見(jiàn)部分，是一個(gè)復(fù)雜但也亟待解決的問(wèn)題。

5） 采用統(tǒng)一而開(kāi)放的標(biāo)準(zhǔn)，構(gòu)建標(biāo)準(zhǔn)化、一體化和通用化的解決方案，標(biāo)準(zhǔn)化與個(gè)性化的進(jìn)一步統(tǒng)一，研發(fā)可靠性高、維護(hù)性好、便于不斷完善和升級(jí)換代、網(wǎng)絡(luò)化、自動(dòng)化和智能化更高的機(jī)器視覺(jué)系統(tǒng)是今后的發(fā)展趨勢(shì)。

機(jī)器視覺(jué)系統(tǒng)的研究和應(yīng)用范圍涵蓋了工業(yè)、農(nóng)業(yè)、醫(yī)藥、軍事、交通和安全等國(guó)民經(jīng)濟(jì)的各個(gè)領(lǐng)域，基于機(jī)器視覺(jué)的產(chǎn)品表面質(zhì)量檢測(cè)在現(xiàn)代自動(dòng)化生產(chǎn)中得到了越來(lái)越多的重視和應(yīng)用。

機(jī)器視覺(jué)表面缺陷檢測(cè)系統(tǒng)中，圖像處理和分析算法是重要的內(nèi)容，通常的流程包括圖像的預(yù)處理、目標(biāo)區(qū)域的分割、特征提取和選擇及缺陷的識(shí)別分類。每個(gè)處理流程都出現(xiàn)了大量的算法，這些算法各有優(yōu)缺點(diǎn)和其適應(yīng)范圍。如何提高算法的準(zhǔn)確性、執(zhí)行效率、實(shí)時(shí)性和魯棒性，一直是研究者們努力的方向。

機(jī)器視覺(jué)表面檢測(cè)比較復(fù)雜，涉及眾多學(xué)科和理論，機(jī)器視覺(jué)是對(duì)人類視覺(jué)的模擬，但是目前對(duì)人的視覺(jué)機(jī)制尚不清楚，盡管每一個(gè)正常人都是“視覺(jué)專家”，但難以用計(jì)算機(jī)表達(dá)自己的視覺(jué)過(guò)程，因此構(gòu)建機(jī)器視覺(jué)檢測(cè)系統(tǒng)還要進(jìn)一步通過(guò)研究生物視覺(jué)機(jī)理來(lái)完善，使檢測(cè)進(jìn)一步向自動(dòng)化和智能化方向發(fā)展。

責(zé)任編輯：gt