隨著新一代信息技術(shù)與制造業(yè)的深入融合，引發(fā)制造業(yè)產(chǎn)生巨大變革，逐步從數(shù)量擴增向質(zhì)量提升轉(zhuǎn)變。通過提升產(chǎn)品質(zhì)量來生產(chǎn)高附加值、高利潤的產(chǎn)品，可以實現(xiàn)產(chǎn)品競爭力的躍升，所以，加強品質(zhì)檢驗是制造業(yè)生產(chǎn)中最常用的方式。 影響產(chǎn)品品質(zhì)的因素多種多樣，例如外觀品質(zhì)、功能品質(zhì)、性能品質(zhì)等。用戶和生產(chǎn)企業(yè)對產(chǎn)品質(zhì)量的要求越來越高，除了較高的功能品質(zhì)和性能品質(zhì)之外，對外觀品質(zhì)的要求也在逐年提高，即良好的表面質(zhì)量。 然而，即便是嚴格把控制造的每一道流程，生產(chǎn)良品率也無法達到100%，這意味著總會有不合格品被生產(chǎn)出來。 而表面缺陷檢測便是阻止不合格品流入市場的“門神”。

1.產(chǎn)品表面缺陷檢測

作為生產(chǎn)制造過程中必不可少的一步，表面缺陷檢測廣泛應用于各工業(yè)領域，包括3C、半導體及電子、汽車、化工、醫(yī)藥、輕工、軍工等行業(yè)，催生了眾多上下游企業(yè)。 自20世紀開始，表面缺陷檢測大致經(jīng)歷了三個階段，分別是人工目視法檢測法、機械裝置接觸檢測法以及機器視覺檢測法。 第一種是人工目視法檢測法。制造企業(yè)招聘大量的質(zhì)檢工人，采取流水線的形式進行檢測。然而，隨著人口紅利的消失，以及工作枯燥、自由度低、薪酬較少，愿意從事質(zhì)檢的越來越少，用工難問題愈發(fā)凸顯，這種方法不僅成本高，而且在對微小缺陷進行判別時，難以達到所需要的精度和速度，人工檢測法還存在勞動強度大、檢測標準一致性差等缺點。 第二種是機械裝置接觸檢測法。這種方法雖然在質(zhì)量上能滿足生產(chǎn)的需要，但存在檢測設備價格高、靈活性差、速度慢等缺點。 第三種是機器視覺檢測法。為了在不斷變化和競爭愈發(fā)激烈的市場中占據(jù)優(yōu)勢，企業(yè)既要不斷提高產(chǎn)品質(zhì)量標準以滿足客戶需求，又要不斷提升生產(chǎn)線的效率以適應市場的快節(jié)奏。采用自動化、智能化的表面缺陷檢測方法是兼顧質(zhì)量與效率的重要手段。 即利用圖像處理和分析對產(chǎn)品可能存在的缺陷進行檢測，這種方法采用非接觸的工作方式，安裝靈活，測量精度和速度都比較高，同一臺機器視覺檢測設備可以實現(xiàn)對不同產(chǎn)品的多參數(shù)檢測，為企業(yè)節(jié)約大筆設備開支。

2.表面缺陷檢測存在的問題

基于機器視覺的表面缺陷檢測將是未來研究和發(fā)展的主要方向，目前，基于機器視覺的表面缺陷檢測理論研究和實際應用等環(huán)節(jié)均有可喜的成果，但仍存在下面主要的問題和難點：

不同缺陷的種類復雜

類間差異大，工業(yè)品的外觀缺陷復雜多樣，不同類別的缺陷之間形態(tài)特征可能差異極大，這種差異導致檢測算法的普適性不強，許多缺陷需單獨開發(fā)檢測算法，開發(fā)復雜度極高。 類間模糊性大，類間模糊是類間差異大的另一極端，即不同類別的缺陷的表觀特征具有一定的相似性，難以區(qū)分缺陷的種類，也就無法準確判斷缺陷產(chǎn)生的原因，無法給產(chǎn)品準確定級。 背景復雜，在生產(chǎn)場景中難以將缺陷和背景完全分離，缺陷特征不明顯。

同類缺陷的差異較大

如下圖中的鐵軌表面缺陷和帶鋼表面缺陷，由于生產(chǎn)過程中光照條件、生產(chǎn)批次不同、設備狀態(tài)等因素的影響，同類缺陷的大小、對比度和灰度值等表觀特征呈現(xiàn)較大的變化，缺陷特征并不服從同一分布。

受干擾因素較多

受環(huán)境、光照、生產(chǎn)工藝和噪聲等多重因素影響，檢測系統(tǒng)的信噪比一般較低，微弱信號難以檢出或不能與噪聲有效區(qū)分。 以基于機器視覺技術(shù)的檢測系統(tǒng)為例，工件位置的一致性、打光的穩(wěn)定性、相機及鏡頭的匹配度、檢測算法的有效性等都會直接影響圖像采集的質(zhì)量和檢測系統(tǒng)的應用性能，這需要機器、電氣、視覺、傳感等多套系統(tǒng)的配合。 僅最基礎的打光就存在諸多難點，如哪些場景需要漫射光、散射光、直接照射、低角度照射或背光照射，如何在球面、弧面、內(nèi)腔等不可展曲面的打光等等。 如何構(gòu)建穩(wěn)定、可靠、魯棒的檢測系統(tǒng)，以適應光照變化、噪聲以及其他外界不良環(huán)境的干擾，是要解決的問題之一。

算法能力不足

機器視覺表面缺陷檢測，特別是在線檢測，其特點是數(shù)據(jù)量龐大、冗余信息多、特征空間維度高，同時考慮到真正的機器視覺面對的對象和問題的多樣性，從海量數(shù)據(jù)中提取有限缺陷信息的算法能力不足，實時性不高。 盡管一系列優(yōu)秀的算法不斷出現(xiàn)，但在實際應用中準確率仍然與滿足實際應用的需求尚有一定差距，如何解決準確識別與模糊特征之間、實時性與準確性之間的矛盾仍然是目前的難點。