來源：亞坤工業(yè)視覺

缺陷檢測是工業(yè)視覺領(lǐng)域非常重要的應(yīng)用之一。幾乎所有的工業(yè)產(chǎn)品在流入市場之前都會有缺陷檢測的環(huán)節(jié)，目的是確保產(chǎn)品是合格的。

對產(chǎn)品進行缺陷檢測時，分為人工目視檢測和工業(yè)視覺檢測。利用工業(yè)視覺做缺陷檢測時，常用的解決思路如下：

Ⅰ、傳統(tǒng)圖像算法

用傳統(tǒng)圖像算法做缺陷檢測時，方法有二：

①特征工程

特征工程是缺陷檢測中最常用的方法。特征工程是通過傳統(tǒng)圖像算法分析圖像灰度值、方差、均值、顏色、型狀、輪廓、面積等特征去檢測缺陷，方法非常靈活，開發(fā)速度也快。在應(yīng)用層面，一般會將缺陷特征的相關(guān)參數(shù)開放到軟件端，供使用者靈活調(diào)整。

②模板匹配

模板匹配是通過預設(shè)一些圖像模板，將圖像模板與待測圖像進行比較，以達到識別缺陷的目的。這種算法應(yīng)用有限，舉個例子，做某品牌飲料瓶標簽的缺陷檢測，會利用方法①特征工程的技術(shù)識別部分缺陷類型，但也會利用模板匹配，通過預設(shè)一些標簽圖像模板去匹配待測圖像，以判斷標簽是否有缺陷。

Ⅱ、CV算法

計算機視覺算法即CV（Computer Vision）算法，是指讓計算機理解圖像的一種技術(shù)，屬于AI（Artificial Intelligence）算法的分支之一。

在工業(yè)視覺領(lǐng)域，處理對象是圖像，故提到AI算法便是CV算法。也許AI算法聽起來高級，所以在工業(yè)視覺領(lǐng)域，大家一般多說AI算法，不怎么提CV算法。

圖像分類、目標檢測、語義分割、實例分割、目標跟蹤、OCR、人臉識別、圖像生成、異常檢測、等都屬于CV算法。其中，在工業(yè)視覺缺陷檢測領(lǐng)域應(yīng)用較多的CV算法為圖像分類、目標檢測、實例分割。

①圖像分類

圖像分類，顧名思義，是對圖像進行分類并確定圖像類別的一種算法。根據(jù)分類任務(wù)不同，圖像分類又分為單標簽分類和多標簽分類。常用的分類網(wǎng)絡(luò)有ResNet、MobileNet、EfficientNet等。

在工業(yè)視覺領(lǐng)域，理論上講，可以利用圖像分類算法對整張圖像直接分類，以確定其缺陷類別。由于工業(yè)相機拍攝的視野問題，會使整張圖像除了目標區(qū)域外，還會包含很多無關(guān)的背景，這些無關(guān)的背景會干擾圖像分類模型的訓練，導致圖像分類算法的準確率低，因此實際項目中，極少利用圖像分類算法直接對整張圖進行分類。

②目標檢測

目標檢測算法是在圖像中對所有感興趣的目標，用檢測框定位目標的位置和類別。這種方法簡單粗暴，即通過標注大量缺陷數(shù)據(jù)集，訓練一個具有缺陷檢測能力的目標檢測模型。

最經(jīng)典目標檢測算法首推YOLO系列，準確率高且推理速度快，屬于非常優(yōu)異的算法。在實際應(yīng)用中，需要對圖像進行尺寸的縮放，使圖像大小符合目標檢測模型所要求的尺寸。如果原圖很大，缺陷很小，使缺陷在原圖中占比很小，比如點狀的微小缺陷，可能會使圖像在預處理縮放過程中，將缺陷丟失。因此，如果有此類問題的風險，一般會將原圖進行裁剪為多份，比如100005000分辨率的圖像，拆分為10張20002500分辨率的圖像，然后對這10張圖像單獨進行檢測，最后將檢測結(jié)果匯總。

此類方法也有弊端，那就是數(shù)據(jù)集，成也數(shù)據(jù)集，敗也數(shù)據(jù)集。因為目標檢測算法屬于有監(jiān)督學習，依賴大量的數(shù)據(jù)集，如果數(shù)據(jù)集不夠，會導致算法準確率低。實際項目中，往往需要持續(xù)收集數(shù)據(jù)，反復多次迭代模型，才能達到理想效果。

③實例分割

實例分割是目標檢測的升華版本，即在目標檢測的基礎(chǔ)上用更精細的mask進行定位，而非檢測框。

YOLO算法的原創(chuàng)作者Joseph Redmon在他YOLOv3論文的最后寫了這樣一句話：Boxes are stupid anyway though, I’m probably a true believerin masks except I can’t get YOLO to learn them。由此可見，Joseph Redmon是認可mask而非box。

將實例分割算法應(yīng)用到缺陷檢測上，可以獲得比目標檢測算法更加精準的缺陷定位，這是有利于缺陷檢測的。另一方面，當不同的缺陷離得很近，并且出現(xiàn)交叉或者包含的情況，目標檢測算法很難獲得較好的類別區(qū)分，但是實例分割算法并沒有這個困境。若用實例分割算法在尺寸很大的圖像上進行缺陷檢測時，處理方法與目標檢測算法一致，也是將圖像拆分。

實例分割算法和目標檢測算法一樣，都屬于有監(jiān)督學習，需要依賴大量的數(shù)據(jù)集。相比于目標檢測算法拉框式的標注，實例分割算法標注的更為精確，標注工作量更大。實際項目中，實例分割算法往往也需要持續(xù)收集圖像數(shù)據(jù)，反復多次迭代模型，才能達到理想效果。

PS：此處致敬一下Joseph Redmon大神，摘選他YOLOv3論文驚人敬佩的結(jié)束語。

Ⅲ、傳統(tǒng)圖像算法+CV****算法

這種方法將傳統(tǒng)圖像算法和CV算法結(jié)合在一起，也是常用的策略。

通常是利用傳統(tǒng)圖像算法先定位缺陷，然后再將缺陷ROI圖像傳給AI分類算法進行分類。這種方法解決了傳統(tǒng)圖像算法定位容易，但是分類困難的問題。

結(jié)束語

工業(yè)視覺缺陷檢測算法有很多，本文羅列了三大類主流方法，除了上述三大類，也有無監(jiān)督學習算法、圖像異常檢測算法，讀者感興趣可自行檢索研究。

任何一種缺陷檢測算法都有自己的技術(shù)邊界，在使用的時候，要具體情況具體分析，好的策略是將多種不同的算法組合使用，形成“絕對檢測”。

審核編輯：湯梓紅