一、介紹
缺陷檢測是工業視覺技術中最重要的組成部分。業務廣泛，場景豐富，技術難點高、工作量大。針對不同的場景，選擇不同的相機和識別方法。

一般情況下，工業視覺相機分為面陣和線陣，大部分有點要求的場景對應需要的相機都比較貴，相機還要配套光源、鏡頭組成一套成像系統。算法的研發費用也是比較貴的，一種產品缺陷的研發周期至少也是一個月以上，往往需要一個小團隊共同開發。很多場景的缺陷至今是無法解決或者無法實用的。這就造成了有的場景利潤低，用人工比用機器更省錢，有的場景利潤高，可惜沒人能作出實用的系統。

二、方法

不同的缺陷適用不同的算法，介紹的算法僅適用于光滑表面缺陷檢測，其他方向檢測不適用。

1、物體及成像——如下圖所示：

對物體具體行業不是很明確，我們稱之為金屬件，大概是用在特殊領域。成像效果如下：

如上圖所示，通過線陣相機環繞一周掃描得到的圖像。清晰度比較高，但設備價格相對偏高。

2、缺陷分類

對于缺陷的類別，國標中的定義，分很多種情況，針對不同的廠家需求有不同的要求。比如?。嚎煞譃閴河?，劃痕，坑類別。這里主要分為三類，印，電鍍不良及臟污。如下圖所示：

綠框標注的是臟污，紅框標注的是電鍍不良，藍框標注印。

3、數據標注

本方法采用深度學習分類技術，對于樣本的標注采取mask的方式，mask灰度值不同用來指示類別。如下圖所示：

4、分類器訓練——訓練流程如下：

（1）將掃描圖片根據金屬件寬度縮放到指定大小，并進行微弱的隨機放大縮??；

（2）設定窗口大小如15x15,以滑動窗口的形式，掃描金屬件，得到樣本，其中正樣本為缺陷面積占窗口大于20%，類別為面積最大的類型（考慮到有交際的情況），負樣本為缺陷面積占窗口小于1%，其他情況舍棄（保留中間地帶進行界限區分）；

（3）采用簡單的卷積網絡作為分類器訓練，多個分類器形成級聯分類器；

5、預測過程

預測過程如下：

（1）對輸入圖像，根據金屬件寬度縮放到指定大??；

（2）滑動窗口對缺陷的每一塊進行分類；

（3）用生長算法將小的缺陷框合成一個大的框輸出

三、核心思維

算法設計比較簡單，有幾個點非常重要卻也容易忽略掉的：

1、樣本的標注要盡可能細致，要考慮到金屬件的尺度和窗口的大小，十分影響缺陷的定義；

2、參與訓練的樣本，正負分明，拋棄一定的中間樣本，這些樣本往往是缺陷的邊界，及細小的不需要檢測的缺陷；

3、缺陷的形狀千奇百怪，沒有固定的外形模式，通用的目標檢測容易出錯，代價比較高；

4、樣本增強無需考慮太多，成像情況通常比較穩定；

5、采用級聯分類的方式將極大的提升速度，總的效果相對于單一分類器無差別；

6、采用分割方式（點像素分類）所需樣本多，沒有樣本間隔的機制，達到同樣的效果，時間復雜度顯著比較高。

四、結果

總計標注200余張樣本，覆蓋各種類型的缺陷。在2000余張不參與訓練的樣本測試，明顯缺陷檢出率100%，誤檢率0.1%（大多比較?。?。效果如下：

左邊為未對缺陷框生長的效果，右邊為生長結果。