摘要

工业界以产出优质产品为目标，现实生产的时候难免出现缺陷产品。近年来，计算机视觉在产品的缺陷检测发挥了重要作用，为智能检测做了巨大贡献。检测方法也由传统检测到现代深度学习，本文归纳总结了常见的缺陷种类，工业界对缺陷检测的要求，任务的难点与挑战，比较了传统和现代的缺陷检测方法，以及存在的问题，对以后可能的方向进行展望。

我国是世界第一制造大国，迎来了“制造大国”向“制造强国”的跃进，为建设社会主义现代化国家奠定了坚实基础。现实生产过程中，产品并不全部能保持相同的，标准的质量，有瑕疵的产品用到国家重大项目或者居民生活中，会产生难以估计的危害，因此，控制产品质量，对生产产品进行缺陷检测是必不可忽视的一项。

目前缺陷检测的使用办法包括1.由有先验经验的工人 2.通过超声波、X 射线等探究材料内部组成是否符合标准 3.通过和机器视觉相结合的办法

本文先对缺陷进行分类和定义，对工业界的检测要求进行陈述，对缺陷检测的发展历程和其存在的问题进行了概述，其中着重分析了通过计算机视觉进行检测的挑战，方法，原理，进展，成果。最后对此领域的未来进行展望。

一 问题范围定义：

本文检测的缺陷主要指制造上的缺陷，是产品在加工、制作、装配等制造过程，不符合设计规范，或者不符合加工工艺要求，没有完善的控制和检验手段，致使产品存在不安全的因素，包括影响使用，存在安全隐患和不影响使用仅影响产品外观的缺陷。影响使用的例如：齿轮的缺牙，瓦片的裂痕等，不影响使用的例如：布料的污渍等。

缺陷检测技术是指不影响被检测工件或材料工作性能的前提下，利用光、声、电、热、磁等特性检测工件是否存在缺陷，已经有很多文献对其进行分类[2][3]4[5][9][10]

二 工业界对缺陷检测的要求：

无损：不能对产品有改变

实时：及时反馈给系统

可复用：方法可以重复使用重复检测

高精度:准确全面的检测到产品所有问题,能检测出人眼难以观测的细微缺陷. 不仅需要尽量减少漏检与误检, 还需要可以及时地调整检测性能. 不同的应用对于漏检与误检的需求也不

同. [6]

低开销:目前的成像技术已经可以为工业视觉系统提供高分辨率图像. 在实际部署时, 需要考虑 到计算时间和存储资源的开销. 例如, 模型可能部署在嵌入式系统等算力有限的环境中. 为了与实际 生产制造或智能巡检同步运行, 高速的、实时性的方法也成为研究重点之一

三 发展历程

1. 人工检测

在生产规模较小的时候，采用人工检测，要求有先验经验的工人对每个产品进行检测，所有过程由人来完成。这种方法的优点是，只需要人工不需要额外的设备，缺点是对人员质量数量等都要求较高，且效率和准确率不可控制，容易存在偏见，对于很细小的缺陷容易漏检，并且不能连续工作。严重依赖检测员主体，无法适应大规模数据。

2. 介质检测

当前应用最广的介质检测技术X 射线检测技术，磁粉检测技术、涡流检测技术、渗透检测技术等[7]他们都有各自的适用性。渗透检测需对表面进行细致的清洗和去污，而且只能检出表面上的开口缺陷，无法显示不连续的深度；使用的渗透剂和显像剂有毒等。磁粉检测主要用于检测铁磁性构件与结构表面或近表面的线性不连续性。射线检测对人体有害，检测较慢，并且成本较高。涡流检测只适用于导电材料。

3.计算机视觉

随着图像处理技术，机器学习技术，深度学习技术的发展，很大程度弥补了人工检测和介质检测的缺陷和不足。基于计算机视觉的方法主要包括两种：1.图像处理+机器学习 2神经网络。典型的自动化系统应该有生产流水线+采集照片设备+特定光源+计算机软件组成。流水线上的产品经过传送带等自动送到检测位置，一般由工业相机进行照片采集，特定的光源最大程度保证照片的质量，将图像送入计算机软件中进行自动的缺陷检测。相机部分决定了拍摄硬件，拍摄质量上线，光源决定了图像清晰度，保证了光照稳定性，他们都与软件最后的处理结果息息相关。

3.1图像处理+机器学习

通常步骤为图像采集，图像预处理，图像分析，缺陷检测，缺陷分类。

图像采集过程依赖合适的稳定的光照环境，合适的工业相机参数，成像质量决定了后续的图像处理质量，将图像传感器获取的电信号传到计算机中获得数字信号，软件程序接受数字信号并对其处理和可视化。图像预处理主要包括图像去噪，图像增强，寻找边缘，去除背景提起前景。图像系统中会有很多噪声，来自多方面，有电子元器件 ，如电阻引起的热噪声；真空器件引起的散粒噪声和闪烁噪声；面结型晶体管产生的颗粒噪声和噪声；场效应管的沟道热噪声 ；光电管的光量子噪声和电子起伏噪声；摄象管引起的各种噪声等等，所以图像预处理第一步是根据食用场景进行图像去噪，去掉不必要的信号，结合形态学变换提高图像质量。为了得到我们的目标图像，还需要进行图像增强，用来改善图像对比度，突出感兴趣位置，提高图像的可视化效果。当图像数量匮乏时，经过变换也可以得到数量上的增强，来扩充图像样本。通过索贝尔，沙尔，卡普拉斯等算子寻找梯度和边缘，一般边缘存在于图像频域梯度变换明显的地方，找到图像轮廓之后也可以进行直方图分析，对一些复杂的图像，也可以进行去除背景提取前景等。

图像分析一般包括图像降维，特征提取，主要是从图像中提取到关键的有代表性的图像信息。一般使用主成分分析PCA[8]对图像提取主成分，实现高维空间向低维空间的映射，拿到目标缺陷特征，或者采用模板匹配算法

缺陷检测和分类的目的是解决一个对象存在多类别缺陷的问题，不仅简单的将物品判别是否有缺陷，还能自动为每个不同的缺陷进行分类，从而对生产线进行精准反馈。缺陷检测一般包括基于形状，颜色，纹理。缺陷分类一般使用机器学习方法，例如贝叶斯，SVM,决策树，EM等。

这方法解决了人工检测的效率低，误检率高等问题，实现了较好的精确度，但也有较多的问题。1.装备不可复用，每套设备的应用场景有限。2.只能解决已知缺陷特定缺陷，人为定义好的缺陷，对于生产线上的各种未知可能不能提供任何预测，缺陷的定义严重依赖缺陷模板。3.图像质量问题，缺陷一般有较低的信噪比，当成像质量不好的时候，会对判别程序造成严重干扰。4.背景复杂容易误检

3.2神经网络

随着深度学习的快速发展，其在工业界的缺陷检测表现出了强大的生命力，对于已知缺陷采用分类检测分割的办法，对于未知缺陷，分类之后进行半监督学习。

对于缺陷的检测也可以当作目标检测去处理。首先用cnn其拥有强大的特征提起和对高维数据的表达能力，他的卷积层+池化层用于图像的特征提取，全连接层用于图像分类。因为cnn已经发展的比较成熟，在人脸识别，物体检测领域成功应用，等使用迁移学习的办法对网络进行优化并应用到具体场景。直接利用回归算法测试是否包含物体会使运算量增大，收敛时间很长，也有通过滑动窗口的办法得到满意解。滑动窗口是指用一个固定大小的探测框，从左往右，从上往下移动，在每次移动的位置上，计算当前位置的得分，得到得分最高的候选框，这一步骤就是分类过程。但是这种滑动窗口的选择没有策略属于暴力方法。