1介绍

      缺陷检测是工业视觉技术中最重要的组成部分。业务广泛，场景丰富，技术难点高、工作量大。针对不同的场景，选择不同的相机和识别方法。

      一般情况下，工业视觉相机分为面阵和线阵，大部分有点要求的场景对应需要的相机都比较贵，动辄几千块，相机还要配套光源、镜头，都比较贵，一套成像系统下来一万块也只是入门级别的。算法的研发费用也是比较贵的，一种产品缺陷的研发周期至少也是一个月以上，往往需要一个小团队共同开发。很多场景的缺陷至今是无法解决或者无法实用的。这就造成了有的场景利润低，用人工比用机器更省钱，有的场景利润高，可惜没人能作出实用的系统。

2方法

      由于不同的缺陷适用不同的算法，需声明下这里介绍的算法仅适用于光滑表面缺陷检测，不保证可用于其他方向。

2.1物体及成像

      首先，我们来看下物体。如下图所示：

由于对具体行业情况不是很清楚，只能称之为金属件，大概是用在特殊领域吧。成像效果如下：

如上图所示，是通过线阵相机环绕一周扫描得到的图像。清晰度还是比较高的，就是设备比较费钱。

2.2缺陷分类

      对于缺陷的类别，国标中是有定义的，分了很多种情况，针对不同的厂家需求也有不同的要求。比方说印，可分为压印，划痕，坑的具体科目。这里主要分为三类，印，电镀不良及脏污。如下图所示：

绿框标注的是脏污，红框标注的是电镀不良，蓝框标注印。

2.3数据标注

       本方法采用深度学习分类技术，对于样本的标注采取mask的方式，mask灰度值不同用来指示类别。如下图所示：

2.4分类器训练

       训练流程如下：

       1）将扫描图片根据金属件宽度缩放到指定大小，并进行微弱的随机放大缩小；

       2）设定窗口大小如15×15,以滑动窗口的形式，扫描金属件，得到样本，其中正样本为缺陷面积占窗口大于20%，类别为面积最大的类型（考虑到有交际的情况），负样本为缺陷面积占窗口小于1%，其他情况舍弃（保留中间地带进行界限区分）；

        3）采用简单的卷积网络作为分类器训练，多个分类器形成级联分类器；

2.5预测过程

       预测过程如下：

       1）对输入图像，根据金属件宽度缩放到指定大小；

       2）滑动窗口对缺陷的每一块进行分类；

       3）用生长算法将小的缺陷框合成一个大的框输出

3核心思维

       算法设计比较简单，有几个点是非常重要却也容易忽略掉的：

       1）样本的标注要尽可能细致，要考虑到金属件的尺度和窗口的大小，十分影响缺陷的定义；

       2）参与训练的样本，正负分明，抛弃一定的中间样本，这些样本往往是缺陷的边界，及细小的不需要检测的缺陷；

       3）缺陷的形状千奇百怪，没有固定的外形模式，通用的目标检测容易出错，代价比较高；

       4）样本增强无需考虑太多，成像情况通常比较稳定；

       5）采用级联分类的方式将极大的提升速度，总的效果相对于单一分类器无差别；

       6）采用分割方式（点像素分类）所需样本多，没有样本间隔的机制，达到同样的效果，时间复杂度显著比较高。

4结果

       总计标注200余张样本，覆盖各种类型的缺陷。在2000余张不参与训练的样本测试，明显缺陷检出率100%，误检率0.1%（大多比较小）。效果如下：

左边为未对缺陷框生长的效果，右边为生长结果。

5声明

       本文仅提供一种思路用于学习和研究，代码数据不会提供。有问题请私信，勿评论。