基于机器视觉的工业产品表面缺陷检测技术研究

陈岚 刘旭

［摘 要］随着工业和智能制造的发展，工业产品的质量控制变得越来越重要。传统的人工检查方法由于其低效、不稳定和主观性等问题，已经无法满足当前的需求。因此，基于机器视觉的自动化检测技术，特别是基于深度学习的检测技术，正在成为一个热门的研究。深度学习作为一种强大的机器学习方法，已经在图像处理、语音识别、自然语言处理等多个领域取得了突破性的成果。

［关键词］机器视觉；工业产品；表面缺陷；检测技术

［中图分类号］T-01文献标志码：A

工业产品表面缺陷检测是制造业中至关重要的环节。产品的外观质量直接影响消费者对产品的认可度和购买意愿。表面缺陷，如划痕、凹痕、颜色不均等，不仅会降低产品的美观度，还可能影响产品的功能和使用寿命。通过及时发现和修复表面缺陷，制造商可以提高产品的质量和价值，增强市场竞争力。而忽视表面缺陷检测可能导致质量投诉、产品召回或声誉受损。传统的人工检查方法往往耗时较多且主观性较强，降低了大规模生产的效率。因此，基于机器视觉的工业产品表面缺陷检测技术的研究对于实现高效、自动化和可靠的缺陷检测具有重要意义，有助于提升制造业的产品质量和生产效率，降低成本，增强企业的竞争力和可持续发展能力。

1 机器视觉缺陷检测的基本理论

1.1 机器视觉技术的基础

机器视觉技术基于计算机和相关设备的硬件平台，通过适配的图像采集设备，如摄像头和光源等，将被测对象转化为图像信号，然后传送到图像处理系统。图像处理系统能够对这些信号进行一系列的分析处理，以识别目标的外形、位置、尺寸、色彩等特征。机器视觉技术的应用步骤一般包括图像采集、预处理、图像分析和识别、决策处理。其中，图像采集是将物理世界中的对象转化为计算机可以理解和处理的数字信号，通过数字摄像头或者其他图像传感器完成的技术，这些设备可以将光信号转化为电信号，然后进一步转化为数字信号；预处理是对图像进行一些初步的处理，如噪声消除、对比度增强、色彩平衡、归一化等，以改进图像质量和减少后续步骤中的计算复杂度，尽可能保留图像中的有效信息，消除无关的干扰信息；图像分析和识别是机器视觉技术的核心部分，这一步主要是通过各种图像处理算法，如边缘检测、特征提取、模式识别、机器学习等，识别图像中的特定目标或理解图像的内容，需要对图像进行一系列复杂的数学运算，如卷积、傅里叶变换、波特分解等；决策处理是根据前面的图像分析和识别的结果，作出一些应用相关的决策，如自动控制、导航、诊断等，并与其他系统或者设备交互，如运动控制系统、人机交互设备、数据库等。机器视觉技术的最终目标是模拟人眼的视觉功能，使计算机能够理解物理世界中的图像信息，根据这些信息作出智能的决策。与人眼不同的是，机器视觉不受物理条件的限制，可以处理超出人眼可见范围的图像，如红外图像、超声图像等，也可以处理超出人脑处理能力的大量图像，如卫星图像、医学影像等［1］。

1.2 机器视觉用于表面缺陷检测的原理

机器视觉技术在工业表面缺陷检测中的基本原理主要包括图像采集、图像预处理、特征提取和分类识别。对于表面缺陷检测来说，缺陷的大小、形状和颜色特征都需要通过图像精确地表达出来，工业产品表面缺陷通常以色彩、纹理、形状等方式在图像中体现，因此需要高清晰度、高对比度的图像来准确捕捉这些信息，对于复杂或难以观察的工件，可能需要采用特殊的成像技术，如X射线、红外、紫外等；图像预处理的目标是更好地展示和分析表面缺陷，这些步骤可以显著提高图像质量，使后续的特征提取和分类更为准确，特别是对于含有复杂背景和光照条件的图像，预处理步骤显得尤为重要；在应用機器视觉技术对工业产品表面缺陷的检测过程中，特征提取是区分正常区域和缺陷区域的主要依据，不同类型的缺陷需要提取不同的特征，如裂纹、疤痕、凹坑、锈蚀等缺陷可能有各自的特征；分类识别阶段涉及复杂的模式识别和机器学习算法，如决策树、支持向量机、神经网络等，系统将学习如何根据特征来识别和分类不同的缺陷，需要大量的训练数据和计算资源［2］。

1.3 传统方法和问题

传统的工业表面缺陷检测方法主要依赖人工检测或基本的图像处理技术，在处理复杂任务时，通常存在效率低、准确性差和稳定性不足等问题。在人工检测中，工作人员通过肉眼或使用显微镜、放大镜等工具，直接观察产品表面以检测缺陷。尽管这种方法简单易行，但由于其主观性强，且受到人的视觉能力、经验、注意力等因素的影响，使得人工检测的效率低且容易出错，人工检测无法满足高速生产线的要求，对于小型和微型缺陷也很难进行有效检测，已经无法满足现代工业生产的需求。在基本的图像处理技术中，工程师通常使用各种算法来处理和分析图像，以检测表面缺陷，包括边缘检测、阈值分割、形态学操作、纹理分析等。虽然这些方法相比人工检测能够大幅提高检测效率和准确性，但对于复杂多变的工业环境，这些方法的稳定性和可靠性往往无法达到令人满意的效果。例如，对于光照条件变化、复杂背景、产品变化等情况，传统的图像处理方法可能需要人工调整参数，而这往往需要专业的知识和丰富的经验，导致系统的使用和维护成本较高；对于不同类型和大小的缺陷，传统的图像处理方法可能需要设计不同的算法，从而增加系统的复杂性和研发成本。更进一步的问题在于，传统的图像处理方法主要依赖于手工设计，可能无法捕捉到缺陷的所有信息，尤其是对于复杂和微妙的缺陷，对于新型和未知的缺陷，传统的方法可能需要重新设计和调整，会耗费大量的时间和人力资源。此外，由于传统的图像处理方法通常基于确定性的数学模型，对于噪声和异常值的鲁棒性较差，工业环境通常包含各种不确定性和干扰，包括机器振动、尘埃、磨损、光照变化等，使得传统的方法在实际应用中的性能可能低于理论预期，且需要经常进行维护和调整。

2 基于机器视觉的工业产品表面缺陷检测方法

2.1 图像采集系统设计

图像采集系统设计应选择合适的图像传感器和光源，图像传感器的选择应基于被检测产品的特点和缺陷类型，以确保获取高分辨率、清晰度和细节丰富的图像。不同类型的图像传感器，如CCD（电荷耦合器件）或CMOS（互补金属氧化物半导体），具有不同的优势和适用性。光源的选择和布置对于有效突出缺陷是至关重要的，提供均匀而稳定的光照条件，并能消除阴影和反射，合适的光源类型，如LED（发光二极管）或激光，应根据被检测产品的特性进行选择，并考虑光源的亮度、颜色温度和角度等参数。为了获得全面和全局的表面图像，应选择适当的镜头和视野，以确保整个表面得以充分覆盖，根据被检测产品的大小和形状，选择固定焦距镜头、变焦镜头或鱼眼镜头等。在图像采集系统设计中，实时性和自动化也是重要考虑因素，系统应具备高速图像采集和传输的能力，以满足实时性要求。为了实现自动化的缺陷检测流程，图像采集系统应与其他设备或生产线进行集成，通过通信接口实现数据的传输和控制［3］。

2.2 图像预处理和增强技术

图像预处理和增强技术可以改善图像质量、减少噪声、增强缺陷特征，从而提高缺陷检测的准确性和鲁棒性。图像预处理涉及对原始图像进行一系列操作，以减少噪声并消除不必要的细节，常见的预处理方法包括图像去噪、平滑滤波和图像增强；去噪技术可以通过使用降噪滤波器，如均值滤波器、中值滤波器或高斯滤波器，来减少图像中的噪声，提高图像的清晰度和质量；平滑滤波技术可以通过对图像进行模糊处理来减少图像中的细节和噪声，使得缺陷更加突出；图像增强技术可以通过调整图像的对比度、亮度和色彩平衡等参数，来增强缺陷的可见性，使其更易于检测。针对不同类型的缺陷和图像特征，可以采用特定的增强技术，对于细小而明亮的缺陷采用局部对比度增强技术，如直方图均衡化、自适应直方图均衡化或对比度拉伸，以增强缺陷的细节和对比度；边缘缺陷或纹理缺陷可以应用边缘增强技术，如拉普拉斯滤波器、Sobel算子或Canny边缘检测算法，以突出缺陷的边界和纹理特征；还可以采用多尺度图像增强技术，如小波变换或尺度空间分析，以捕捉不同尺度下的缺陷特征。

2.3 特征提取和选择方法

特征提取和选择涉及从原始图像中提取出具有判别能力的特征，并选择最具代表性和区分性的特征子集，以实现缺陷检测的高准确性和鲁棒性。在特征提取阶段，常用的方法包括基于像素的直接特征提取和基于图像变换的特征提取。基于像素的直接特征提取方法是通过计算图像中每个像素的灰度值、颜色信息或纹理信息等来构建特征向量，这些特征可以是统计特征（如均值、方差、能量等），纹理特征（如局部二值模式、灰度共生矩阵等）或形状特征（如边缘、角点等）；基于图像变换的特征提取方法则是利用变换技术将图像转换到另一个特征空间，如傅里叶变换、小波变换或主成分分析等，捕捉到不同尺度、频率或能量的特征信息。在特征选择阶段，目的是从提取到的大量特征中选择最相关和最具代表性的特征子集，常见的特征选择方法包括过滤方法、包裹方法和嵌入方法。过滤方法通过计算特征与目标变量之间的相关性或重要性指标，如信息增益、相关系数、方差分析等，来评估特征的贡献，并选择排名靠前的特征子集；包裹方法则是通过将特征选择问题转化为优化问题，并使用启发式搜索算法或遗传算法等来找到最佳特征子集；嵌入方法则是将特征选择嵌入机器学习模型的训练过程，通过学习过程中的权重调整或特征的相关性分析来选择最优特征。在选择特征时，鉴别能力表示特征对于不同类别的缺陷能否有区分性，冗余性表示特征之间是否存在冗余信息，通过评估特征之间的相关性和互信息，可以避免选择高度相关或冗余的特征，从而提高特征选择的效果。

3 机器视觉技术的基础之基于深度学习模型的表面缺陷检测应用

3.1 新模型的设计思路

在设计新的深度学习模型以应对工业产品表面缺陷检测任务时，需要考虑一系列核心问题，如数据的多样性、训练效率、模型解释性和实际应用的复杂性。工业产品表面缺陷检测任务具有多样性和复杂性的特点，缺陷类型、尺寸、形状和位置可能有很大的变化，而背景、光照和噪声也可能影响检测效果。因此，新模型应当具有较强的特征提取能力和泛化能力，能够自动学习和适应各种情况，模型也应当具有一定的鲁棒性，能够处理一些未知的干扰和异常。由于工业环境中的数据量通常很大，应进行实时或近实时的检测，因此模型的训练和推理速度都是重要考虑因素，需要利用一些高效的网络结构和优化算法，如残差网络、注意力机制、迁移学习等，还需要考虑模型的解释性，虽然深度学习模型通常被认为是“黑箱”，但在工业应用中，往往需要理解和解释模型的决策，以便进行调试、优化和信任建设。实际的工业环境可能存在各种限制和挑战，如计算资源、数据质量、操作难度等。因此，需要设计一些实用的策略和工具，如数据增强、在线学习、用户友好的界面等，以使模型能够在实际环境中有效运行［4］。

3.2 新模型的构造和训练

构建和训练新的深度学习模型以实现工业产品表面缺陷检测任务，是一个既系统又动态的过程，涵盖了模型架构的选择、模型的训练、优化以及评估和调整等多个环节。模型的选择通常取决于特定任务的需求，对于工业表面缺陷检测，卷积神经网络（CNN）由于其在图像处理方面的卓越表现，变成了一个自然的选择。对于更复杂的情况，比如时间序列的工业视频检测，可以考虑使用更复杂的网络结构，如循环神经网络（RNN）或时空卷积神经网络（3D CNN）。在模型训练环节，需要定义一个损失函数，用于衡量模型预测结果与实际标签之间的差距，然后通过优化算法，如随机梯度下降（SGD）或者Adam等，不断调整模型的参数，使得损失函数的值最小。在这个过程中，需要注意的是过拟合问题，也就是模型在训练数据上表现优秀，但在未知数据上表现较差，为防止过拟合，可以使用一些正则化技术，如权重衰减、早停和Dropout等。训练模型后，可以使用验证数据集来评估模型的性能，并根据评估结果来调整模型的参数和结构，反复进行多次，直到模型的性能达到令人满意的水平［5］。

3.3 新模型在工业实践中的效果

在汽车制造业中，深度学习模型被成功应用于车身漆面的缺陷检测。以往的车身漆面表面缺陷检测依赖人工检查，但检測效率低和结果的可参考性不高，使得缺陷的准确检测和判定成为一个具有挑战性的任务。为了解决这个问题，该领先汽车制造商决定采用深度学习模型进行自动化检测。该公司通过收集大量车身漆面的图像数据，包括正常的和带有各种类型缺陷（如划痕、凹痕、颜色不均等）的图像，并利用这些图像数据训练了一个卷积神经网络模型。这个模型能够通过学习大量样本中的视觉特征和模式，自动对车身漆面进行缺陷检测。为了增加模型的鲁棒性和泛化能力，该公司还采用了数据增强技术，如随机旋转、缩放、翻转和添加噪声等，使得模型能够更好地适应不同角度、尺寸和噪声条件下的车身漆面图像。然而，该公司并没有完全依赖深度学习模型进行自动化检测，而是采取人机协作的方式。深度学习模型首先进行初步检测，然后由人员进行复查和确认，人机协作的方式可以提高检测的准确性和可靠性，避免误判和漏检，人员在模型的基础上进行复查，可以准确地判断复杂缺陷情况，并及时修复或处理。

4 结语

总的来说，基于深度学习的工业产品表面缺陷检测技术，不仅可以显著提高检测的效率和准确性，还可以减少人力成本和误检率。实现这个目标需要不断地学习和创新，以适应不断变化的工业环境和需求，也需要关注模型的解释性和实用性，以便在提高性能的同时，确保模型在实际环境中的有效运行和可持续发展。

参考文献

［1］吴敌，李明辉，马文凯，等. 基于改进YOLOv5的钢材表面缺陷检测［J］. 陕西科技大学学报，2023，41（2）：162-169.

［2］曾耀，高法钦. 基于改进YOLOv5的电子元件表面缺陷检测算法［J］. 浙江大学学报（工学版），2023，57（3）：455-465.

［3］马燕婷，赵红东，阎超，等. 改进YOLOv5网络的带钢表面缺陷检测方法［J］. 电子测量与仪器学报，2022，36（8）：150-157.

［4］黄梦涛，连一鑫. 基于改进Canny算子的锂电池极片表面缺陷检测［J］. 仪器仪表学报，2021，42（10）：199-209.

［5］王维，王杰，黄易杨，等. 基于偏振透射结构光的透明物体表面缺陷检测方法［J］. 光学学报，2021，41（18）：128-135.