高精度針孔檢測設備
More >>
您所在的位置：精質視覺 > 新聞中心>金屬表面缺陷檢測常見方法
2022-07-19 10:34:25 精質視覺
精質視覺將金屬平面材料的表面缺陷檢測方法主要分為四類：傳統的基于統計的方法，基于光譜的方法，基于模型的方法和新興的基于機器學習的方法。
方法1：基于統計的方法
從統計方法的角度來看，圖像紋理被視為隨機現象。統計方法通過測量像素空間分布的統計特性來研究像素強度的規則和周期性分布，以檢測金屬平面材料表面的缺陷。
方法2：基于頻譜的方法
在光照變化和偽缺陷干擾的情況下，許多統計方法都不可靠。幸運的是，研究人員發現圖像在變換域中更有可能被分離出具有不同特征的信息，并且有可能找到比像素域中的直接處理方法更好的缺陷檢測方法。
方法3：基于模型的方法
除了基于統計和頻譜的方法外，還有一種基于模型的方法。基于模型的方法通過通過參數學習增強的特殊結構模型將圖像塊的原始紋理分布投影到低維分布，從而更好地檢測各種缺陷。
方法4：基于機器學習的方法
機器學習的本質是分析和學習數據(特征)，然后做出準確的決策或預測。
在現實世界的工業環境中，通常使用機器視覺技術來檢測生產線上的金屬表面缺陷。通常，這些技術指的是傳統的圖像處理和深度學習，旨在分析和檢測制造商中收集的缺陷。
傳統圖像處理技術的主要思想是通過精心設計的手工特征來描述表面缺陷。常用的手工特征包括LBP(局部二進制模式)，HOG(定向梯度的直方圖)，GLCM(灰度共現矩陣)和其他統計特征。對于輸入的金屬表面圖像，關鍵是選擇合適的特征來表示缺陷信息。
但是，由于傳統的圖像處理方法通常需要復雜的閾值設置以進行缺陷識別，因此無法直接在現實中部署。此外，對于復雜的現實環境，傳統的檢測方法在效率和準確性上均較差，對某些環境因素(例如照明條件和背景)敏感，如果環境因素發生變化，則應再次仔細調整這些閾值設置，否則，由于缺乏適應性和魯棒性，該算法會不適用于新環境。
而基于深度學習的方法在表面缺陷檢測和其他工業應用(例如汽車工業 ，水果分類和對象檢測)中都顯示出巨大的優勢。以深度學習為基礎的檢測算法在產品表面質量控制方面比人工檢測效率更高，也可以降低檢測員的工作量，降低企業生產成本，缺陷檢測精度和定位更加準確，提高生產效率，推動制造業自動化，智能化發展，推動智慧工廠的建設。
