點(diǎn)擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時(shí)間送達(dá)
本文轉(zhuǎn)自|新機(jī)器視覺

生產(chǎn)過程中的缺陷檢測是保證產(chǎn)品質(zhì)量的必要步驟。雖然人工目視檢查仍在使用，但在幾乎所有的主要生產(chǎn)線上，自動化目視檢查已經(jīng)幾乎取代了人工勞動，在機(jī)械零件制造、汽車零件制造、印刷電路板(pcb)、電子零件、醫(yī)藥以及農(nóng)業(yè)產(chǎn)量檢驗(yàn)等領(lǐng)域，目視檢查無處不在。通過視覺和感覺硬件實(shí)現(xiàn)的缺陷自動檢測，由于其準(zhǔn)確性、速度、相對容易實(shí)現(xiàn)和降低成本，現(xiàn)在比人工檢測具有優(yōu)勢。

缺陷的自動檢測通過將產(chǎn)品的標(biāo)準(zhǔn)模板與制造過程中的模板進(jìn)行比較并檢測其不合理的偏差來實(shí)現(xiàn)。

對于定義明確的模式產(chǎn)品（如PCB）的生產(chǎn)，可以使用模式匹配算法來估計(jì)偏差。然而，其他產(chǎn)品的缺陷，如水果和鮮花，可能不太明顯，定義和檢測。當(dāng)缺陷和產(chǎn)品形狀都存在較大的可變性時(shí)，統(tǒng)計(jì)方法（如深度學(xué)習(xí)算法提供的方法）最適合該工作。

與基于每個(gè)產(chǎn)品進(jìn)行推理的人類檢查員類似，機(jī)器學(xué)習(xí)算法根據(jù)從被檢查產(chǎn)品中提取的特征及其描述符的特點(diǎn)，開區(qū)分可接受范圍內(nèi)區(qū)分缺陷。

實(shí)際的深度學(xué)習(xí)架構(gòu)（層數(shù)和節(jié)點(diǎn)連接性）可能根據(jù)問題的復(fù)雜程度而有所不同。然而，U-Nets架構(gòu)是一種看似合理且有希望的可能性。U-Nets是完全連接的卷積神經(jīng)網(wǎng)絡(luò)（CNN），其中圖像經(jīng)歷一系列下采樣并同時(shí)計(jì)算每個(gè)尺度中的特征，隨后是一系列上采樣以檢索最終分類（分段或注釋）的輸出圖像。

由于卷積網(wǎng)絡(luò)的結(jié)構(gòu)以及傳送帶上產(chǎn)品的常常不可預(yù)測的定向和幾何形狀，每個(gè)被檢產(chǎn)品的特征必須是尺度和旋轉(zhuǎn)不變的。對于這種情況存在若干圖像特征，例如Harris角，SIFT等。此外，需要與織物或陶瓷缺陷檢查的情況相關(guān)的產(chǎn)品質(zhì)地相關(guān)的特征。為此，可以使用中心圖像單體（也稱為Hu矩）。對于任何圖像f（x，y），階數(shù)p + q的Hu矩定義為：

其中p和q是整數(shù)。這些時(shí)刻唯一地表征每個(gè)圖像，它們對于翻譯是不變的并且計(jì)算上的計(jì)算成本低廉。通過使用Hu集中式單體，可以提取圖像在不同尺度的重疊區(qū)域中的附加特征，并將其輸入分類器或分級算法，以提高RSIP Vision在自動缺陷檢查過程中的準(zhǔn)確性。

用于自動化檢查的深度學(xué)習(xí)體系結(jié)構(gòu)幾乎可以應(yīng)用于產(chǎn)品的所有領(lǐng)域。用于缺陷分類的軟分類器，例如機(jī)器學(xué)習(xí)提供的軟分類器，特別適合于用于檢查、分級和分類的感官信息存在較大差異的情況。然而，正確的特征的使用對所有分類器的成功和準(zhǔn)確性都有很大的影響，應(yīng)該根據(jù)每個(gè)產(chǎn)品的可接受缺陷的范圍分別進(jìn)行定制。

好消息，小白學(xué)視覺團(tuán)隊(duì)的知識星球開通啦，為了感謝大家的支持與厚愛，團(tuán)隊(duì)決定將價(jià)值149元的知識星球現(xiàn)時(shí)免費(fèi)加入。各位小伙伴們要抓住機(jī)會哦！

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計(jì)算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細(xì)分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進(jìn)入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~