工業(yè)視覺(jué)缺陷檢測(cè)的算法總結(jié)

缺陷檢測(cè)是工業(yè)視覺(jué)領(lǐng)域非常重要的應(yīng)用之一。幾乎所有的工業(yè)產(chǎn)品在流入市場(chǎng)之前都會(huì)有缺陷檢測(cè)的環(huán)節(jié)，目的是確保產(chǎn)品是合格的。對(duì)產(chǎn)品進(jìn)行缺陷檢測(cè)時(shí)，分為人工目視檢測(cè)和工業(yè)視覺(jué)檢測(cè)。利用工業(yè)視覺(jué)做缺陷檢測(cè)時(shí)，常用的解決思路如下：Ⅰ、傳統(tǒng)圖像算法用傳統(tǒng)圖像算法做缺陷檢測(cè)時(shí)，方法有二：①特征工程特征工程是缺陷檢測(cè)中最常用的方法。特征工程是通過(guò)傳統(tǒng)圖像算法分析圖像灰度值、方差、均值、顏色、型狀、輪廓、面積等特征去檢測(cè)缺陷，方法非常靈活，開(kāi)發(fā)速度也快。在應(yīng)用層面，一般會(huì)將缺陷特征的相關(guān)參數(shù)開(kāi)放到軟件端，供使用者靈活調(diào)整。②模板匹配模板匹配是通過(guò)預(yù)設(shè)一些圖像模板，將圖像模板與待測(cè)圖像進(jìn)行比較，以達(dá)到識(shí)別缺陷的目的。這種算法應(yīng)用有限，舉個(gè)例子，做某品牌飲料瓶標(biāo)簽的缺陷檢測(cè)，會(huì)利用方法①特征工程的技術(shù)識(shí)別部分缺陷類(lèi)型，但也會(huì)利用模板匹配，通過(guò)預(yù)設(shè)一些標(biāo)簽圖像模板去匹配待測(cè)圖像，以判斷標(biāo)簽是否有缺陷。Ⅱ、CV算法計(jì)算機(jī)視覺(jué)算法即CV（ComputerVision）算法，是指讓計(jì)算機(jī)理解圖像的一種技術(shù)，屬于AI（ArtificialIntelligence）算法的分支之一。在工業(yè)視覺(jué)領(lǐng)域，處理對(duì)象是圖像，故提到AI算法便是CV算法。也許AI算法聽(tīng)起來(lái)高級(jí)，所以在工業(yè)視覺(jué)領(lǐng)域，大家一般多說(shuō)AI算法，不怎么提CV算法。圖像分類(lèi)、目標(biāo)檢測(cè)、語(yǔ)義分割、實(shí)例分割、目標(biāo)跟蹤、OCR、人臉識(shí)別、圖像生成、異常檢測(cè)、等都屬于CV算法。其中，在工業(yè)視覺(jué)缺陷檢測(cè)領(lǐng)域應(yīng)用較多的CV算法為圖像分類(lèi)、目標(biāo)檢測(cè)、實(shí)例分割。①圖像分類(lèi)圖像分類(lèi)，顧名思義，是對(duì)圖像進(jìn)行分類(lèi)并確定圖像類(lèi)別的一種算法。根據(jù)分類(lèi)任務(wù)不同，圖像分類(lèi)又分為單標(biāo)簽分類(lèi)和多標(biāo)簽分類(lèi)。常用的分類(lèi)網(wǎng)絡(luò)有ResNet、MobileNet、EfficientNet等。在工業(yè)視覺(jué)領(lǐng)域，理論上講，可以利用圖像分類(lèi)算法對(duì)整張圖像直接分類(lèi)，以確定其缺陷類(lèi)別。由于工業(yè)相機(jī)拍攝的視野問(wèn)題，會(huì)使整張圖像除了目標(biāo)區(qū)域外，還會(huì)包含很多無(wú)關(guān)的背景，這些無(wú)關(guān)的背景會(huì)干擾圖像分類(lèi)模型的訓(xùn)練，導(dǎo)致圖像分類(lèi)算法的準(zhǔn)確率低，因此實(shí)際項(xiàng)目中，極少利用圖像分類(lèi)算法直接對(duì)整張圖進(jìn)行分類(lèi)。②目標(biāo)檢測(cè)目標(biāo)檢測(cè)算法是在圖像中對(duì)所有感興趣的目標(biāo)，用檢測(cè)框定位目標(biāo)的位置和類(lèi)別，如下圖1所示。這種方法簡(jiǎn)單粗暴，即通過(guò)標(biāo)注大量缺陷數(shù)據(jù)集，訓(xùn)練一個(gè)具有缺陷檢測(cè)能力的目標(biāo)檢測(cè)模型。

圖1目標(biāo)檢測(cè)示例最經(jīng)典目標(biāo)檢測(cè)算法首推YOLO系列，準(zhǔn)確率高且推理速度快，屬于非常優(yōu)異的算法。在實(shí)際應(yīng)用中，需要對(duì)圖像進(jìn)行尺寸的縮放，使圖像大小符合目標(biāo)檢測(cè)模型所要求的尺寸。如果原圖很大，缺陷很小，使缺陷在原圖中占比很小，比如點(diǎn)狀的微小缺陷，可能會(huì)使圖像在預(yù)處理縮放過(guò)程中，將缺陷丟失。因此，如果有此類(lèi)問(wèn)題的風(fēng)險(xiǎn)，一般會(huì)將原圖進(jìn)行裁剪為多份，比如10000*5000分辨率的圖像，拆分為10張2000*2500分辨率的圖像，然后對(duì)這10張圖像單獨(dú)進(jìn)行檢測(cè)，最后將檢測(cè)結(jié)果匯總。此類(lèi)方法也有弊端，那就是數(shù)據(jù)集，成也數(shù)據(jù)集，敗也數(shù)據(jù)集。因?yàn)槟繕?biāo)檢測(cè)算法屬于有監(jiān)督學(xué)習(xí)，依賴(lài)大量的數(shù)據(jù)集，如果數(shù)據(jù)集不夠，會(huì)導(dǎo)致算法準(zhǔn)確率低。實(shí)際項(xiàng)目中，往往需要持續(xù)收集數(shù)據(jù)，反復(fù)多次迭代模型，才能達(dá)到理想效果。③實(shí)例分割實(shí)例分割是目標(biāo)檢測(cè)的升華版本，即在目標(biāo)檢測(cè)的基礎(chǔ)上用更精細(xì)的mask進(jìn)行定位，而非檢測(cè)框，如圖2所示。圖2

實(shí)例分割示例YOLO算法的原創(chuàng)作者JosephRedmon在他YOLOv3論文的最后寫(xiě)了這樣一句話：Boxesarestupidanywaythough,I’mprobablyatruebelieverinmasksexceptIcan’tgetYOLOtolearnthem。由此可見(jiàn)，JosephRedmon是認(rèn)可mask而非box。將實(shí)例分割算法應(yīng)用到缺陷檢測(cè)上，可以獲得比目標(biāo)檢測(cè)算法更加精準(zhǔn)的缺陷定位，這是有利于缺陷檢測(cè)的。另一方面，當(dāng)不同的缺陷離得很近，并且出現(xiàn)交叉或者包含的情況，目標(biāo)檢測(cè)算法很難獲得較好的類(lèi)別區(qū)分，但是實(shí)例分割算法并沒(méi)有這個(gè)困境。若用實(shí)例分割算法在尺寸很大的圖像上進(jìn)行缺陷檢測(cè)時(shí)，處理方法與目標(biāo)檢測(cè)算法一致，也是將圖像拆分。實(shí)例分割算法和目標(biāo)檢測(cè)算法一樣，都屬于有監(jiān)督學(xué)習(xí)，需