表面缺陷分类 人工视觉处理技术

　　在工业生产领域，质量控制的目的是保持质量水平或定位缺陷，以便进一步修复。传统的检测方法通常处理规则的、宏观的、复杂的表面缺陷变化.几乎所有的人工视觉缺陷检测技术都是为了检测缺陷并对其进行分类以供进一步处理。

　　为了进行适当的分类，工业应用程序需要结构良好的数据库，以确定可能的缺陷类型.然而，由于操作场景中可能出现的缺陷的随机性和独一性，为分类器建立这样一个通用和全方面的数据库具有挑战性。在这方面，虽然人们对一般的分类方法提出了很高的要求，但几乎每个应用程序都使用了一个基于材料的缺陷分类器。并从这些文献中收集实例，我们提出了一种低层次、统一的缺陷类型分类方法。

　　表面缺陷两大分类

　　这种表面缺陷的分类，适用于任何材料，分为两大类：可见缺陷和明显缺陷。值得注意的是，这种分类仍然是基本的，基本上是概念性的，对于有具体要求的程序来说并不令人满意，但它为人工智能系统的分类提供了坚实和可靠的基础。这种缺陷分类的基本假设是，缺陷的分类是一种严重的主观判断，即它在很大程度上取决于缺陷对人类主管的代表作用。这个决定通常基于一个阈值和基于逻辑的组件和缺陷的大小比表示。因此，分类学的结构主要由大小比和空间特征组成。

　　图缺陷的类别包含了难以或几乎不可能通过触摸来定位的缺陷。可察觉的缺陷类别包含明显的缺陷，通过视觉和触觉的结合，这些缺陷更容易被定位。显然，类别的命名并不意味着在这两个类别中都没有例外。

　　人工视觉处理技术

　　基于视觉的方法的主要目标是了解世界的自然和人工的表现。在后一种情况下，识别图像的过程主要是试图寻找输入图像与环境表示之间的数学/逻辑联系。数学/逻辑连接是从输入图像到模型的转换，它将图像中包含的信息减少到应用领域的相关信息。图像表示可以大致分为四个层次，如图3。图像表示的层次结构和背景函数/算法可以进一步简化为低层次和高层次的图像处理。

　　图像分析理论层次

　　从模拟域到数字域的转换(带采样)往往会造成一定的信息丢失。大多数低级处理方法不使用任何关于图像内容的先验知识。这意味着属于该组的方法可以应用于每个图像，而无需考虑任何有关预录制环境的信息。包括：(1)图像压缩；(2)预处理；(3)锐化；(4)边缘提取方法。

　　更高层次的处理方法更复杂，并且操作于图像的数学表示之上(例如，在内容域中，已经描述了独一的对象或额外的信息)，方法是建立分类器，并且需要模拟人类的认知。

　　达到“具有特征的图像”的水平

　　并且要有一幅有内容的图片，就须描述图像的几个属性–例如边缘、纹理等。两个不同的原则适用于自然发生的视觉观察。一种是根据先前关于要发现的对象的知识来执行的。第二种情况是在没有给定的对象信息的情况下执行的，但是使用了环境知识，这被认为是正常的。通常，大多数非破坏性视觉检查方法，以发现表面异常，涉及纹理和/或颜色分析，执行低水平的过程。这些原则可以在人工系统中复制，但采用不同的方法。

　　为了识别表面上的单个缺陷，须建立可能的缺陷的描述符数据库，例如分类器。尽管它们须处理Fp和Fn结果，但可以使用分类器来确保系统能够识别缺陷。建模的第二个原则导致纹理分析问题，其中任何偏离正常模式的纹理被识别和突出显示。