工业缺陷检测的计算机视觉方法总结
工业缺陷检测的计算机视觉方法总结
传统方法
特征提取方式：
- 颜色：基于HSV/RGB空间分析，如颜色直方图、颜色矩等
- 纹理：采用LBP、Haar、Gabor滤波器等算子提取纹理模式
- 形状：基于Hu矩、Zernike矩等数学描述符刻画几何特性
- 尺寸：通过连通域分析计算物体像素面积、周长等参数
典型处理流程：
- 手动设计特征提取算法
- 建立规则分类器（如SVM、决策树）
- 基于阈值分割目标区域
深度学习方法
核心特点：
- 端到端学习：自动提取多层次特征（低层边缘→高层语义）
- 数据驱动：模型性能依赖标注数据规模和质量
- 通用性强：同一架构可适配不同任务
关键技术：
- 卷积神经网络（CNN）的特征提取机制
- 注意力机制增强关键特征
常用方法
1. 二值处理
将图像转换为黑白二值图像的过程，通过设定阈值将灰度图像分成前景和背景两部分，突出关注点。
实现方式：
- 全局阈值法（Otsu算法等）
- 局部自适应阈值
- 形态学操作优化（膨胀/腐蚀）
应用场景：
- 文档图像处理
- 简单物体分割
2. 频域/空域增强+阈值+滤波+边缘检测
结合频域变换（如傅里叶变换）和空域操作（如直方图均衡化）的图像增强技术，配合边缘检测算子提取特征。
处理步骤：
- 频域变换（傅里叶/小波变换去噪）
- 空域增强（直方图均衡化）
- 边缘检测（Canny/Sobel算子）
技术优势：
- 计算效率高
- 适合规则纹理目标
局限性：
- 对阈值敏感，一般都要添加阈值的自适应方法
3. 模板匹配
通过滑动窗口在图像中搜索与预定模板最相似的区域，采用相似度度量（如归一化互相关）进行比对。适用于已知目标形态且变化较小的定位场景。
局限性：
- 对形变敏感
- 计算复杂度高
4. 实例分割
实例分割技术能够精确识别并定位缺陷区域，其中UNet擅长处理小样本医疗和工业图像，而Mask R-CNN则适用于复杂场景的多目标检测任务，两者通过不同的网络架构实现高精度缺陷分割。
| 特征 | UNet | Mask R-CNN |
|---|---|---|
| 架构设计 | 对称编码器-解码器结构 | 两阶段检测框架（RPN+ROI） |
| 核心优势 | 跳跃连接保留细节特征 | ROI Align提升定位精度 |
| 训练数据 | 小样本表现优异（100+图像） | 需要较大训练集（1000+图像） |
| 输出结果 | 直接输出分割掩膜 | 同时输出检测框和分割掩膜 |
| 应用场景 | 简单工业缺陷 | 复杂工业场景多缺陷检测 |
| 推理速度 | 较快（~15 FPS） | 较慢（~5 FPS） |
适用建议：
- 选择UNet的情况：小样本、高分辨率、需要保留细节特征的缺陷检测
- 选择Mask R-CNN的情况：多类别、多实例、需要同时获取位置信息的复杂质检场景