1、介绍

缺点检测时机器视觉需要中最简单难度较大的一类需要。究其原因，次要是在我的项目开发过程中首先要保障检测的稳定性和精度，又要实现缺点检测的通用性，常见的缺点：凹凸、污点瑕疵、划痕、裂缝、创痕、毛刺等等类型品种繁冗，缺点检测不同于尺寸、二维码、OCR 辨认等算法。后者的利用场景比拟繁多，根本应用一些成熟的算法实现，最多减少一些定位、图像增强的算法，利用门槛绝对较低，也比拟容易做成通用的产品或工具。但缺点检测次要针对工业场景，不同的行业的需要和重点都有差异，这导致不同的行业所应用的缺点算法大同小异，这也注定了缺点检测被工业场景非标定制所解放。随着缺点检测要求的一直进步和技术的一直倒退，机器学习和深度学习也成了缺点畛域一个不可或缺的技术难点。

2、缺点检测目前解决方案

2.1 传统算法检测缺点

长处：可依据需要和图像进行不同需要的开发，可直观展现成果；
毛病：调试难度大，图像变动后会导致检测算法不稳固进而须要重复调参，而且简单缺点误检的概率较大，兼容性不好，很难做成通用成果。

2.2 机器学习检测缺点

个别应用相似 MLP 的一些单层神经网络，对缺点特色进行训练分类，该办法须要当时提取出缺点局部，个别用来与传统宰割法搭配应用，达到缺点检测分类的成果。

2.3 深度学习检测缺点

长处：通用性好，能够通过迭代训练模型一直晋升某个产品的检测准确度。
毛病：须要大量的数据样本（缺点样本），而且缺点品种越多，特征性越含糊，检测精度要求越高，其须要的缺点样本就越大，而且深度学习中的缺点样本须要人工去标注标签，样本越大，手动标注的工作量也越大，训练的周期也越长。只适宜产品产量大且缺点样本较多的案例。

2.4 深度学习检测缺点（迁徙学习办法）

其操作方法如 2.3，但同一行业或类似行业有大量的缺点样本库，如果深度训练网络具备泛化和迁徙的特点，能够在惯例缺点少的状况下，依据对立行业缺点进行迁徙学习训练，进而解决缺点样本少的问题。该办法我感觉会成为前面工业畛域检测瑕疵的一个大趋势，然而须要一些公司去收集各种行业的缺点类型图片和训练的网络模型，并共享进去，而后后来者能够应用迁徙学习的办法学习前人训练好的模型。而后一直的丰盛缺点样本和训练模型。

3、总结

目前机器视觉中缺点检测次要分为以下几种：

1 Blob 剖析 + 特征提取
2 模板匹配（定位）+ 查分
3 光度平面
4 特色训练
5 测量拟合
6 频域 + 空间域
7 深度学习

当前的笔记中再具体介绍各种缺点检测办法应用的场景和理论案例。