工業缺陷檢測的計算機視覺方法總結

傳統方法

特征提取方式：

• 顏色：基于HSV/RGB空間分析，如顏色直方圖、顏色矩等
• 紋理：采用LBP、Haar、Gabor濾波器等算子提取紋理模式
• 形狀：基于Hu矩、Zernike矩等數學描述符刻畫幾何特性
• 尺寸：通過連通域分析計算物體像素面積、周長等參數

典型處理流程：

1. 手動設計特征提取算法
2. 建立規則分類器（如SVM、決策樹）
3. 基于閾值分割目標區域

深度學習方法

核心特點：

• 端到端學習：自動提取多層次特征（低層邊緣→高層語義）
• 數據驅動：模型性能依賴標注數據規模和質量
• 通用性強：同一架構可適配不同任務

關鍵技術：

• 卷積神經網絡（CNN）的特征提取機制
• 注意力機制增強關鍵特征

常用方法

1. 二值處理

將圖像轉換為黑白二值圖像的過程，通過設定閾值將灰度圖像分成前景和背景兩部分，突出關注點。
實現方式：

• 全局閾值法（Otsu算法等）
• 局部自適應閾值
• 形態學操作優化（膨脹/腐蝕）

應用場景：

• 文檔圖像處理
• 簡單物體分割

2. 頻域/空域增強+閾值+濾波+邊緣檢測

結合頻域變換（如傅里葉變換）和空域操作（如直方圖均衡化）的圖像增強技術，配合邊緣檢測算子提取特征。
處理步驟：

1. 頻域變換（傅里葉/小波變換去噪）
2. 空域增強（直方圖均衡化）
3. 邊緣檢測（Canny/Sobel算子）

技術優勢：

• 計算效率高
• 適合規則紋理目標

局限性：

• 對閾值敏感，一般都要添加閾值的自適應方法

3. 模板匹配

通過滑動窗口在圖像中搜索與預定模板最相似的區域，采用相似度度量（如歸一化互相關）進行比對。適用于已知目標形態且變化較小的定位場景。

局限性：

• 對形變敏感
• 計算復雜度高

4. 實例分割

實例分割技術能夠精確識別并定位缺陷區域，其中UNet擅長處理小樣本醫療和工業圖像，而Mask R-CNN則適用于復雜場景的多目標檢測任務，兩者通過不同的網絡架構實現高精度缺陷分割。

特征	UNet	Mask R-CNN
架構設計	對稱編碼器-解碼器結構	兩階段檢測框架（RPN+ROI）
核心優勢	跳躍連接保留細節特征	ROI Align提升定位精度
訓練數據	小樣本表現優異（100+圖像）	需要較大訓練集（1000+圖像）
輸出結果	直接輸出分割掩膜	同時輸出檢測框和分割掩膜
應用場景	簡單工業缺陷	復雜工業場景多缺陷檢測
推理速度	較快（~15 FPS）	較慢（~5 FPS）

適用建議：

• 選擇UNet的情況：小樣本、高分辨率、需要保留細節特征的缺陷檢測
• 選擇Mask R-CNN的情況：多類別、多實例、需要同時獲取位置信息的復雜質檢場景