傳統算法處理裂縫的基本思路：

第一種思路

1.先轉換彩色圖為灰度圖
2.進行自適應局部閾值化，目的是為了減少光照與陰影對閾值的影響
3.進行膨脹操作，盡量放大凸顯裂縫，在用中值濾波平滑一下，去除一些高頻噪聲
4.進行腐蝕操作，讓輪廓枝干化，減少類似裂縫物體的干擾。
5.測量裂縫寬和高
代碼見：https://blog.csdn.net/freedom098/article/details/52774911/

第二種思路：

基于機器視覺的裂紋檢測與跟蹤
1.針對白亮的圖像，先結合原色先驗理論和去霧技術，增強裂紋特征，并對增強后的裂紋特征進行邊緣提取，分析比較亞像素邊緣檢測。
https://blog.csdn.net/qq_16481211/article/details/79963651

第三種思路

形態學梯度(形態學邊緣提取)
https://blog.csdn.net/wenhao_ir/article/details/51888042

CPP代碼

1.標裂縫長寬–裂縫的檢測與測量
處理流程如下：
圖像灰度化
增加對比度
Canny邊緣檢測
用形態學連接臨近裂縫
找出所有連通域，刪除非裂縫噪點區域
對每個連通域提取骨架，測量長度和寬度
https://blog.csdn.net/m0_37350758/article/details/89413655
2.處理簡單裂縫：
https://blog.csdn.net/qq_16481211/article/details/79963651
3.找輪廓并畫缺陷
https://blog.csdn.net/hechaoqi09/article/details/84862938
4.sobel算子與scharr算子
canny算子不保證邊緣連續，而且無法給出直線劃分，但卻給我們一個分析問題的方向。以下思路是在canny算子的基礎上進行的。對于比較直，但長度粗細不定，有些地方非常微弱，斷斷續續的直線，可能是個好方向，此處記錄一下。
https://blog.csdn.net/weixin_34068198/article/details/91306309
5.基于OpenCv的金屬表面劃痕檢測
https://blog.csdn.net/guoruijiushiwo/article/details/77412617
6.圓環零件檢測，劃痕檢測
https://blog.csdn.net/weixin_44076038/article/details/87723386
7.凹點檢測研究
https://blog.csdn.net/u014003644/article/details/80288830

halcon代碼

1…缺陷檢測之高紋理圖像檢測
https://blog.csdn.net/y363703390/article/details/82424988
2.缺陷檢測之劃傷檢測
https://blog.csdn.net/y363703390/article/details/82454045
3.處理金屬表面凹坑
https://blog.csdn.net/Bamboo265925/article/details/85252042

python代碼

1.尋找相似的灰度值來找到可能存在的裂縫
https://blog.csdn.net/cywtiancai/article/details/80601407
2.python處理缺陷圖像，返回缺陷面積
https://blog.csdn.net/qq_19656669/article/details/79963347
3.圓口缺陷檢測，通過面積的差別判斷圓口是否是規范圓
https://blog.csdn.net/renegade_m/article/details/82292313

Matlab代碼

1.對鋼板表面缺陷檢測：幾何校正、分割、填充紅色、計算面積
https://blog.csdn.net/qq_41385719/article/details/80273946

深度學習缺陷檢測

1.結合GAN生成多樣性裂縫，提高數據多樣性和均衡性
https://blog.csdn.net/c2a2o2/article/details/85111283
2.SSD深度學習模型對工件裂紋進行檢測
https://blog.csdn.net/qq_29462849/article/details/83472430
3.基于yolov3的鐵軌缺陷/裂紋檢測
https://blog.csdn.net/qq_29462849/article/details/84772263
4.tiny YOLO v3做缺陷檢測實戰
https://blog.csdn.net/qq_27871973/article/details/85009026
5.手機屏缺陷檢測《Scale insensitive and focus driven mobile screen defect detection in industry》
https://blog.csdn.net/qq_27871973/article/details/83345023
細節和技巧：
1).將放縮后的不同尺寸的圖像輸入AlexNet網絡，看各個網絡層的feature map激活情況
2).最后作者將一個原始圖像分成多個模塊進行特征提取，然后將提取的特征輸入RNN網絡進行判別
3).作者在實驗中，使用了簡單的數據擴充方法對樣本進行擴充。不過對于顯示屏檢測這個領域有些缺陷很明顯，有的缺陷真的是肉眼都難以分辨，通過微妙的色調變換，就構成了缺陷.
6.深度學習實現工業零件的缺陷檢測
https://blog.csdn.net/qq_29462849/article/details/82662928
細節和技巧：
1).對工業缺陷零件來說，由于特征不是太明顯，往往只是一小塊，在選擇網絡的時候，要考慮把淺層特征和深度特征進行融合，這樣的話就不會造成主要特征丟失。關于網絡，推薦使用ResNet、DenseNet、InceptionResNetV2這些，經過自己的測試，DenseNet效果要更好些，深度在22層左右。
2).可以選取不同的數據（數據最好不要完全相同）訓練幾個不同的模型，比如訓練出三個模型分別對應：ResNet、DenseNet、InceptionResNetV2。訓練完成后，把這三個模型的全連接層去掉，只用這三個模型的卷積層進行特征提取，然后把提取的特征進行拼接，可以在channel方向上（此時要求feature map的w和h必須相同），也可以在對應位置上進行特征相加（點加）。然后把這些特征進行匯總，重新建立三個網絡，每個網絡模型分別對應訓練好的三個模型，提取訓練好模型的參數，賦給新的模型，然后建立全連接層，這個時候只有一個全連接層。在訓練的時候，新的網絡只用來做特征提取，卷積層的參數不做訓練，把這些網絡參數凍結，只更新全連接層。
3).對于2中的特征融合，還有一種方法就是：用三個訓練好的模型進行特征提取，然后建立一個mlp多層感知機類型的網絡。訓練好的模型去掉全連接層，只保存卷積層，做特征提取，并把產生的特征進行拼接，訓練時只對全連接層進行更新。
如果整個場景圖像特別大，缺陷特征比較局部化，對圖像進行卷積操作后，特征基本上不存在，這時可以考慮把場景圖像進行切分，比如一個場景圖像被切分成四份，可以橫向切分，也可以縱向切分。然后需要自己去做數據，賦以標簽。在做數據上可能要花點時間，不過效果還不錯。在預測的時候，只要場景圖像的四個子圖像有一個是缺陷圖像，就認為其是缺陷圖像。這在一定程度上避免了特征過于局部化。
4).Focal Loss：用來解決數據不均衡問題。