《机器视觉表面缺陷检测综述》论文解读
最近在搞工业检测的项目，看到一篇表面缺陷检测的综述文章。论文发表在《中国图像图形学报》，介绍的较为全面，对主要内容作了摘抄和整理，分享给大家
0.引言
美国机器人工业协会(ＲIA)对机器视觉下的定义为:“机器视觉是通过光学的装置和非接触的传感器自动地接收和处理一个真实物体的图像，以获得所需信息或用于控制机器人运动的装置”。
机器视觉检测系统通过适当的光源和图像传感器(CCD 摄像机)获取产品的表面图像，利用相应的图像处理算法提取图像的特征信息，然后根据特征信息进行表面缺陷的定位、识别、分级等判别和统计、存储、查询等操作。
视觉表面缺陷检测系统基本组成主要包括
- 图像获取模块
- 图像处理模块
- 图像分析模块
- 数据管理及
- 人机接口模块
由光源构成的照明系统按其照射方法可分为明场照明与暗场照明、结构光照明与频闪光照明。
- 明场照明指相机直接接收光源在目标上的反射光，一般相机与光源异侧分布，这种方式便于安装;
- 暗场照明指相机间接接收光源在目标上的散射光，一般相机与光源同侧分布，它的优点是能获得高对比度的图像。
- 结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的 3 维信息。
- 频闪光照明是将高频率的光脉冲照射到物体上，摄像机拍摄要求与光源同步。
图像处理模块主要涉及图像去噪、图像增强与复原、缺陷的检测和目标分割。
图像分析模块主要涉及特征提取、特征选择和图像识别。
1.研究现状、视觉软件系统和研究平台
1.1研究现状
机器视觉在金属(特别是钢板)表面、纸张等印刷品、纺织品、磁砖、玻璃、木材等表面缺陷检测国内外有较多的研究成果，不乏成功应用系统和案例。
只能说具体问题具体分析，每个的补光方式和特征选取都不同。
1.2视觉软件系统
介绍了HALCON、HexSight、Vision Pro、LEADTOOLS 等软件，halcon还是最牛的吧。
1.3视觉硬件平台
提高图像处理速度主要有两种手段，一是改善和优化图像处理算法，算法既要简单快速，又要兼顾实际效果;二是改善和优化实现算法的手段。优化算法或者换更牛的计算平台
2.表面缺陷检测图像处理和分析算法
2.1图像预处理算法
这个预处理，主要就是降噪。
工业现场采集的图像通常包含噪声，图像预处理主要目的是减少噪声，改善图像的质量，使之更适合人眼的观察或机器的处理。
用到的方法主要包含空域方法和频域方法。
2.2图像分割算法
它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分为基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。
- 经典的边缘检测算法一般采用微分的方法进行计算，常用的一阶微分边缘检测算子有 Robert 算子、Sobel 算子、Prewitt 算子、Kirsch 算子等几种。一阶微分算子方法计算简便、速度快，但定位不准确。
- 二阶微分算子主要有 Canny 算子、Log算子、Laplacian 算子，这类算子基于一阶导数的局部最大值对应二阶导数的零交叉点这一性质，通过寻找图像灰度的二阶导数的零交叉点从而定位边缘。二阶微分算子方法边缘定位准确，但对噪声敏感。
图像分割算法大都是针对具体问题所提出的，虽然每年都有新的图像分割算法提出，但是并没有一种通用的算法能适用于所有的图像分割处理。
2.3特征提取及其选择算法
目前常用的图像特征主要有纹理特征、颜色特征、形状特征等。
2.3.1纹理特征提取
根据 Tuceryan 和 Jain 的分类，基于的纹理特征提取方法有统计法、信号分析法、模型法、结构法和几何法。
统计法。统计方法将纹理看用随机现象，从统计学的角度来分析随机变量的分布，从而实现对图像纹理的描述。
直方图特征是最简单的统计特征，但它只反映了图像灰度出现的概率，没有反映像素的空间分布信息;灰度共生矩(GLCM)是基于像素的空间分布信息的常用统计方法;局部二值模式(LBP)具有旋转不变性和多尺度性、计算简单;
信号处理法 。将图像当作 2 维分布的信号，从而可从信号滤波器设计的角度对纹理进行分析。
信号处理方法也称滤波方法，即用某种线性变换、滤波器(组)将纹理转到变换域，然后应用相应的能量准则提取纹理特征。基于信号处理的方法主要有傅里叶变换、Gabor 滤波器、小波变换、Laws 纹理、LBP纹理等。
结构法。结构法是建立在纹理基元理论基础上的，认为复杂的纹理是由一些在空间中重复出现的最小模式即纹理基元执照一定的规律排列组成。
基元的特征参数有面积、周长、离心率、矩量等，结构参数则由基元之间的排列规律确定;基元的排列规则是基元的中心坐标及基元之间的空间拓扑关系，可从基元之间的模型几何中得到，也可以通过基元之间的相位、距离等统计特征中得到，较复杂的情况可以用句法分析、数学形态学等方法。
模型法。模型法以图像的构造模型为基础，采用模型参数的统计量作为纹理特征，不同的纹理在某种假设下表现为模型参数取值的不同，如何采用优化参数估计的方法进行参数估计是模型法研究的主要内容。
典型的模型法有马尔可夫随机场(MＲF)模型、分形模型和自回归模型等。
2.3.2形状特征提取
在2维图像中，形状通常被认为是一条封闭的轮廓曲线所包围的区域。
对形状特征的描述主要可以分为基于轮廓形状与基于区域形状两类，区分方法在于形状特征仅从轮廓中提取还是从整个形状区域中提取。
1)基于区域的形状特征。基于区域的形状特征是利用区域内的所有像素集合起来获得用以描述目标轮廓所包围的区域性质的参数。这些参数既可以是几何参数，也可以是密度参数，还可以是区域 2维变换系数或傅里叶变换的能量谱。基于区域的形状特征主要有几何特征、拓扑结构特征、矩特征等。
2)基于轮廓的形状特征。基于轮廓的形状描述符是对包围目标区域的轮廓的描述，主要有边界特征法(边界形状数、边界矩等)、简单几何特征(如周长、半径、曲率、边缘夹角)、基于变换域(如傅里叶描述符、小波描述符)、曲率尺度空间(CSS)、数学形态学、霍夫变换、小波描述符等方法。
2.3.3颜色特征提取
颜色模型主要有 HSV、ＲGB、HSI、CHL、LAB、CMY 等。
- 颜色直方图。颜色直方图(color histogram)是最常用的表达颜色特征的方法，它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例。
- 颜色集。颜色集是对颜色直方图的一种近似，首先将图像从 ＲGB颜色空间转化成视觉均衡的颜色空间(如 HSV 空间)，并将颜色空间量化成若干个柄bin)。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。
- 颜色矩。图像中任何的颜色分布均可以用它的矩来表示。由于颜色分布信息主要集中在低阶颜色矩中，因此仅采用颜色的一阶中心矩、二阶中心矩和三阶中心矩就可以表达图像的颜色特征，它们分别表示图像的平均颜色、标准方差和三次根非对称性。
- 颜色聚合向量。其核心思想是:将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。
2.3.4特征的选择
特征选择的方法包括:主成分分析法(PCA)、独立成分分析法 ( ICA)、Fisher 分析法(FDA)、相关分析法(CFS)、自组织映射法(SOM)、Ｒelief 法、遗传算法、模拟退火法、Tabu搜索法及基于流行的非线性降维方法等。
2.4表面缺陷目标识别算法
统计模式识别(statistical pattern recognition)和句法(结构)模式识别(syntactic pattern recognition)是两种基本的模式识别方法。
统计模式识别按其实现方式又分为有监督学习的模式识别和无监督学习的模式识别。
监督模式识别主要有基于概率统计的分类器、线性分类器、人工神经网络分类器和支持向量机等。
无监督学习的模式识别的训练样本没有类别标签，主要以聚类分组来揭示模式结构，也称聚类。主要的聚类算法可以划分为如下几类:划分方法、层次方法、密度方法、网格方法以及模型方法。
3.主要问题和发展趋势
没什么特别需要记录的点
论文下载地址https://download.csdn.net/download/pzb19841116/16593404?spm=1001.2014.3001.5501