SCHNOKA施努卡：基于机器视觉的表面缺陷检测方法有哪些

施努卡（SCHNOKA）成立于2010年，先后在上海，苏州及武汉建立了分公司。国家高新技术企业，致力于打造面向智能产线与智慧工厂最强控制大脑的高科技公司。公司围绕感知&识别核心技术构建智能装备，基于机器人视觉算法与单机器人工作站、多机器人群体共融、行业定制化应用。打造产品体系，面向智能生产线、智慧物流等场景实现软件定义智能。

SCHNOKA （施努卡）在3D机器视觉算法、机器人柔性控制、手眼协同融合、产线级机器人协同、工厂级智能规划与调度等方面均由领先技术和行业落地应用，在汽车工业智能分拣产线、大尺寸高精度三维量测、大场景物流搬运机器人智能分拣等方面有丰富的项目经验。

SCHNOKA（施努卡）的多个核心产品汽车工业标杆生产线、锂电新能源灯塔工厂、工程机械智慧工厂、智慧物流等多个领域多个场景应用落地。已经和百亚国际、稳健医疗、米老头集团、维达纸业、一汽大众、上汽大众、沃尔沃汽车、奇瑞捷豹路虎、吉利汽车、长安汽车、上汽通用五菱、长城蜂巢新能源、三一重工、中航工业沈飞、中隧集团、西门子高压开关、中国中车、ABB（中国）等国内外知名企业建立了良好的伙伴合作关系，获得头部客户广泛好评

基于机器视觉的表面缺陷检测技术在理论研究和工业实际应用中均取得了满意的成果，但现阶段仍存在以下问题和难点。
（1）在图像采集阶段，受光照条件、现场环境、拍摄角度和距离等因素的影响，被检测物体的表观特征会产生变化，对检测精度产生一定的影响，同时，噪声的干扰以及被检测物体的部分遮挡也会影响到图像的质量，降低系统的检测性能。如何提高图像采集的质量，最大程度上降低外界因素的干扰是需要解决的问题之一。
（2）传统机器视觉的缺陷检测方法依赖于特征模板的选择及提取，特征提取的好坏对整体检测系统的检测精度及性能有着决定性作用，同时传统机器视觉的检测方法需要人工提取特征信息，不具有自动提取全部有用特征信息的能力。如何参考模板精度，降低特征提取的复杂性与不确定性仍是值得进一步研究的问题。
（3）虽然机器视觉检测在工业生产中已经取得了较好的检测效果，但是在实际图像采集过程中，真实的缺陷数据较少，且表面缺陷种类繁多，形式多样，缺陷特征的提取效率较低，同时，模型对新产生的缺陷类型不能进行正确识别，不足以利用深度学习的方法进行训练。如何获取足够的缺陷样本，保证在实际应用中的准确率是未来的研究方向之一。
（4）从缺陷检测的准确性和实时性方面来看，尽管机器视觉检测的一系列算法不断更新，但检测效率与检测的准确率与实际生产的需求还具有一定的差距。如何解决特征的精确提取，提高检测系统的准确性与实时性仍是现阶段需要考虑的问题。

未来发展趋势
目前，机器视觉技术已经在医学、交通航海、工业生产等领域有了突破性进展，基于机器视觉的表面缺陷检测必将是未来的发展趋势，具体表现为以下两个方面。
（1）目前基于机器视觉的缺陷检测方法主要是对工业相机获取的二位图像进行检测，检测的对象是物体的表面缺陷，而二维图像的视野信息比较单一，无法进行产品各方位视野信息的表达。如何通过多个工业相机对被检测物体进行三维建模，获得检测目标的空间信息，提高缺陷检测系统性能已是未来的一个重要发展趋势。
（2）机器视觉缺陷检测方法目前还处于理论研究阶段，在实际应用中仍达不到现代化工业生产中精准化和智能化的要求，利用机器视觉技术设计产品的分拣装置，结合机械臂对缺陷产品进行分类剔除，建立一套全自动化的生产线，是未来工业生产的大势所趋。