机器视觉
机器视觉是使用各种工业相机，结合传感器跟电气信号实现替代传统人工，完成对象识别、计数、测量、缺陷检测、引导定位与抓取等任务。其中工业品的缺陷检测极大的依赖人工完成，特别是传统的3C制造环节，产品缺陷检测依赖于人眼睛来发现与检测，不仅费时费力还面临人员成本与工作时间等因素的制约。使用机器视觉来实现产品缺陷检测，可以节约大量时间跟人员成本，实现生产过程的自动化与流水线作业。
缺陷检测
常见的工业品缺陷主要包括划痕、脏污、缺失、凹坑、裂纹等，这些依赖人工目检（眼睛检测）的缺陷都可以通过机器视觉的缺陷检测算法来实现替代。
当前工业缺陷检测算法目前主要分为两个方向，基于传统视觉的算法和基于深度学习的算法。
基于传统视觉的算法主要依靠对检测目标的特征进行量化，比如颜色，形状，长宽，角度，面积等。
好处是可解释性强、对样本数量没有要求、运行速度快。
缺点是依赖于固定的光照成像，稍有改动就要改写程序重新部署，而且检测规则和算法跟开发者经验密切相关。
基于深度学习的缺陷检测算法刚好能弥补前者的不足之处，能够很好适应不同的光照，更好地适配同类缺陷要求。
缺点是对样本数量有一定要求，对硬件配置相比传统也会有一定要求。
《OpenCV应用开发：入门、进阶与工程化实践》一书第十四 章 通过案例详细介绍基于OpenCV如何实现传统方式的缺陷检测跟基于深度学习的缺陷检测。
工业上常见缺陷检测方法
方法一：
基于简单二值图像分析实现划痕提取，效果如下：
方法二：
复杂背景下的图像缺陷分析，基于频域增强的方法实现缺陷检测，运行截图：
方法三：
复杂背景下的图像缺陷分析，基于空域增强实现图像缺陷分析，针对复杂背景的图像，通过空域滤波增强以后实现缺陷查找，运行截图如下：
方法四：
基于样品模板比对实现基于空域增强实现图像缺陷分析，通过二之分析与轮廓比对实现缺陷查找，运行截图如下：
方法五：
基于深度学习UNet模型网络，实现裂纹与划痕检测，运行截图如下：
方法六：
基于深度学习实例分割网络模型网络，实现细微缺陷检测，运行截图如下：
以上内容均来自最近出版的一本新书《OpenCV应用开发：入门、进阶与工程化实践》一书第十四章，分享给大家。
