工业产品表面瑕疵检测是产品质量检测中的重要部分，也是国内外研究人员共同关注和 研究的重点内容。近年来，随着机器视觉技术的发展成熟，将其应用于各工业产品表面瑕疵 检测的算法也不断被开发产生。其覆盖的范围包括钢铁等板材的检测[1][2][3]，晶片元件和 PCB 板的检测[4][5][6]，光学镜头透镜的检测[7][8]，桥梁、铁轨的检测维护[9][10]，纺织品检测[11][12]，瓷 砖检测[13]，果蔬检测[14]以及其他工农业产品的检测等。根据待检测产品表面的图案特征，我 们可将其主要分为两大类：周期性图案产品和非周期性图案产品。对于具有周期性图案的产 品，如带有纹理的纺织品，或者表面完全没有图案的产品如金属板材类产品等，通常将该类 问题视为纹理分析问题进行解决。2008 年，Xianghua Xie[11]对该类产品的瑕疵检测方法做了 一个系统的整理和总结。对于第二类更常见的，也就是不具备周期性图案的产品，检测方法 也被主要分为三类：基于机器学习的算法，基于局部异常的算法以及基于模板匹配的算法。 在基于机器学习的算法中，支持向量机(SVM)是一个常见的监督学习模型。Ghorai S[1]和 Jia[3]等人分别在各自的论文中提出了利用支持向量机实现的可以自动检测和定位瑕疵的视觉 检测系统。Liao[15]等人开发出了一套灵活的检测系统，该系统基于统计学习，可以高效地检 测 PCB 板上存在的各种瑕疵。2012 年，Sannen D[16]提出了使用多极信息融合进行瑕疵检测的方法。这些基于机器学习的算法充分的展现了人工智能的先进性，然而，为了不断提升系统 的性能，就要不断学习大量的数据，其计算量也随之增长。第二类算法是基于将瑕疵视为局 部异常的中心思想，从整体和局部的相关性来对瑕疵及其所在进行判断。Li Q 和 Ren S[10]提 出了一个“类迈克逊对比”(Michelson-like Contrast，MLC)的算法，该算法能够显著增强瑕疵 和背景之间的对比度，因此大大提高了瑕疵检测的准确性。对于局部异常，小波转换也是一 个常用的检测方法，2010 年 Yeh C H[4]以及 2013 年 Santanu Ghorai[1]都详细阐述了这种方法。 基于局部异常的方法的优势在于，它不需要去训练复杂、庞大的数据集，这就使得其计算量 较小。但是其缺点在于，可能会存在某些较为奇特的花纹或特征被误判为瑕疵，提高了误检 率。第三类算法是基于模板检测的思想。通过对比无瑕疵模板和有瑕疵样本来确定瑕疵及其 位置是最直观的检测方法。基于模板检测的算法也有多种。归一化互相关(NCC)被广泛应用 于视觉应用中，Tsai D M[17]和 Lewis J P[18]分别对传统的归一化互相关算法进行了改良，来有 效检测瑕疵。Tsai D M 和 Yang C H[19]提出了基于模板匹配的分位数图，该算法计算速度快， 且有较好的检测效果。当然，模板匹配也存在缺点，如果待检测样本图像不能够很好地和模 板对齐的话，检测效果会被严重影响。此外，也有研究人员提出了其他一些方法进行瑕疵检 测[14][20][21]，也有部分能够取得相对不错的效果。74311

2 机器视觉发展史及发展趋势

机器视觉的中心思想是通过一定技术使得计算机具备人眼的功能，但是不仅仅是人眼简 单地接收信息的功能，更重要的是，在接收到信息的基础上，计算机还能够像大脑一样，提 取信息，处理信息，利用信息。机器视觉技术接收和处理的信息量大，功能丰富，却能保持 高速计算，是一门包含了多个领域的交叉学科。现如今，机器视觉技术已经广泛应用于工业 生产中，带来了无可取代的经济效益。

机器视觉最初开始研究要追溯到 20 世纪 60 年代中期，美国学者 L。R。罗伯茨为了理解多 面体组成的积木世界，为人类打开了机器视觉新世界的大门。现在机器视觉中依然在应用的 技术如预处理、对象建模、匹配、边缘检测、轮廓线构成等，就是从当时开始发明并运用的。 后来，随着技术和需求的发展，机器视觉渐渐形成了几个研究分支：目标制导的图像处理、 图像处理和分析的并行算法、从二维图像中提取三维信息、序列图像分析和运动参量求值、 视觉知识的表示以及视觉系统的知识库等[22]。论文网