随着计算机视觉理论的不断完善，国内外的专家学者对计算机视觉检测技术越来越重视。机器视觉技术测量准确度较高，并且对很大范围的光谱都适用，从而检测的结果相对可靠。在上个世纪五十年代，机器视觉开始于统计识别模式，这主要用于二维图像的分析识别和理解。在之后的二十年时间里，机器视觉主要处于不停的探索和实践期，在此期间机器视觉发展较为缓慢。而随后在七十年代后，国外的专家开始着重研究这方面的检测技术，这时机器视觉才迅速的开始发展起来，而上个世纪九十年代，国内的专家学者也开始研究缺陷检测的相关技术。机器视觉主要是利用计算机来仿真人类视觉或是再现人类视觉的智能行为，从客观事物的图像中提取特征信息，并对这些特征信息进行特定的数学分析，最终实现我们需要的检测等功能[12]。美国机器人工业协会（RIA）的自动化视觉分会和美国制造工程师协会（SME）对视觉机器的定义是：机器视觉是通过光学装置及非接触传感器进行自动的接收和处理图像，继而获得我们所需要的信息，或者将其用于控制机器人运动的系统。83128

1 国外发展现状 

对于国外的发展现状，从1980年开始，国外的专家学者就已经开始在各个领域产品的表面缺陷检测应用机器视觉技术。1980年，Y。Y。Hsieh,K。S。Fu等[13]构想将集成电路芯片的图像分割、提取，然后通过配准将图像转换成编码图像来进行缺陷检测。随后，日本学者Yoshikuni Okawa[14]向我们展示了一种基于机器视觉检测铸件表面缺陷的方法。Youngjoo，Jeongjin[[]5]等人提出了一种基于四叉树分解图像的方法用来对半导体扫描显微镜(SEM)图像进行缺陷检测，该方法首先对检测图像进行分割、滤波等预处理操作，根据图像预处理的效果对分割好的区域进行分类并给予一定的权值，最终计算整个区域的权重是否超过一定的阈值，以此来判断是否有缺陷。Nand,G。K[16]等人提出了一种基熵分割的钢表面缺陷检测系统，该方法在对图像进行预处理后主要采用阈值分割的方法来进行检测。美国学者Zhiqing Wen等[17]描述了一种基于规则的用于苹果分类和包装线上的缺陷检测的视觉检测系统，这可以十分迅速的从水果表面中提取出缺陷区域。Ngan, H。Y。T[18]等人提出一种基于图案主题学习的方法来检测纺织品图案是否存在缺陷，该方法的关键是在能量空间中利用一种训练学习的方式得出好的图案与存在缺陷的图案的一个边界值，再通过这个边界值来判断缺陷是否存在。印度学者Rajalingappaa[19]使用CCD相机等设备，通过对比大量的分割算法、提取图像特征、进行图像配准等对油水分离罐表面的缺陷实现自动分类。Tae-Hyeon Kim等[20]完成了对PCB上焊点的实时检测，该方法结合神经网络和贝叶斯分类检测器成功检测出各个不同类型的焊点，并有相对较高的识别率和实时性。论文网

2 国内发展现状 

而对于国内的发展现状，国内在产品表面缺陷检测上应用机器视觉技术的时间比国外足足晚了十多年，但随着计算机技术的不断发展，国内各个行业的基于机器视觉的产品缺陷检测技术都开始慢慢广泛地步入发展的轨道，国内各个领域的专家学者也开始从事这一方面的研究，从而使得该技术不断的发展和改进。

1991年，先武等[21]提出了多段平均法、二次背景处理法和局部算子处理法三种图像处理算法来检测轴承滚子的表面缺陷。之后王斌等[22]提出了将机器视觉用于带钢表面重皮缺陷的检测，并且检测精度和检测准确率相比于之前的技术大大提高。胡涛[23]等人提出了一种基于轮廓对比的PCB板的缺陷检测系统，主要是利用角点进行图像配准，然后由游程连通分析获取图像轮廓，最后与标准图像进行比对。王剑平等[24]提出了一种齿轮缺陷检测的系统，首先对原始图像进行灰度校正、去噪、二值化和形态学等图像处理方式，再进一步提取图像特征信息，从而判断齿轮是否存在缺陷。刘海娟[25]等人提出了一种适用于印刷品缺陷的检测系统，主要是结合形态学与霍夫变换对图像进行配准，然后利用灰度相似度匹配实现缺陷检测。郭强生等[26]等完成了在贴装过程中芯片自动识别检测的功能，他们成功运用图像处理和模式识别技术，经过固定阈值分割、图像投影、像素统计、区域生长、边界坐标提取、模板匹配等方法，最终实现了对芯片特定缺陷的检测。梁伟建等[27]提出了一种智能电表外观缺陷检测系统，成功实现了对智能电表LCD屏、标牌字符、LED指示灯、条码等缺陷的检测，检测准确率高，在实际生产中运用非常广泛。张兴兰[28]提出了一种包装缺陷检测的方法，首先用Canny算法对包装进行边缘检测，在快速获得其包装外观的图像特征参数后，我们可以分析出包装外观的缺陷，从而达到实时检测的目的。 表面缺陷检测应用机器视觉技术国内外研究现状:http://www.youerw.com/yanjiu/lunwen_97799.html