[Halcon学习笔记]机器视觉缺陷检测常用方法对比总结

1、介绍
缺陷检测时机器视觉需求中最复杂难度较的一类需求。

究其原因，主要在发过程中首先要保证检测的稳定性和精度，又要实现缺陷检测的通用性，常见的缺陷：凹凸、污瑕疵、划痕、裂缝、伤痕、毛刺等等类型种类繁杂，缺陷检测不同于尺寸、、OCR识别等算法。

后者的应用场景比较单一，基本使用一些成熟的算法实现，最
多增加一些定位、图像增强的算法，应用门槛相对较低，也比较容易成通用的产品或工具。

但缺陷检测主要针对工业场景，不同的行业的需求和重都有差别，这导致不同的行业所使用的缺陷算法迥然不同，这也注定了缺陷检测被工业场景非标定制所束缚。

随着缺陷检测要求的不断提高和技术的不断发展，机器学习和深度学习也成了缺陷领域一个不可或缺的技术难。

2、缺陷检测目前解决方案
2.1 传统算法检测缺陷
优：可根据需求和图像进行不同需求的发，可直观展示；
缺：调试难度，图像变化后会导致检测算法不稳定进而需要反复调参，而且复杂缺陷误检的概率较，兼容性不好，很难成通用。

2.2 机器学习检测缺陷
一般使用类似MLP的一些单层神经网络，对缺陷特征进行训练分类，该方法需要
事先提取出缺陷部分，一般用来与传统分割法搭配使用，达到缺陷检测分类的。

2.3 深度学习检测缺陷
优：通用性好，可以通过迭代训练模型不断提升某个产品的检测准确度。

缺：需要量的数据样本（缺陷样本），而且缺陷种类越多，特征性越模糊，检测精度要求越高，其需要的缺陷样本就越，而且深度学习中的缺陷样本需要人工去标注标签，样本越，手动标注的工作量也越，训练的周期也越长。

只适合产品产量且缺陷样本较多的案例。

2.4 深度学习检测缺陷（迁移学习方法）
其操作方法如2.3，但同一行业或相似行业有量的缺陷样本库，如果深度训练网络
具有泛化和迁移的特，可以在常规缺陷少的情况下，根据统一行业缺陷进行迁移学习训练，进而解决缺陷样本少的问题。

该方法感觉会成为后面工业领域检测瑕疵的一个趋势，但需要一些去收集各种行业的缺陷类型图片和训练的网络模型，并共享
出来，然后后来者可以使用迁移学习的方法学习前人训练好的模型。

然后不断的丰富缺陷样本和训练模型。

3、总结
目前机器视觉中缺陷检测主要分为以下几种：
1 Blob分析+特征提取
2 模板匹配（定位）+查分
3 光度立体
4 特征训练
5 测量拟合
6 频域+空间域
7 深度学习
以后的笔记中再详细介绍各种缺陷检测方法使用的场景和实际案例。