基于机器视觉的缺陷检测方法目前，基于机器视觉的表面缺陷方法主要分为基于图像处理的缺陷检测方法和基于机器学习的缺陷检测方法。两种方法具体介绍如下。

1、基于图像处理的缺陷检测

基于图像处理的缺陷检测主要分为图像预处理和缺陷检测两个部分，图像预处理包括图像去噪和图像分割等算法，是缺陷检测的前期工作，缺陷检测部分主要利用图像特征提取或模板匹配算法完成对缺陷的检测。

图像特征提取的目的是研究在图像的众多特征中提取有用特征，其基本思想是使特征目标在图像的子空间中在同一类内具有较小的类内聚散度，在不同类内具有较大的类间聚散度，它可以理解为图像从高维空间信息到低维特征空间的映射。特征提取是表面缺陷检测的关键环节，特征提取的精度对后续特征点匹配精度、模板匹配精度、计算的复杂度等方面均有影响。目前常用特征提取的方法主要有基于纹理的特征提取、基于颜色的特征和基于形状的特征提取等。

模板匹配的任务就是研究某一特定对象物体的图案或轮廓位于图像的什么地方，进而识别对象物体，匹配的精度是决定缺陷检测精度的重要因素之一。基于元素的匹配方法、基于灰度信息的匹配方法和基于形状的匹配方法是图像模板匹配中常用的３种方法，一般在表面缺陷检测中常用基于形状的匹配方法对表面缺陷进行检测，具体过程为：首先确定所检测的目标区域，将目标区域与背景区域分离，然后定义目标区域一个标准图像，创建参考模板，最后将需要测试的图像放入模型与标准模板进行匹配，通过参考模板与测试模板的匹配结果对缺陷进行识别分类。

基于图像处理缺陷检测的方法已经在工业检测环节得到了应用实践，例如，利用多模板匹配的方法对印刷品表面检测，检测精度可达０．１mm，检测速度小于１s;使用形状模板匹配对冲压件进行检测，单张图像的匹配时间为３6．５７ms，单个工件的平均缺陷检测时间为１6５．２6ms，具有较好的鲁棒性;图像处理算法进行了改进，有效解决了带钢表面的缺陷检测问题。

2、基于机器学习的缺陷检测

在基于机器学习的缺陷检测中通常使用支持向量机（suｐｐoｒｔvecｔoｒmａcｈine，SＶＭ)或决策树（decisionｔｒee)对样本缺陷进行分类，SＶＭ是１９９５年Ｖａｐnik[３１]根据统计学习理论提出的一种二分类模型，其模型定义为在特征空间上间隔最大的线性分类器，基本思想是在正确划分训练数据集的同时分离出间隔最大的超平面。SＶＭ采用的是结构风险最小化原理，通过将数据样本上特征点所在的低维输入空间映射到高维的特征空间，达到线性或线性近似分类的目的。

SＶＭ是机器学习中广泛应用的一种算法，在解决小样本、模式识别等问题中表现出独特的优势，具有良好的有效性和鲁棒性，目前已在表面缺陷检测上有成功的应用。朱勇建等利用SＶＭ对太阳能网版缺陷进行检测分类，经实验验证，该方法缺陷检测的准确率可达９５%，单幅图像的检测时间为４．１４s;刘磊等针对太阳能电池片常见的几种缺陷，设计了SＶＭ分类器对缺陷进行检测，缺陷识别率达９０%以上。

决策树是机器学习中一种常用的分类算法，它可以从有特征和标签的数据中总结出决策规则，并以树形结构的形式来呈现这些规则。一棵决策树由分支节点和叶节点两部分组成，分支节点为树的结构，叶节点为树的输出，在训练时，决策树会根据某个指标将训练集分割成若干个子集，并在不断产生的子集中进行递归分割，当训练子集里所有指标相同时递归结束。目前，决策树由于其速度优势，已经成为工业领域解决实际问题的重要工具之一。郭朝伟等利用决策树分类器对柱状二极管表面缺陷进行检测，取得了较好的缺陷识别和分类效果;徐凤云使用决策树算法对钢材表面常见缺陷进行了检测，缺陷平均检测率可达９6．6%。