机器视觉外观缺陷检测的未来发展趋势是怎样的

机器视觉的外观缺陷检测将是未来研究和发展的主要方向，目前，基于机器视觉的外观缺陷检测理论研究和实际应用等环节均有可喜的成果，但仍存在下面主要的问题和难点：

一、 受环境、光照、生产工艺和噪声等多重因素影响，检测系统的信噪比一般较低，微弱信号难以检出或不能与噪声有效区分。如何构建稳定、可靠、鲁棒的检测系统，以适应光照变化、噪声以及其他外界不良环境的干扰，是要解决的问题之一。

二、 由于检测对象多样、表面缺陷种类繁多、形态多样、复杂背景，对于众多缺陷类型产生的机理以及其外在表现形式之间的关系尚不明确，致使对缺陷的描述不充分，缺陷的特征提取有效性不高，缺陷目标分割困难;同时，很难找到“标准”图像作为参照，这给缺陷的检测和分类带来困难，造成识别率尚有待提高。

三、 机器视觉外观缺陷检测，特别是在线检测，其特点是数据量庞大、冗余信息多、特征空间维度高，同时考虑到真正的机器视觉面对的对象和问题的多样性，从海量数据中提取有限缺陷信息的算法能力不足，实时性不高。

四、 与机器视觉外观检测密切相关的人工智能理论虽然得到了很大的发展，但如何模拟人类大脑的信息处理功能去构建智能机器视觉系统还需要理论上的进一步研究，如何更好的基于生物视觉认识、指导机器视觉得检测也是研究人员的难点之一。

五、 从机器视觉外观检测的准确性方面来看，尽管一系列优秀的算法不断出现，但在实际应用中准确率仍然与满足实际应用的需求尚有一定差距，如何解决准确识别与模糊特征之间、实时性与准确性之间的矛盾仍然是目前的难点。

随着计算机技术、信息技术、电子技术、传感器技术和仿生技术等的发展，机器视觉检测方法也必将得到迅速的发展。技术和市场需求等因素决定了机器视觉外观缺陷检测的发展趋势为：

一、 MARR理论对计算机视觉发挥了巨大作用，其核心是将视觉理解为3D重建的过程。但是，从3D场景到2D图像是一个多对一的映射，在映射的过程中损失了深度信息;灰度是对场景的惟一的测量值，诸如光照、材料特性、朝向和距离等信息都无法反映;成像中由于噪声及环境等因素的干扰，都会使图像产生失真。为此，需要研究视觉检测新理论和新方法，如发展主动视觉、增强视觉系统的智能学习能力等。

二、 从生物视觉得到启发，吸收来自心理学、生理学等其他学科中生物视觉的最新研究成果，基于生物视觉机制为视觉检测提供研究新思路，模仿生物视觉多尺度、层次性的视觉特点，结合视觉任务，引入先验高级知识的指导，同时将机器视觉、机器听觉、机器嗅觉、机器触觉等多信息相互融合，突破单一视觉信息的局限性，也将成为机器视觉检测的发展方向之一。

三、 研究更具鲁棒性的图像处理和分析算法，提高图像处理的有效性和和执行效率，降低算法的复杂度，提高识别的准确性。在在线检测系统中，要特别注重实时性，视觉本身具有内在的并行性，为此，还在要理论、算法和技术等多方面研究视觉并行计算，提高视觉计算的速度。同时，进一步研究算法性能的评价方法，以对算法的效率和性能作了科学、准确的刻化和评价。

四、 研究完整3维场景重建方法。现有3维场景重建理论和算法基本都局限于对目标“可视”部分的重构，如果用Marr视觉计算理论来说，还主要停留在2.5维表达上，这种表达仅提供了物体可见轮廓以内的3维信息。如何恢复物体完整表面的信息，即包括物体表面不可见部分，是一个复杂但也亟待解决的问题。

五、 采用统一而开放的标准，构建标准化、一体化和通用化的解决方案，标准化与个性化的进一步统一，研发可靠性高、维护性好、便于不断完善和升级换代、网络化、自动化和智能化更高的机器视觉系统是今后的发展趋势。

综上，机器视觉系统的研究和应用范围涵盖了工业、农业、医药、军事、交通和安全等国民经济的各个领域，基于机器视觉的产品表面质量检测在现代自动化生产中得到了越来越多的重视和应用。

机器视觉外观缺陷检测系统中，图像处理和分析算法是重要的内容，通常的流程包括图像的预处理、目标区域的分割、特征提取和选择及缺陷的识别分类。每个处理流程都出现了大量的算法，这些算法各有优缺点和其适应范围。如何提高算法的准确性、执行效率、实时性和鲁棒性，一直是研究者们努力的方向。

机器视觉外观缺陷检测比较复杂，涉及众多学科和理论，机器视觉是对人类视觉的模拟，但是目前对人的视觉机制尚不清楚，尽管每一个正常人都是“视觉专家”，但难以用计算机表达自己的视觉过程，因此构建机器视觉检测系统还要进一步通过研究生物视觉机理来完善，使检测进一步向自动化和智能化方向发展。

fqj