机器视觉10 PatInspect 缺陷检测工具

GalileoX训练平台是深度学习表面缺陷检测训练平台，标准外观检测解决方案 我们公司主要是用深度学习技术（AI）做的表面瑕疵检测，是国内最早一批将深度学习技术用于工业瑕疵识别领域的标准产品。我们能解决传统算法在表面检测方面不容易处理的，例如：缺陷类别准确区分开，图像背景纹理复杂的，我们都可以准确检测。 产品主推行业标准解决方案，通过1年半积累，目前已经标准化十多个行业（如：金属材质表面、塑料材质...

一般机器视觉系统：相机、镜头、光源、运动系统。 视觉工业检测大体分为工件尺寸测量与定位，和表面缺陷检测，及各种Logo标识的检测与识别等。 尺寸测量主要是检测物体的长、宽、高，比较常见主要是物体的二维尺寸（宽和高）检测。 表面缺陷检测主要是物体表面局部物理或者化学性质不均匀的区域，比较常见的有金属或者塑料制品表面的划痕（如：手机壳/屏幕表面的划痕）、斑点和孔洞（如：PCB板漏了焊点或者表面多了焊点），纸张表面的色差、脏污点、破损，纸制品表面的压痕、凸起，玻璃等非金属

PathInspect 其目的是使用PatMax技术检测缺陷； 缺陷定义：运行期间图像中超出正常预期的图像差别的任何变化； 缺陷可能是物体损失(阻塞)或者多余(杂乱); 缺陷在训练图像和运行期间图像中的类似区域之间的像素灰度值不同；支持图像标准化：最小化灯光差别对结果的影响； 使用PatInspect 使用PatInspect的基本步骤： 训练基准图案； 训练检查图案； 设置运行期间参数； 运行PatInspect; 从PatInspect中萃取结果或者使用其他视觉工具在差别图像上

【总结】工业缺陷检测-机器视觉方法整理

基于YOLOv8深度学习的钢材表面缺陷检测系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战

采用业界先进的值流图分析技术，能够实现跨程序/跨文件的上下文敏感分析与对象敏感分析，精准的检测软件安全漏洞与质量缺陷，结合独有的智慧减负与黑白名单技术，服务于安全部门或研发团队。

缺陷检测算法不同于尺寸、二维码、OCR等算法。后者应用场景比较单一，基本都是套用一些成熟的算子，所以门槛较低，比较容易做成标准化的工具。而缺陷检测极具行业特点，不同行业的缺陷算法迥然不同，常见的是对物品表面缺陷的检测，比如工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测。随着缺陷检测MarkdownText-to-HTMLAuthorsJohnLuke。

CogPatInspectTool工具使用PatMax检测缺陷(缺陷被定义为运行期间图像中超出正常预期的图像差别的任何变化)，缺陷可能是物体遗失（阻塞）或者多余（杂乱）, 原理是通过PMAlign工具实现,用训练图片和当前输入图片进行对比从而得到缺陷

机器视觉工业缺陷检测的那些事（三） 3、镜头的选择 工业相机镜头由多个透镜、可变(亮度)光圈和对焦环组成。如下图所示，在使用时由操作者观察相机显示屏来调整可变光圈和焦点，以确保图像的明亮程度及清晰度(有些镜头有固定调节系统)。 （1）镜头的接口 镜头的接口尺寸是有国际标准的，共有三种接口型式，即F型、C型、CS型，其他有M42、莱卡、哈苏、AK。F型接口是通用型接口，一般适用于焦距大于25mm的镜头；而当物镜的焦距约小于25mm时，因物镜的尺寸不大，便采用C型或CS型接口。 C接口和CS接口的

（因为网上没有很系统的讲义和文档，都是零零散散的，因此，我自己尝试着总结一下、仅供参考）

通过图案匹配的结果，可以对钢轨工件的表面缺陷进行检测和分类。并将像素的灰度值更改为其邻域中像素的最小灰度值，缩小明亮的目标区域，并扩展图像中的暗背景。因此，检测生产线上的钢轨表面缺陷尤为重要，利用LabVIEW制备了一套完整的钢轨表面缺陷检测系统，满足自动检测的效率和精度要求。系统采用LabVIEW的IMAQ直方图功能模块，对采集到的待测钢轨工件图像进行过滤，排除无明显缺陷的钢轨工件。基于LabVIEW机器视觉的钢轨表面缺陷检测系统以图像的像素灰度为研究目标，根据标准图像中目标的特性确定参考坐标系。

当前工业缺陷检测算法目前主要分为两个方向，基于传统视觉的算法和基于深度学习的算法，前者主要依靠对检测目标的特征进行量化，比如颜色，形状，长宽，角度，面积等，好处是可解释性强、对样本数量没有要求、运行速度快，缺点是依赖于固定的光照成像，稍有改动就要改写程序重新部署，而且检测规则和算法跟开发者经验其主导作用。全书共16章，分为3篇。进阶篇（第5～12章）深入介绍了OpenCV4核心模块的功能与应用场景，主要包括图像卷积、二值分析、形态学分析、特征提取、视频分析、机器学习模块等，其中穿插大量实践案例。

在制造业中，小缺陷的检测是一个具有挑战性的问题，因为它们通常具有较少的像素覆盖，缺乏足够的关注和语义信息。现有的卷积检测方法忽视了上下文的长程依赖，并且缺乏自适应融合策略来利用异构特征。 深度学习方法在检测小缺陷时通常表现较差，因为少数像素的覆盖缺乏细节，如异常值、边缘和纹理，导致语义不足和感知困难。此外，来自实际工业环境的图像通常受到背景光反射、模糊和污垢等污染，使得难以从背景中区分轮廓并专注于小缺陷。