缺陷无损检测的现在与未来

缺陷无损检测的现在与未来

机器视觉技术使得人们可以利用无损方法进行缺陷检测分析

缺陷检测是最常见也最基本的机器视觉功能之一，也是质量管理过程中必不可少的一个环节；利用机器视觉检测可以使得产品制造人员通过一些无损方法检测出产品中的污染、划伤、裂缝、瑕疵、凹点等一些不可接受的缺陷。但建立一套缺陷检测体系也并非易事；为了创建一套能够提供可靠且可重复的检测体系，产品制造人员通常需要与检测工程师一起合作对潜在的一些缺陷进行定性与定量分析。

缺陷通常存在的三种情况

在大多数情况下，通过利用一些标准的成像工具就能够很轻易地检测出缺陷的存在。

例如，针孔以及某些杂质颗粒通常都是圆形的，在图像上一般显示为明亮的像素落在一个黑暗的背景上，或者相反，显示为黑暗的像素被明亮的背景衬托，非常容易分辨。

稍微复杂一点的情况是缺陷定义并不十分清楚，大小和形状并不十分明确，但仍然能区别于底层背景部分，这种情况主要包括磨损，或者细长的、对比度较低的线缺陷等；例如产品上的划痕和裂纹。这些类型的缺陷可能需要用到更加先进的成像检测工具，如傅里叶变换等。

最复杂的情况则是缺陷在图像上定义不清楚，大小和形状非常不明确，没有识别模式，与底层背景部分难以区分，这种情况主要包括印刷缺陷以及一些存在于随机介质中的 “杂质”（例如，一小块塑料混入了传送带上正在传输的大米中）等。

确定缺陷本质

确定某些潜在缺陷的本质并因此设计一套有效的检测体系往往具有许多的挑战与需要考虑的因素

许多产品制造人员对于缺陷的定义及性质非常了解，他们通常能够提供一些可能构成这些产品缺陷的因素；但是同样也存在许多技术人员知道产品某处可能存在一个缺陷，但并不知道为什么会形成这个缺陷。

此外，人们很难区分一些真正的缺陷与一些微小、可以忽略的瑕疵；人们对于构成产品不可忽略与可忽略缺陷的因素缺乏共同的认知；询问不同的人，你很有可能会获得不同的答案。甚至有时候，利益相关者之间才会达成关于影响产品质量因素的一致共识。

产品缺陷检测过程中还有一个非常重要的因素——误检率，这可能使得机器视觉系统错误的将一个合格产品贴上废品的标签。

没有哪家制造厂商能够接受误检这种事情发生，因为误检意味着浪费宝贵的原材料以及制造时间，这些都会大大影响到最终产品的利润。但幸运的是，在大多数情况下，缺陷检测的准确率非常高，对于检测那些定义清晰、轮廓分明的缺陷，现在的技术已经卓卓有余了。

然而，在那些缺陷轮廓不清晰，甚至没有模式识别的情况下，制造商们也许要重新考虑一下误检率的影响了。

照明是缺陷检测中一个非常复杂且非常重要的因素，光源的类型、颜色，以及照射角对于检测结果起着至关重要的作用。

例如在某个应用中，利用机器视觉技术查找一个空瓶中的污染物，如果光源从前面照射瓶子，那么就很难看到瓶中的污染物，然而，如果可以对体系进行设置使瓶子背光，白光就会穿过瓶子并且所有的脏点都会显示为黑点，检测人员就能很容易将该瓶子剔除出来。

创建一套缺陷检测应用的另一个难题则是如何定义“完美”与“完全失效”。

产品制造商通常都会提供完美版的样本对象，或者称之为黄金模板，用以展示一个完美无瑕的产品所应具有的特点。然而，在创建一套缺陷检测体系时，带有缺陷的样本也是极为有用的，在许多工业领域中，出现一个带有缺陷的制件并不常见，因此很难获得一系列含有不同缺陷的样本。

缺陷检测方法

既然我们在确定缺陷类型时需要面临着许多挑战，那我们就讨论一些缺陷检测方法。

上文已经提到，对于检测那些定义明确、轮廓分明的缺陷，采用一些传统的成像方法已经足够。例如小孔或者污点等缺陷，采用合适的照明光源，利用传统的工具就能得到可靠的检测结果。对于缺陷定义并不十分清楚，大小和形状并不十分明确的情况往往需要更加先进的成像工具，这些类型的缺陷以许多不同的形状和大小出现，并且经常出现在具有纹理或者图案的表面上，使得难以将这些真实缺陷与表面图像分辨开来；在这些情况下，只有利用更加先进的检测工具提供更多的信息，才能将这些缺陷与背景图案分辨开。

例如，利用霍夫变换算法能够从纹理背景中对缺陷进行分离。想象一下，在具有卵石纹理的皮革座椅上，你怎么将存在的缺陷——例如一个气泡分辨开？现在有许多成像工具可以抑制纹理，只留下缺陷可见。

对于更加复杂的情况——模式定义不清楚的缺陷检测通常需要用到另一种不同的方法：将测试样品与一个已知的、完好的样品进行差分比较。

这种情况一般需要小心控制照明光源，并将两个样品图像严格对齐。任何的旋转、平移或者变化都会被视为缺陷。这些情况下的缺陷检测通常都能利用图像差分或者模式匹配完成。

图像差分通常需要用到一个完美的样品，并且在另外一个相同类型的测试样品图像上将其减掉；如果结果没有差异或者差异较小，那么就表示测试样品没有缺陷，如果测试样品含有缺陷，则在这两幅图像上会出现明显差异，检测人员也能因此而将该产品列为不合格产品。该方法的主要难点在于需要将这两幅图像严格的整齐排列，否则结果将是不准确的。

模式匹配方法并不一定是查看整个测试样品，而是在图像中寻找一个特定的模式以匹配最初的完美模式。这种方法通常可以用来检测瓶子上的标签等。利用模式匹配方法可以发现整个产品上非常微小的缺陷，并且能够指出缺陷的位置。如果随着时间推移，大量的标签被检测为不合格产品，并且都是由同一种模式引起的，那么就可能需要考虑在标签印刷过程中是否出了问题。即使当某些潜在缺陷以不同形状、大小，在产品的不同位置上出现时，仍然能够采取这些方法进行检测；只要待检测样品能够与“完美”样品进行比较，人们就可能创建一套有效的缺陷检测体系。

缺陷检测的未来

缺陷检测的未来应该在于对现有检测技术的改善升级

人工智能的美好愿望已经存在数十年了，即使是在今天，科学家、发明家、工程师等仍在继续研究会“学习”的人工智能体系。虽然人工智能很有可能就是工业缺陷检测的未来，但是并不太可能会在近期发生。

目前，80%-90%的机器视觉技术能够实现高效的缺陷检测，甚至达到零或者接近零的误检率，相信人工智能体系也并不能继续提高这个结果。此外，产品制造商一般需要大规模的缺陷检测体系，因此，价值和效率是至关重要的；对于他们而言，建立一套昂贵、复杂的人工智能体系并不划算。

缺陷检测的未来一方面应该在于对现有技术的改善与提升，另一方面提高检测效率并减少检测成本。随着检测人员利用现在的检测技术，如机器视觉技术对一些潜在的缺陷进行逐步的定性与定量分析，产品制造商将能够更进一步的保证产品的质量安全。