关日钊，吴 磊，徐焯基

（广东工业大学机电工程学院，广东 广州510006）

0 引言

在实际生产中，产品表面缺陷问题一直是企业十分重视的问题。随着图像处理技术的的不断发展，基于机器视觉的物体表面缺陷检测方法成为了快速而且有效的检测方式之一。国内外学者对此进行了大量的研究。从研究方法来看主要分为三种：基于传统图像处理方法、基于机器学习方法和基于深度学习方法。国内周江[1]等通过二值化和闭操作对图像进行预处理，然后将目标区域面积和模版区域面积进行了差分运算，选出差值大于规定值的区域作为缺陷区域，实现了磁钢片裂纹缺陷检测；国外的Jae Y.LEE[2]等研究了利用自适应阈值方法对液晶显示器表面的区域进行缺陷检测。传统的机器学习方法方面，国内胡方尚[3]等针对印刷品缺陷检测的问题，提出了一种基于改进多类支持向量机（SVM）的印刷缺陷检测方法，与传统的一对一型向量机方法相比，其检测速度更快和识别准确率更高。国外Siyang Tian[4]等提出了一种结合遗传算法的改进极限学习机（ELM）机器学习方法对热轧钢板表面缺陷的进行检测识别，最高识别精度可以达到98.46%，满足了实际工业生产需要。在2012年，Hinton课题组通过构建CNN网络AlexNet[5]在ImageNet图像识别比赛中一举得到冠军，自那年起，深度学习正式进入一个快速发展期。在缺陷检测方面，余永维[6]等提出了一种基于深度学习特征匹配的铸件缺陷三维定位方法，定位误差小于5.52%.国外的Shahrzad Faghih-Roohi[7]等提出了一种基于深度卷积网络的钢轨表面缺陷检测方法，检测准确率达到了92%.