马一帆， 林俊宇， 李宝明， 徐培全

(上海工程技术大学 材料工程学院， 上海 201620)

0 引 言

随着工业生产自动化进程的加快，产品的质量要求也越来越得到重视。传统的人工表面检测主要是通过人眼观察，如果检测时间过长，会导致视觉疲劳。另外，通过肉眼检测，很难严格控制产品的质量标准。近年来，随着机器视觉的迅速发展，其在工业产品的质量检验领域有了更大的需求量。因此，对缺陷检测视觉算法的研究具有十分重要的工业指导意义。在缺陷检测领域，许多学者对不同的算法进行了大量的研究。Xiao等分析了最大类间方差算法(OTSU法)处理单模直方图的不足，提出了加权目标方差(WOV)的表面检测方法[1]，实验结果表明，WOV法具有较好的图像分割效果；Li等提出了针对目标缺陷的最大加权阈值分割法，大大提高了阈值检测的效率[2]。

与其他检测算法相比，模板匹配在缺陷检测中能够更灵活地提取标准模板特征[3]。研究了模板匹配算法中的归一化互相关系数问题后，Qian等人提出了部分信息相关系数(PICC)方法来改进传统的归一化互相关系数，发现PICC可以有效地减少检测中的错误报警[4]；Bouchot J L等人利用模板匹配方法研究了规则纹理图像的缺陷检测问题，并引入了偏差范数作为拟合函数[5]。实验证明了该算法在织物质量检测中的可行性和可靠性。

随着计算机硬件和数据处理能力的提高，人工智能的发展迅速，深度学习已应用于工业缺陷检测领域。Marani等人采用无监督学习聚类和分层聚类方法检测复合材料表面缺陷，取得了良好的效果[6]；……