表面缺陷快速檢測(cè)法是確保產(chǎn)品質(zhì)量的關(guān)鍵環(huán)節(jié)，傳統(tǒng)頻閃法存在漏檢風(fēng)險(xiǎn)且對(duì)工人健康有害，而CCD技術(shù)雖改善了工作環(huán)境，但仍依賴人工判斷，效率不穩(wěn)定，隨著技術(shù)進(jìn)步，機(jī)器視覺檢測(cè)成為主流，通過科學(xué)設(shè)計(jì)的圖像采集裝置和特定光源，結(jié)合中值濾波、膨脹腐蝕處理及Otsu二值化等圖像增強(qiáng)技術(shù)，有效提取二維和三維缺陷特征，迭代閾值二值化進(jìn)一步優(yōu)化圖像分割，提高檢測(cè)準(zhǔn)確性，深度學(xué)習(xí)方法如Resnet18的應(yīng)用，通過數(shù)據(jù)預(yù)處理、特征提取和圖像分類，顯著提升了檢測(cè)精度與效率，展現(xiàn)了在自動(dòng)化質(zhì)量控制中的巨大潛力。

基于灰度紋理分析的檢測(cè)方法

• 采集圖像：采集鋼板表面紅外圖像和灰度圖像，通過對(duì)紅外圖像中像素點(diǎn)進(jìn)行閾值分割，獲取存在溫度異常的缺陷區(qū)域。具體是利用閾值對(duì)紅外圖像進(jìn)行標(biāo)注得到掩膜圖像（將紅外圖像中像素值大于閾值的像素點(diǎn)標(biāo)注為1，像素值小于等于閾值的像素點(diǎn)標(biāo)注為0），再利用掩膜圖像與紅外圖像相乘得到溫度異常的缺陷區(qū)域。
• 構(gòu)建矩陣：利用缺陷區(qū)域像素點(diǎn)的溫度梯度變化方向和缺陷區(qū)域的長寬比構(gòu)建最優(yōu)灰度共生矩陣。先根據(jù)缺陷區(qū)域長寬比獲取橫向偏移步長和縱向偏移步長，利用橫向偏移步長和縱向偏移步長獲取每個(gè)像素點(diǎn)的匹配像素點(diǎn)組成灰度對(duì)；根據(jù)溫度梯度變化方向與四個(gè)偏移方向計(jì)算偏移角度差值，利用偏移角度差值作為四個(gè)偏移方向?qū)?yīng)的灰度共生矩陣權(quán)重系數(shù)，通過權(quán)重系數(shù)對(duì)四個(gè)偏移方向的灰度共生矩陣進(jìn)行加權(quán)求和，獲取最優(yōu)灰度共生矩陣。其中缺陷區(qū)域長寬比通過獲取溫度異常的缺陷區(qū)域的最小外接矩形的長和寬來計(jì)算；溫度梯度變化方向以溫度梯度最大的像素點(diǎn)作為缺陷像素點(diǎn)，獲取不同缺陷像素點(diǎn)的溫度梯度方向與水平方向夾角的余弦值，利用余弦值判斷缺陷主要溫度梯度變化方向（當(dāng)溫度梯度方向與水平方向的夾角的余弦值大于余弦閾值時(shí)，則將對(duì)應(yīng)缺陷像素點(diǎn)視為相同延展方向；當(dāng)溫度梯度方向與水平方向的夾角的余弦值小于等于余弦閾值時(shí)，則將對(duì)應(yīng)缺陷像素點(diǎn)視為不同延展方向，將相同延展方向的缺陷像素點(diǎn)的溫度梯度方向與水平方向的夾角作為溫度梯度變化方向）。
• 分析紋理：通過最優(yōu)灰度共生矩陣對(duì)灰度圖像進(jìn)行紋理特征分析，得到缺陷區(qū)域的紋理對(duì)比度（根據(jù)最優(yōu)灰度共生矩陣內(nèi)的像素點(diǎn)的灰度值計(jì)算紋理對(duì)比度，紋理對(duì)比度公式為：其中，表示第個(gè)和第個(gè)像素點(diǎn)的灰度值，表示灰度對(duì)的概率值，表示灰度對(duì)出現(xiàn)的頻數(shù)，表示方形圖像灰度對(duì)的總數(shù)），根據(jù)紋理對(duì)比度對(duì)紅外圖像進(jìn)行圖像增強(qiáng)。
• 獲取缺失區(qū)域：以紋理對(duì)比度作為權(quán)重因子，與紅外圖像內(nèi)所有像素點(diǎn)的溫度值相乘，得到增強(qiáng)后的紅外圖像，對(duì)增強(qiáng)后的紅外圖像重新進(jìn)行閾值分割，獲取缺失缺陷區(qū)域，鋼板表面缺陷包括缺陷區(qū)域和缺失缺陷區(qū)域。

基于yolov5 - BSN網(wǎng)絡(luò)模型的檢測(cè)方法

• 數(shù)據(jù)獲取：獲取待檢測(cè)的鋼板表面數(shù)據(jù)。
• 特征提取：通過主干網(wǎng)絡(luò)對(duì)鋼板表面數(shù)據(jù)進(jìn)行特征提取處理，以得到數(shù)據(jù)特征信息。
• 特征融合：通過頸部網(wǎng)絡(luò)對(duì)數(shù)據(jù)特征信息進(jìn)行特征融合處理，以得到融合數(shù)據(jù)。
• 缺陷檢測(cè)：通過檢測(cè)網(wǎng)絡(luò)對(duì)融合數(shù)據(jù)進(jìn)行缺陷檢測(cè)，并根據(jù)缺陷檢測(cè)結(jié)果確定鋼板表面缺陷，可解決鋼板缺陷檢測(cè)精度低的問題，進(jìn)而達(dá)到提高鋼板缺陷檢測(cè)精度和效率的效果。

基于梯度的ROI檢測(cè)算法

• 邊緣檢測(cè)與分塊處理：通過Sobel算子邊緣檢測(cè)和分塊處理，結(jié)合方差統(tǒng)計(jì)與閾值比較，有效識(shí)別出缺陷區(qū)域，減少后續(xù)處理壓力，能有效檢測(cè)針孔、夾雜等缺陷，且對(duì)無缺陷圖像有較高識(shí)別準(zhǔn)確性。
• 區(qū)域分離與篩選分類：通過連通成分標(biāo)記（bwlabel）和區(qū)域?qū)傩苑治觯梢詫⒏信d趣的缺陷區(qū)域分離出來。然后，利用形狀特征（如面積、周長、圓度）和位置信息進(jìn)行進(jìn)一步篩選和分類。

鋼板表面缺陷檢測(cè)技術(shù)對(duì)比

紅外圖像在缺陷檢測(cè)中的應(yīng)用

灰度共生矩陣優(yōu)化方法研究

YOLOv5在工業(yè)檢測(cè)中的案例