在現(xiàn)代包裝工業(yè)自動化生產(chǎn)中，涉及各種各樣的檢查、測量，比如飲料瓶蓋的印刷質(zhì)量檢查，產(chǎn)品包裝上的條碼和字符識別等。這類應用的共同特點是連續(xù)大批量生產(chǎn)、對外觀質(zhì)量的要求非常高。通常這種帶有高度重復性的工作只能靠人工檢測來完成，我們經(jīng)常在一些工廠的現(xiàn)代化流水線后面看到數(shù)以百計甚至逾千的檢測工人來執(zhí)行這道工序，在給工廠增加巨大的人工成本和管理成本的同時，仍然不能保證100%的檢驗合格率(即“零缺陷”)。

　

為了實現(xiàn)外觀缺陷自動檢測,研究了基于機器視覺技術(shù)的外觀缺陷檢測系統(tǒng)。首先針對外觀缺陷圖像特點,分析了采用灰度閾值及單一顏色模型分割缺陷的局限性,提出基于混合顏色模型的缺陷圖像分割方法,實現(xiàn)了外觀缺陷快速、準確分割;然后通過分析外觀缺陷特點,分別從形狀、顏色和紋理共選取了12個類別差異明顯的特征參數(shù),提取了外觀缺陷特征;后選擇BP神經(jīng)網(wǎng)絡作為缺陷分類器,根據(jù)經(jīng)驗和實驗確定了神經(jīng)網(wǎng)絡結(jié)構(gòu)及參數(shù),并分析了傳統(tǒng)BP算法在外觀缺陷分類應用中的不足,通過改變收斂標準、自適應調(diào)整步長和引入動量項以優(yōu)化BP算法,改善了神經(jīng)網(wǎng)絡分類效果。



在當今這個時代，計算機視覺領(lǐng)域呈現(xiàn)出很多新的趨勢，其中顯著的一個，就是應用的性增長。除了手機、個人電腦和工業(yè)檢測之外，計算機視覺技術(shù)在智能安防、機器人、自動駕駛、智慧醫(yī)、無人機、增強現(xiàn)實（AR）等領(lǐng)域都出現(xiàn)了各種形態(tài)的應用方式。計算機視覺迎來了一個應用性增長的時代，目前的應用如下圖所示，主要以運動控制為主。隨著各個領(lǐng)域技術(shù)不斷發(fā)展，許多科技巨頭也開始了在圖像識別和人工智能領(lǐng)域的布局，F(xiàn)acebook簽下的人工智能Yann LeCun重大的成就就是在圖像識別領(lǐng)域，其提出的LeNet為代表的卷積神經(jīng)網(wǎng)絡，在應用到各種不同的圖像識別任務時都取得了不錯效果，被認為是通用圖像識別系統(tǒng)的代表之一；Google 借助模擬神經(jīng)網(wǎng)絡“DistBelief”通過對數(shù)百萬份YouTube 視頻的學習自行掌握了貓的關(guān)鍵特征，這是機器在沒有人幫助的情況下自己讀懂了貓的概念。這也能看出國技公司對圖像識別技術(shù)以及人工智能技術(shù)的重視程度。