點選上方 藍字 關註我們
微信公眾號： OpenCV學堂
關註獲取更多電腦視覺與深度學習知識
機器視覺是使用各種工業相機，結合傳感器跟電氣訊號實作替代傳統人工，完成物件辨識、計數、測量、缺陷檢測、引導定位與抓取等任務。其中工業品的缺陷檢測極大的依賴人工完成，特別是傳統的3C制造環節，產品缺陷檢測依賴於人眼睛來發現與檢測，不僅費時費力還面臨人員成本與工作時間等因素的制約。使用機器視覺來實作產品缺陷檢測，可以節約大量時間跟人員成本，實作生產過程的自動化與流水線作業。
常見得工業品缺陷主要包括 劃痕、臟汙、缺失、凹坑、裂紋 等，這些依賴人工目檢（眼睛檢測）的缺陷都可以透過機器視覺的缺陷檢測演算法來實作替代。當前工業缺陷檢測演算法目前主要分為兩個方向，基於傳統視覺的演算法和基於深度學習的演算法，前者主要依靠對檢測目標的特征進行量化，比如顏色，形狀，長寬，角度，面積等，好處是可解釋性強、對樣本數量沒有要求、執行速度快，缺點是依賴於固定的光照成像，稍有改動就要覆寫程式重新部署，而且檢測規則和演算法跟開發者經驗其主導作用。基於深度學習的缺陷檢測演算法剛好能彌補前者的不足之處，能夠很好適應不同的光照，更好地適配同類缺陷要求，缺點是對樣本數量有一定要求，對硬體配置相比傳統也會有一定要求。 【OpenCV套用開發：入門、進階與工程化實踐】一書第十四 章 透過案例詳細介紹基於OpenCV如何實作傳統方式的缺陷檢測跟基於深度學習的缺陷檢測。
本書案例
簡單背景下的劃痕檢測
復雜背景下的影像缺陷分析，分別針對兩個不同技術方法有兩個不同的例子。第一個是基於頻域增強的方法實作缺陷檢測，執行截圖：
第二個方法是基於空域增強實作影像缺陷分析，針對復雜背景的影像，透過空域濾波增強以後實作缺陷尋找，執行結果如下：
相關綜合案例則是基於空域濾波+輪廓分析實作缺陷尋找：
最後是OpenCV DNN實作基於深度學習道路缺陷分析
更多相關案例與相關源碼詳見本書第十四章內容。
答疑與服務
【OpenCV套用開發：入門、進階與工程化實踐】 全書共計16個章節，重點聚焦OpenCV開發常用模組詳解與工程化開發實踐，提升OpenCV套用開發能力，助力讀者成為OpenCV開發者，同時包含深度學習模型訓練與部署加速等知識，幫助OpenCV開發者進一步拓展技能地圖，滿足工業計畫落地所需技能提升。購買請點連結：
https://item.jd.com/10092255924058.html
學習課程有專屬答疑群
負責貼身答疑解惑
讀者專屬QQ群 :657875553
進群暗號：OpenCV4讀者
