机器视觉技术使得人们可以利用无损方法进行缺陷检测分析

缺陷检测是最常见也最基本的机器视觉功能之一，也是质量管理过程中必不可少的一个环节；利用机器视觉检测可以使得产品制造人员通过一些无损方法检测出产品中的污染、划伤、裂缝、瑕疵、凹点等一些不可接受的缺陷。但建立一套缺陷检测体系也并非易事；为了创建一套能够提供可靠且可重复的检测体系，产品制造人员通常需要与检测工程师一起合作对潜在的一些缺陷进行定性与定量分析。

缺陷通常存在的三种情况

在大多数情况下，通过利用一些标准的成像工具就能够很轻易地检测出缺陷的存在。

例如，针孔以及某些杂质颗粒通常都是圆形的，在图像上一般显示为明亮的像素落在一个黑暗的背景上，或者相反，显示为黑暗的像素被明亮的背景衬托，非常容易分辨。

稍微复杂一点的情况是缺陷定义并不十分清楚，大小和形状并不十分明确，但仍然能区别于底层背景部分，这种情况主要包括磨损，或者细长的、对比度较低的线缺陷等；例如产品上的划痕和裂纹。这些类型的缺陷可能需要用到更加先进的成像检测工具，如傅里叶变换等。

复杂的情况则是缺陷在图像上定义不清楚，大小和形状非常不明确，没有识别模式，与底层背景部分难以区分，这种情况主要包括印刷缺陷以及一些存在于随机介质中的 “杂质”（例如，一小块塑料混入了传送带上正在传输的大米中）等。

确定缺陷本质

确定某些潜在缺陷的本质并因此设计一套有效的检测体系往往具有许多的挑战与需要考虑的因素

许多产品制造人员对于缺陷的定义及性质非常了解，他们通常能够提供一些可能构成这些产品缺陷的因素；但是同样也存在许多技术人员知道产品某处可能存在一个缺陷，但并不知道为什么会形成这个缺陷。

此外，人们很难区分一些真正的缺陷与一些微小、可以忽略的瑕疵；人们对于构成产品不可忽略与可忽略缺陷的因素缺乏共同的认知；询问不同的人，你很有可能会获得不同的答案。甚至有时候，利益相关者之间才会达成关于影响产品质量因素的一致共识。

产品缺陷检测过程中还有一个非常重要的因素——误检率，这可能使得机器视觉系统错误的将一个合格产品贴上废品的标签。

没有哪家制造厂商能够接受误检这种事情发生，因为误检意味着浪费宝贵的原材料以及制造时间，这些都会大大影响到最终产品的利润。但幸运的是，在大多数情况下，缺陷检测的准确率非常高，对于检测那些定义清晰、轮廓分明的缺陷，现在的技术已经卓卓有余了。

然而，在那些缺陷轮廓不清晰，甚至没有模式识别的情况下，制造商们也许要重新考虑一下误检率的影响了。

照明是缺陷检测中一个非常复杂且非常重要的因素，光源的类型、颜色，以及照射角对于检测结果起着至关重要的作用。

例如在某个应用中，利用机器视觉技术查找一个空瓶中的污染物，如果光源从前面照射瓶子，那么就很难看到瓶中的污染物，然而，如果可以对体系进行设置使瓶子背光，白光就会穿过瓶子并且所有的脏点都会显示为黑点，检测人员就能很容易将该瓶子剔除出来。

创建一套缺陷检测应用的另一个难题则是如何定义“完美”与“完全失效”。

产品制造商通常都会提供完美版的样本对象，或者称之为黄金模板，用以展示一个完美无瑕的产品所应具有的特点。然而，在创建一套缺陷检测体系时，带有缺陷的样本也是极为有用的，在许多工业领域中，出现一个带有缺陷的制件并不常见，因此很难获得一系列含有不同缺陷的样本。