在工業(yè)生產領域，質量控制的目的是保持質量水平或定位缺陷，以便進一步修復。傳統(tǒng)的檢測方法通常處理規(guī)則的、宏觀的、復雜的表面缺陷變化.幾乎所有的人工視覺缺陷檢測技術都是為了檢測缺陷并對其進行分類以供進一步處理。

　　為了進行適當?shù)姆诸悾I(yè)應用程序需要結構良好的數(shù)據(jù)庫，以確定可能的缺陷類型.然而，由于操作場景中可能出現(xiàn)的缺陷的隨機性和獨一性，為分類器建立這樣一個通用和全方面的數(shù)據(jù)庫具有挑戰(zhàn)性。在這方面，雖然人們對一般的分類方法提出了很高的要求，但幾乎每個應用程序都使用了一個基于材料的缺陷分類器。并從這些文獻中收集實例，我們提出了一種低層次、統(tǒng)一的缺陷類型分類方法。

　　表面缺陷兩大分類

　　這種表面缺陷的分類，適用于任何材料，分為兩大類：可見缺陷和明顯缺陷。值得注意的是，這種分類仍然是基本的，基本上是概念性的，對于有具體要求的程序來說并不令人滿意，但它為人工智能系統(tǒng)的分類提供了堅實和可靠的基礎。這種缺陷分類的基本假設是，缺陷的分類是一種嚴重的主觀判斷，即它在很大程度上取決于缺陷對人類主管的代表作用。這個決定通常基于一個閾值和基于邏輯的組件和缺陷的大小比表示。因此，分類學的結構主要由大小比和空間特征組成。

　　圖缺陷的類別包含了難以或幾乎不可能通過觸摸來定位的缺陷?？刹煊X的缺陷類別包含明顯的缺陷，通過視覺和觸覺的結合，這些缺陷更容易被定位。顯然，類別的命名并不意味著在這兩個類別中都沒有例外。

　　人工視覺處理技術

　　基于視覺的方法的主要目標是了解世界的自然和人工的表現(xiàn)。在后一種情況下，識別圖像的過程主要是試圖尋找輸入圖像與環(huán)境表示之間的數(shù)學/邏輯聯(lián)系。數(shù)學/邏輯連接是從輸入圖像到模型的轉換，它將圖像中包含的信息減少到應用領域的相關信息。圖像表示可以大致分為四個層次，如圖3。圖像表示的層次結構和背景函數(shù)/算法可以進一步簡化為低層次和高層次的圖像處理。

　　圖像分析理論層次

　　從模擬域到數(shù)字域的轉換(帶采樣)往往會造成一定的信息丟失。大多數(shù)低級處理方法不使用任何關于圖像內容的先驗知識。這意味著屬于該組的方法可以應用于每個圖像，而無需考慮任何有關預錄制環(huán)境的信息。包括：(1)圖像壓縮；(2)預處理；(3)銳化；(4)邊緣提取方法。

　　更高層次的處理方法更復雜，并且操作于圖像的數(shù)學表示之上(例如，在內容域中，已經描述了獨一的對象或額外的信息)，方法是建立分類器，并且需要模擬人類的認知。

　　達到“具有特征的圖像”的水平

　　并且要有一幅有內容的圖片，就須描述圖像的幾個屬性–例如邊緣、紋理等。兩個不同的原則適用于自然發(fā)生的視覺觀察。一種是根據(jù)先前關于要發(fā)現(xiàn)的對象的知識來執(zhí)行的。第二種情況是在沒有給定的對象信息的情況下執(zhí)行的，但是使用了環(huán)境知識，這被認為是正常的。通常，大多數(shù)非破壞性視覺檢查方法，以發(fā)現(xiàn)表面異常，涉及紋理和/或顏色分析，執(zhí)行低水平的過程。這些原則可以在人工系統(tǒng)中復制，但采用不同的方法。

　　為了識別表面上的單個缺陷，須建立可能的缺陷的描述符數(shù)據(jù)庫，例如分類器。盡管它們須處理Fp和Fn結果，但可以使用分類器來確保系統(tǒng)能夠識別缺陷。建模的第二個原則導致紋理分析問題，其中任何偏離正常模式的紋理被識別和突出顯示。