✨
缺陷检测算法不同于尺寸、二维码、OCR等算法。后者应用场景比较单一，基本都是套用一些成熟的算子，所以门槛较低，比较容易做成标准化的工具。而缺陷检测极具行业特点，不同行业的缺陷算法迥然不同，常见的是对物品表面缺陷的检测，比如工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测。随着缺陷检测要求的提高，机器学习和深度学习也成了缺陷领域一个不可或缺的技术难点，接下来我会对标准缺陷检测算法、以及半导体行业的非标算法做一个简单分析：
所谓标准，就是不针对行业特点，这里基本分为如下几类：
标准的做法一般都是拿标准的算法块进行组合，以达到缺陷检测的效果，缺陷检测标准流程一般是：
1设置基准图模板——>2当前图模板定位——>3生成仿射变换矩阵——>4旋转平移图像或者区域——>5预处理差分——>6预处理滤波/腐蚀/膨胀——>7Blob检测——>8面积检测
相对与标准做法，非标的做法就非常多，有些非标的目的是为了减少操作步骤，例如将上面的组合流程变成一个工具，这个我们称之为业务逻辑非标。还有一些非标主要是做图像预处理部分，例如修改一些标准预处理的算子和预处理流程，将瑕疵提取出来。当然，对数学理论掌握程度较高的朋友，会推导理论公式，然后直接实现数学公式达到检测效果。
总的来说，缺陷检测的算法包括：
标准缺陷检测我觉得用差分法还是蛮多的。顾名思义，差分就是通过对两幅图像或和两个区域作差，来找出其中有差异的区域。处理流程基本就是定位Blob分析+差分或模板匹配+差分的方式，主要用来检测物品损坏，凸起，破洞，缺失，以及质量检测等。两种方式的具体流程如下：
检测流程如下：
流程解析：以标准图像中的灰度值为模板，计算处检测图像的灰度值，并与标准图像作差，灰度值差异越大，则证明检测图像中存在与标准图比有明显灰度变化的区域，即这部分区域就是我们所要筛选出的缺陷区域。
示例分析：提取灰度值明显的缺陷区域
*1.使用`intensity()`算子计算出模板图（即标准图，图1）的检测区域图像的灰度平均值`OriginalMean`
intensity(OriginalRegion, ImageReduced1, OriginalMean, Deviation1)
*2.再</span><span class="token variable">intensity</span><span class="token punctuation">(</span><span class="token punctuation">)</span><span class="token punctuation">算子计算出待测图（图2）的检测区域图像的灰度平均值</span><span class="token variable">DetectMean</span><span class="token punctuation">，计算出两幅图像灰度均值的差值
intensity (DetectRegion, ImageReduced2, DetectMean, Deviation2)
tuple_abs (OriginalMean-DetectMean, Abs)
3.
如果两个区域的灰度值差值大于10（if(Abs>10)），则生成一副图像（图3），其灰度值为模板图中计算得到的的平均灰度值；
如果两个区域的灰度值差值小于10（if(Abs<10)），则生成一副图像（图3），其灰度值为待测图中计算得到的的平均灰度值。
ps：这里计算结果是差值小于10，也就是检测图的灰度值差异和模板图差异不大，直接生成一个后者的灰度均值图像
if(Abs>10)
gen_image_proto (ImageReduced2, ImageCleared, OriginalMean)
else
gen_image_proto (ImageReduced2, ImageCleared, DetectMean)
endif
reduce_domain (ImageCleared, RegionDifference, ImageReduced1)
*4.将待测图与新生成的灰度值图像做差值（图4），可以找到待测图和模板图灰度值有差异的区域
abs_diff_image (ImageReduced2, ImageReduced1, ImageAbsDiff, 1)
invert_image (ImageAbsDiff, ImageInvert)
threshold (ImageInvert, Region1, 0, 30)
opening_circle (Region1, RegionOpening, 1.5)
connection (RegionOpening, ConnectedRegions)
select_shape (ConnectedRegions, SelectedRegions, ‘area’, ‘and’, 10, 99999)
NumImages := 16
for Index := 1 to NumImages by 1
read_image (Image, ‘plastics/plastics_’ + Index$‘02’)
rgb1_to_gray (Image, Image)
3.计算一个图像的实值快速傅里叶变换（空间域转至频域）
rft_generic (Image, ImageFFT, ‘to_freq’, ‘none’, ‘complex’, Width)
4.用在频域内的滤波器使一个图像卷积。
convol_fft (ImageFFT, Filter, ImageConvol)
5.卷积后的频域图像转至空间域
rft_generic (ImageConvol, ImageFiltered, ‘from_freq’, ‘n’, ‘real’, Width)
6.滤波之后的图像交给形态学来分析
空间域上的blob图像分割
原图矩形内的灰度值范围（max-min）作为输出图像像素值，扩大了亮的部分
gray_range_rect (ImageFiltered, ImageResult, 10, 10)
获得图像最大灰度值和最小灰度值
min_max_gray (ImageResult, ImageResult, 0, Min, Max, Range)
二值化提取( 5.55是经验值，在调试中得到)
threshold (ImageResult, RegionDynThresh, max([5.55,Max * 0.8]), 255)
select_shape (RegionDynThresh, SelectedRegions, ‘area’, ‘and’, 1, 99999)
* 1.创建一个高斯滤波器，用于将傅里叶转换后的图像进行滤波
gen_gauss_filter (GaussFilter, 3.0, 3.0, 0.0, ‘none’, ‘rft’, Width, Height)
对灰度图像进行颜色反转
invert_image (ImageGray, ImageInvert)
2.对反转后的图像进行傅里叶变换
rft_generic (ImageInvert, ImageFFT, ‘to_freq’, ‘none’, ‘complex’, Width)
3.对傅里叶图像做卷积，使用之前创建的高斯滤波器作为卷积核
convol_fft (ImageFFT, GaussFilter, ImageConvol)
4.将卷积后的傅里叶图像还原为空间域图像。可见图像的突变部分得到了增强
rft_generic (ImageConvol, ImageFiltered, ‘from_freq’, ‘n’, ‘real’, Width)
* 5.设置提取线条的参数，将图像中的有灰度差异的线条提取出来
calculate_lines_gauss_parameters (17, [25,3], Sigma, Low, High)
lines_gauss (ImageFiltered, Lines, Sigma, Low, High, ‘dark’, ‘true’, ‘gaussian’, ‘true’)
