以iPhone背殼為例，進行瑕疵檢測

需求：利用傳統(tǒng)算法檢測iPhone手機背殼是否瑕疵并給出瑕疵率

工具：攝像頭/iPhone 6s/偏振鏡等

傳統(tǒng)算法方向的選擇

最近做圖像處理與識別相關的事情，先從OpenCV/Matlab入手，看傳統(tǒng)算法在瑕疵檢測方向能做到什么程度。

因之前并沒有相關的經驗，乍開始生怕閉門造車，遂多方搜尋，相關的會議與論述很多，不乏深度學習或者深度學習與傳統(tǒng)算法相結合的，以有限的資源來看，深度學習并沒有特別大的優(yōu)勢：表現(xiàn)在

1. 深度學習對訓練圖庫的要求很高，很難得到很好的訓練結果

2. 深度學習的靈活度較低，若適用場景有些許改變，均需要重新訓練，這在商用時會是很大的問題

3. 深度學習的部署成本較高，同時對部署場景有較高要求（光線/攝像效果等）

當然，深度學習大勢所趨，也不必因噎廢食，萬一是一時的淺見呢。后續(xù)也會投身到這個方向去。

瑕疵檢測關注的兩個問題

瑕疵的標注

對瑕疵的標注是為了更直觀的展示，主要是給人看的

瑕疵的量化

真正機器關心的是怎么量化，是用數(shù)量表示還是百分比是個值得考慮的問題

歷程

1.圖像去噪-》灰度化-》二值化

二值化之后就可以看到絕大部分的瑕疵點已經凸顯出來了，但是有三個問題：

1. 黑點瑕疵與白點瑕疵是二值化的兩個極端，故無法同時出現(xiàn)。

2. 量化如何去除Logo與其他印刷的干擾

問題1后續(xù)用邊緣檢測替代

問題2采用像素點計數(shù)的方法，計算百分比，然后與無瑕疵的百分比作比較，準確度不高，也顯得low low的。

2.圖像去噪-》灰度化-》canny-》形態(tài)學（閉運算）-》連通域

邊緣檢測后進行閉運算，瑕疵會形成大大小小的連通域，可以統(tǒng)計連通域的個數(shù)，然后與無瑕疵logo與其他印刷形成的連通域個數(shù)作比較，這種情況幾乎不會漏掉。這是感覺可行的選擇之一。

3.OpenCV matchTemplate

實驗室條件下，可以營造比較理想的條件，所以考慮了OpenCV的模板匹配，同時也測試了模板匹配在不理想情況下的表現(xiàn)。

結果證明因為手機瑕疵檢測的需求目標較低，模板匹配是比較能夠勝任的一個辦法。只要模板與識別目標的拍攝角度差別不是太大，都可以很好的識別瑕疵。圖片的輕微縮放大多也可以應付。

其他處理

前面都是軟件方面處理的流程，在如何獲得更加理想的圖片方面也做了一些嘗試：

采用各種不同顏色的光源，如藍光/紅光，區(qū)別不大

對圖片進行白平衡調整，有改善

攝像頭加偏振鏡防止圖像反光，有改善但不明顯

圖片浮雕處理，肉眼看上去瑕疵顯著了，但對機器而言并沒有區(qū)別，故沒有采納

作者：cshyxxxl

編輯：黃飛