随着机器学习的发展，对于工业产品的缺陷检测，深度网络模型检测缺陷的准确率远远高于传统图像处理算法。现在一般的做法是将传统图像技术作为预处理，或者将传统提取特征与网络深度特征相结合进一步提高准确率。
今天整理以前资料，突然看到几年前初识图像处理时做的小东西，现在看简直弱爆了，用图像处理基本操作实现工业产品缺陷检测。以此记录下初心，作为第一篇博客。（当时比较水，请勿吐槽(_)）
1.屏幕坏点
屏幕坏点的检测种类不同，最简单有黑底白点检测和白底黑点检测。对于白色坏点，先采取形态学基本运算膨胀，并通过调整内核尺寸的大小，来改变白点膨胀的程度。然后调用寻找轮廓函数，统计坏点的个数。对于黑色坏点，先采取腐蚀运算，使黑色坏点的面积变大，同样调用寻找轮廓函数统计坏点个数。对于坏点的位置，计算轮廓的内接矩形，寻找中心点即可。
2.瓷砖裂纹
一般瓷砖的缺陷也分为两种，一种为擦痕，近似白色，另一种为裂纹，颜色较深。对于白色擦痕，可以首先进行膨胀，使白色擦痕变得明显些，然后进行二值化，并通过滑动条控制阈值和二值化方式，之后进行中值滤波去噪点，再经过腐蚀之后的图片，用Canny进行边缘检测，通过寻找并绘制轮廓，即可将白色擦痕用黑色线条圈出。
对于黑色裂纹，如果有标准瓷砖花纹，将标准图和缺陷图同时进行腐蚀，使黑色裂纹变得明显些，然后二值化，中值滤波之后进行膨胀，同时对两张图进行Canny边缘检测，接着对标准图进行寻找轮廓，并将各个轮廓的面积和长度存到二维点集中。然后对缺陷图寻找轮廓，通过循环比对标准图轮廓的特征，即可用黑色线条绘制出裂纹的轮廓。
3.PCB检测
由于PCB的复杂性，可以分类处理电路板块。对于元件的焊接位置，如贴焊的小芯片阵，可以采取模板匹配的方式，循环检测出与模板匹配度最高的正确芯片焊接处，设定相似度阈值，把不正确的地方用红框标注出来。
对于元件的数量检测，例如大芯片和电容，可以先采取图像预处理，然后边缘检测等寻找元件面积，长度等其他特征，并设定参数，统计元件的数量。
对于焊接不当，多锡，缺锡的情况，基于其亮度对比，引脚特征等因素，用图像预处理，二值化，形态学基本运算等，并结合边缘检测后的轮廓特征，设定参数，将缺陷之处标识出来。
总结
由于都是基本操作，每个完整的代码就不贴了，由于简单，结果图都挺不错的，贴几个常用的函数吧，当时还是用的Opencv C++：
getStructuringElement(MORPH_RECT,Size(200,200))#返回指定形状和尺寸的结构元素
dilate(src,src,element);#膨胀
erode(dst,dst,element);#腐蚀
findContours(mid,contours,hierarchy,CV_RETR_CCOMP,CV_CHAIN_APPROX_SIMPLE);#寻找轮廓
threshold(gray,tmp,thresholdvalue,255,thresholdtype);#二值化
medianBlur(tmp,dst,7);#中值滤波
Canny(dst1,canny_output1,150,300,3);#边缘检测
m=contourArea(contours[i]);#计算轮廓面积
k=arcLength(contours[i],true);#计算轮廓长度
drawContours(src, contours, j, color, 2, 8, hierarchy, 0, Point());#绘出轮廓
