目前，基于機器視覺的表面缺陷檢測理論研究和實際應用等環(huán)節(jié)均有可喜的成果。

缺陷的種類繁多

缺陷通常是不規(guī)則的，同一工業(yè)產(chǎn)品可能存在不同種類的缺陷。例如，手機外觀缺陷包括有手機外殼上出現(xiàn)的污點、劃痕、邊緣缺失、裂紋、水跡水印、氣泡、手指紋、異物、油墨、異色等問題。這些缺陷可能單獨出現(xiàn)，也可能以組合的形式存在，這使得缺陷檢測變得異常復雜。

同類缺陷的差異較大

比如同樣是劃痕，表現(xiàn)形式各種各樣，有的發(fā)白，有的發(fā)黑，有的吃視角，有的發(fā)生在邊緣地帶等等，出現(xiàn)在不同位置，表現(xiàn)形式都不一樣。因此導致一個問題：你很難收集到全部形態(tài)的缺陷樣本，所以在測試集上很難有一個不錯的表現(xiàn)。也就是你的訓練集和測試集存在的明顯影響性能的偏差，這里的偏差不是標注導致的，而是數(shù)據(jù)本身導致的。

缺陷所在的背景復雜

產(chǎn)品表面缺陷檢測時，往往會受到復雜的背景干擾。例如，產(chǎn)品的背景可能具有復雜的紋理或圖案，這些紋理和圖案可能與缺陷在視覺上產(chǎn)生混淆，導致系統(tǒng)難以準確區(qū)分缺陷和背景。另外，產(chǎn)品的背景顏色和亮度可能因材料、光照條件和表面處理等因素而發(fā)生變化，這些變化都可能影響系統(tǒng)準確識別缺陷。

缺陷與背景的對比度低下

比如劃痕檢測，利用機器視覺進行劃痕檢測的基本過程分為兩個步驟：檢測產(chǎn)品表面是否存在劃痕、對產(chǎn)品表面劃痕進行提取。

如果產(chǎn)品的表面光滑、灰度變化均勻、紋理特征不明顯，在這種情況下進行劃痕檢測時，一般使用基于統(tǒng)計的灰度特征或閾值分割法將劃痕部分標記出來。而有些產(chǎn)品圖像的灰度值變化較小，對比度并不明顯，劃痕部分和正常部分相比，缺乏明顯的特征，這時候要偵測到劃痕，存在著一定的難度。

現(xiàn)場光照對缺陷識別的影響較大

機器視覺中優(yōu)質(zhì)的成像是第一步，由于不同材料物體表面反光、折射等問題都會影響被測物體特征的提取，因此光源與成像可以說是機器視覺檢測要攻克的第一個難關(guān)。例如玻璃、反光表面的劃痕檢測，由于零件表面的高亮特性，容易產(chǎn)生局部過曝或周圍環(huán)境映射等問題，給后續(xù)圖像分析帶來較大難度。

缺陷判定的模糊性較大

學術(shù)一點來說就是正負樣本類間差距較小，無法非黑既白的一刀切，很難有一個一致性的標注將正負樣本分開，即便是人工也很難保證。不管用什么手段去描述缺陷，都不能做到明顯可分，比如按照面積、灰度值等繪制其直方圖，中間過渡區(qū)域永遠存在一定量的樣本，處于灰色地帶，模棱兩可。不管是多人標注，還是做量化指標，都很難有好的辦法改變這一現(xiàn)狀。

缺陷標注有一定的誤差性

缺陷標注時不可避免會把部分的缺陷類別標注錯誤，這就造成了所謂機器視覺數(shù)據(jù)臟的問題。還有一種數(shù)據(jù)臟的情況是，標注時把OK品判定為NG品或者把NG品判定為OK品。臟數(shù)據(jù)會對網(wǎng)絡(luò)訓練帶來不利的影響，強行訓練會有過擬合的風險。因為網(wǎng)絡(luò)提取通用特征，擬合不到缺陷只能去擬合其他噪聲了。所以一般情況下，數(shù)據(jù)越干凈越好。