6ES7341-1AH02-0AE0
檢測(cè)算法識(shí)別漆面缺陷的過(guò)程分以下 4步：圖像采集、預(yù)處理、特征提取和分類(lèi)決策。
圖像采集是指通過(guò)檢測(cè)系統(tǒng)獲取到的車(chē)身不同部位漆面的圖像信息。
預(yù)處理主要是指圖像處理中的灰度化處理、圖像濾波、裁剪分割、形態(tài)學(xué)處理操作，去除非必要檢測(cè)區(qū)域，加強(qiáng)圖像的重要特征，使缺陷特征更容易被提取出來(lái)。
特征提取是指采用某種度量法則，進(jìn)行缺陷特征的抽取和選擇，簡(jiǎn)單的理解就是將圖像上的漆面缺陷與正常漆面，利用某種方法將它們區(qū)分開(kāi)。
分類(lèi)決策是指構(gòu)建某種識(shí)別規(guī)則，通過(guò)此識(shí)別規(guī)則可以將對(duì)應(yīng)的特征進(jìn)行歸類(lèi)和判定，主要應(yīng)用于漆面缺陷的分類(lèi)， 以指導(dǎo)后續(xù)的打磨拋光操作。
目前，常用的漆面缺陷檢測(cè)算法主要分為 2類(lèi)：傳統(tǒng)圖像算法和深度學(xué)習(xí)算法。這2種算法的主要區(qū)別在于特征提取和分類(lèi)決策的差異。
傳統(tǒng)圖像算法
傳統(tǒng)圖像算法中特征提取主要依賴(lài)人工設(shè)計(jì)的提取器，需要有專(zhuān)業(yè)知識(shí)及復(fù)雜的參數(shù)調(diào)整過(guò)程，分類(lèi)決策也需要人工構(gòu)建規(guī)則引擎，每個(gè)方法和規(guī)則都是針對(duì)具體應(yīng)用的，泛化能力及魯棒性較差。具體到缺陷檢測(cè)的應(yīng)用場(chǎng)景，需要先對(duì)缺陷在包括但不限于顏色、灰度、形狀、長(zhǎng)度等的一個(gè)或多個(gè)維度上進(jìn)行量化規(guī)定， 再根據(jù)這些量化規(guī)定在圖像上尋找符合條件的特征區(qū)域， 并進(jìn)行標(biāo)記。
深度學(xué)習(xí)算法
深度學(xué)習(xí)算法主要是數(shù)據(jù)驅(qū)動(dòng)進(jìn)行特征提取和分類(lèi)決策，根據(jù)大量樣本的學(xué)習(xí)能夠得到深層的、數(shù)據(jù)集特定的特征表示，其對(duì)數(shù)據(jù)集的表達(dá)更高效和準(zhǔn)確，所提取的抽象特征魯棒性更強(qiáng)，泛化能力更好，但檢測(cè)結(jié)果受樣本集的影響較大。深度學(xué)習(xí)通過(guò)大量的缺陷照片數(shù)據(jù)樣本訓(xùn)練而得到缺陷判別的模型參數(shù)， 建立出一套缺陷判別模型， 最終目標(biāo)是讓機(jī)器能夠像人一樣具有分析學(xué)習(xí)能力，能夠識(shí)別缺陷。
總體來(lái)講，傳統(tǒng)圖像算法是人工認(rèn)知驅(qū)動(dòng)的方法，深度學(xué)習(xí)算法是數(shù)據(jù)驅(qū)動(dòng)的方法。深度學(xué)習(xí)算法一直在不斷拓展其應(yīng)用的場(chǎng)景，但傳統(tǒng)圖像方法因其成熟、穩(wěn)定特征仍具有應(yīng)用價(jià)值。
6ES7341-1AH02-0AE0
MC502
TK501
TA521
TA524
PS501
CM572-DP
CM577-ETH
DI524
DC532
DC523
DC522
DX522
DX531
PM564-T
AI523
AO523
AX521
AX522
TU515
TU516
TU531
TU532
DC551-CS31
PM564-R-AC
DC522
DC523
DC532
DX522
DX531
AI523
AO523
AX521
AX522
TU515
TB521-ETH
TB521-ARCNET
TB541-ETH
MC502
TK501
TK502
TA521
TA522
TA526
TA524
PS501
PS541-HMI
CM572-DP
CM575-ETH
CM578-CN
DI524
TU532
DC505-FBP
TU505
DC551-CS31
TU551-CS31
TU552-CS31
AC31GRAF-English
DC522
DC523
DC532
DX522
DX531
AI523
AO523
AX521
AX522
TU515
TU551-CS31
TU552-CS31
DC505-FBP
SA811F
TU506-FBP
PM554-R-AC
AO801
PM591-ARCNET
PM591-ETH
PM591-ARCNET
TB511-ETJ
TB511-ETH
6ES7341-1AH02-0AE0
