在工業(yè)中經(jīng)常使用高光面材質加工一些平整度較高，且表面要求較高的工件。

由于這些工件表面光滑，同時具有高反光等特性，導致缺陷表露不清晰，檢測時會影響被測物的特征提取，降低表面缺陷檢測成功率。

傳統(tǒng)的檢測方法仍然依靠大量人工憑借肉眼檢測，不僅影響工作效率， 而且由于工人視覺疲勞、個人評判標準等因素存在， 直接影響零件的使用壽命和性能。除此之外， 還有采用激光探傷法、超聲掃描檢測法、紅外檢測法等無損檢測方法，但因其檢測成本較高，大多局限于部分高精密零件抽檢。

為了解決高反光工件表面缺陷檢測的問題，機器視覺的引入提高了金屬表面缺陷檢測的效率和精度，可以通過從圖像中提取信息并處理后實現(xiàn)最終的智能檢測與控制。

該方法區(qū)別于傳統(tǒng)的視覺算法，優(yōu)化后的算法可有效地解決圖像采集時出現(xiàn)的高反光問題，同時可識別出產(chǎn)品劃痕、裂紋、凹坑等缺陷類型，提供了更高的準確性，為后續(xù)的缺陷檢測提供數(shù)據(jù)支持，提高生產(chǎn)效率。

場景一

高反光金屬工件表面缺陷檢測

檢測項目

待檢測產(chǎn)品為鈦合金材質棒材，檢測長度為215mm，直徑約10mm，需要檢測產(chǎn)品表面裂紋、坑點、表面啃傷、表面氧化皮等缺陷。檢測時產(chǎn)品直線通過，并需要>6米/分鐘。

檢測難點

圓柱類金屬件表面缺陷分布具有隨機性和多樣性，而金屬件的表面紋理分布無規(guī)律，在缺陷檢測時容易產(chǎn)生干擾，使得工件圖像中夾雜較多的高光噪聲，從而提取出很多虛假的目標缺陷，最終造成誤檢。

檢測方法

由于工業(yè)現(xiàn)場環(huán)境復雜，任何一個小的變動都可能會涉及到整個項目的改造，從而導致項目周期長，實施成本高。針對這一系列問題，可針對性設計專用光源系統(tǒng)和光照方式，加之以深度學習技術為基礎的智能視覺算法，即使在光照有微小變化的同時，也能保證各種缺陷都能準確的被檢測出來，完美地解決高反光造成的噪聲問題。

檢測效果

檢測表面氧化缺陷

檢測表面坑點缺陷

場景二

高反光衛(wèi)浴零部件表面缺陷檢測

檢測項目

待測試物料為衛(wèi)浴零部件，需要對其表面劃痕進行檢測識別。

檢測難點

生產(chǎn)制造中出現(xiàn)的細微劃痕與加工的紋理易混淆，并且金屬表面易反光，傳統(tǒng)算法難以識別。

檢測效果

場景三

高反光蘋果LOGO瑕疵檢測

檢測項目

待測試物料為蘋果LOG，需要對其表面瑕疵進行檢測識別。

檢測難點

此類型的工樣品本身是屬于鏡面反光，工件本身平整度高，且易粘黏油污、手印等。

反光問題：由于材質表面光潔度很高，已經(jīng)形成一個高光鏡面，光源即使在很弱的狀態(tài)下，表面的反光也會有非常強的對比度，這種對比度會把表面本身的雜質、劃痕、研磨痕等缺陷覆蓋，使得視覺拍照無法檢測出零件表面缺陷。

倒影問題：由于材質表面已經(jīng)形成一個鏡面，一般的光學鏡頭和視覺光源的燈珠等都會在材質表面形成倒影，這個倒影會成像在最后的檢測畫面上,會嚴重影響材質表面的成像效果，造成檢測無法進行。

傳統(tǒng)視覺系統(tǒng)（無法進行檢測 ）

檢測方法反光問題：反射照明，平行光成像的光學原理，可以把鏡面反光問題完美解決，即使表面有微小的劃痕、擦傷、指紋、油污等缺陷也會以很高的灰度對比呈現(xiàn)出來，極大的降低了后期圖像算法的難度。 倒影問題：同軸照明成像系統(tǒng)，路平行度高，光斑均勻且全覆蓋檢測樣品本身，不會產(chǎn)生系統(tǒng)硬件在鏡面本身上的倒影。 檢測效果

矩視智能低代碼平臺可針對高反光工件檢測，可應用于線纜、帶鋼、薄膜、玻璃、造紙、鋁板帶、鋁箔、銅箔、無紡布等整個制造過程中。并在生產(chǎn)制造過程中對產(chǎn)品進行全方位檢測，以確保出廠產(chǎn)品的品質要求，從而提高產(chǎn)品質量和工作效率。

審核編輯 ：李倩