下载文档原格式
流水线实时检查的图像处理解决方案2020我们已经进入工业4.0时代，但是许多制造装配线仍然依靠肉眼来查找和分析输送线上的次品。
而解决的方法是可以引入一个全面的机器视觉系统，该系统可以帮助维持装配线下的产品质量。
通过正确的嵌入式计算和摄像头部署这些视觉解决方案，从长远来看，可能会节省金钱和时间。
让我们进一步了解用于流水线检查的机器视觉系统的功能和特性。
通过视觉系统保持流水线质量智慧工厂为企业增效如今，机器视觉（MV）系统正在使用的最受欢迎的领域之一是制造过程，特别是在装配线中。
MV用更快，更准确的自动视觉系统代替了人眼，该系统可以实时获取和处理通过生产线的产品的图像。
在生产车间，视觉系统解决方案应由以下组件组成：具有正确照明的摄像头/传感器，带有MV软件的图像处理平台以及执行器（例如机器人）。
该系统可以实时检查装配线，同时还可以触发通过/失败等动作机制，以剔除某些存在缺陷，不规则和其他制造缺陷的产品。
除了简单的“是或否”结果外，这些系统还可以配置为对整个装配线进行复杂的分析和控制，甚至对有缺陷的产品进行修复或分级。
视觉系统可以检查哪些产品特性？为了确保产品的质量，视觉系统可以检查组装线并检测以下产品特征：正在检测存在。
只需检测产品中是否存在物体或零件，例如，拉环即可拉罐。
确定零件是否正确放置，例如包装密封件或电缆布线。
在邮箱，信件等中阅读标签，例如打印错误。
查找不规则或缺陷，例如划痕，污染，生产线错误，变色等。
这些轻微的不规则很难找到，因为它们是意外的和随机的。
视觉系统使用一种称为“黄金模板”的东西来实时比较其他物品并发现这些不规则之处。
如果将系统放置在生产线的正确位置，则可以帮助节省大量资源。
视觉系统无需在生产线末端发现成品中的缺陷，而可以检测中间零件的有缺陷的零件，将其剔除并通知。
这样，可以固定产品并将其放回生产线上。
视觉系统：如何检查装配线中的产品？检查解决方案因产品和要求而异。
指定复杂应用程序的检查过程可能具有挑战性。
机器视觉项目工程管理方案一、项目概述1.1 项目背景随着人工智能技术的不断发展，机器视觉技术在工业、农业、医疗等领域的应用越来越广泛。
机器视觉项目作为一个重要的人工智能项目，具有较高的技术含量和复杂性。
为了有效地管理机器视觉项目，提高项目团队的协作效率和项目交付质量，需要建立科学的工程管理方案。
1.2 项目目标本项目的主要目标是研发一款基于机器视觉技术的产品，其主要功能包括识别、检测、跟踪和分类等。
同时，该产品需要具备快速、准确和稳定的性能，满足不同领域的需求。
1.3 项目范围本项目的范围主要包括硬件设计、软件开发、系统集成等方面。
具体包括硬件采购、组装测试、软件编码、系统集成测试等工作内容。
其中，硬件设计包括机器视觉设备的选型、摄像头、传感器等硬件组件的选择和设计；软件开发主要包括图像处理算法、数据模型、系统架构等方面。
1.4 项目交付本项目的交付内容主要包括机器视觉产品的样品，以及相关的技术文档和培训资料。
其中，产品样品需要满足一定的性能指标，并经过严格的测试和验证。
二、项目组织2.1 项目组织结构本项目采用矩阵式组织结构，主要由硬件团队和软件团队组成。
硬件团队负责机器视觉设备的设计和制造，软件团队负责图像处理算法的研发和软件的开发。
同时，项目团队还包括项目经理、质量专员、测试工程师等角色。
其中，项目经理负责项目日常的管理和协调工作，质量专员负责项目质量管理，测试工程师负责产品测试和性能验证。
2.2 项目团队成员项目团队成员包括硬件工程师、软件工程师、项目经理、质量专员、测试工程师等。
其中，硬件工程师需要具备电子设计、PCB设计、嵌入式系统等方面的知识；软件工程师需要具备图像处理算法、C/C++编程、Linux系统等方面的技能。
2.3 项目沟通项目团队采用常规沟通和跨团队协作两种通讯方式。
常规沟通主要包括每日例会、周报、月度汇报等，用于项目进度、风险、问题等的沟通。
跨团队协作主要通过项目管理工具、文档共享平台、在线会议等方式进行。
机器人视觉（Robot Vision）简介机器视觉系统的组成机器视觉系统是指用计算机来实现人的视觉功能，也就是用计算机来实现对客观的三维世界的识别。
按现在的理解，人类视觉系统的感受部分是视网膜，它是一个三维采样系统。
三维物体的可见部分投影到网膜上，人们按照投影到视网膜上的二维的像来对该物体进行三维理解。
所谓三维理解是指对被观察对象的形状、尺寸、离开观察点的距离、质地和运动特征（方向和速度）等的理解。
机器视觉系统的输入装置可以是摄像机、转鼓等，它们都把三维的影像作为输入源，即输入计算机的就是三维管观世界的二维投影。
如果把三维客观世界到二维投影像看作是一种正变换的话，则机器视觉系统所要做的是从这种二维投影图像到三维客观世界的逆变换，也就是根据这种二维投影图像去重建三维的客观世界。
机器视觉系统主要由三部分组成：图像的获取、图像的处理和分析、输出或显示。
将近80%的工业视觉系统主要用在检测方面，包括用于提高生产效率、控制生产过程中的产品质量、采集产品数据等。
产品的分类和选择也集成于检测功能中。
下面通过一个用于生产线上的单摄像机视觉系统，说明系统的组成及功能。
视觉系统检测生产线上的产品，决定产品是否符合质量要求，并根据结果，产生相应的信号输入上位机。
图像获取设备包括光源、摄像机等；图像处理设备包括相应的软件和硬件系统；输出设备是与制造过程相连的有关系统，包括过程控制器和报警装置等。
数据传输到计算机，进行分析和产品控制，若发现不合格品，则报警器告警，并将其排除出生产线。
机器视觉的结果是CAQ系统的质量信息来源，也可以和CIMS其它系统集成。
图像的获取图像的获取实际上是将被测物体的可视化图像和内在特征转换成能被计算机处理的一系列数据，它主要由三部分组成：＊照明＊图像聚焦形成＊图像确定和形成摄像机输出信号1、照明照明和影响机器视觉系统输入的重要因素，因为它直接影响输入数据的质量和至少3 0%的应用效果。
由于没有通用的机器视觉照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以达到最佳效果。
1 .什么是机器视觉技术试论述其基本概念和目的。
答：机器视觉技术是是一门涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等诸多领域的交叉学科。
机器视觉主要用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。
机器视觉技术最大的特点是速度快、信息量大、功能多。
机器视觉是用机器代替人眼来完成观测和判断，常用于大批量生产过程汇总的产品质量检测，不适合人的危险环境和人眼视觉难以满足的场合。
机器视觉可以大大提高检测精度和速度，从而提高生产效率，并且可以避免人眼视觉检测所带来的偏差和误差。
2 .机器视觉系统一般由哪几部分组成试详细论述之。
答：机器视觉系统主要包括三大部分：图像获取、图像处理和识别、输出显示或控制。
图像获取：是将被检测物体的可视化图像和内在特征转换成能被计算机处理的一系列数据。
该部分主要包括，照明系统、图像聚焦光学系统、图像敏感元件（主要是CCD和CMOS）采集物体影像。
图像处理和识别：视觉信息的处理主要包括滤波去噪、图像增强、平滑、边缘锐化、分割、图像识别与理解等内容。
经过图像处理后，图像的质量得到提高，既改善了图像的视觉效果又便于计算机对图像进行分析、处理和识别。
输出显示和控制：主要是将分析结果输出到显示器或控制机构等输出设备。
3 .试论述机器视觉技术的现状和发展前景。
答：。
机器视觉技术的现状：机器视觉是近20〜30年出现的新技术，由于其固有的柔性好、非接触、快速等特点，在各个领域得到很广泛的应用，如航空航天、工业、军事、民用等等领域。
发展前景：随着光学传感器、信息技术、信号处理、人工智能、模式识别研究的不断深入和计算机性价比的不断提高，机器视觉技术越来越成熟，特别是市面上已经有针对机器视觉系统开发的企业提供配套的软硬件服务，相信越来越多的客户会选择机器视觉系统代替人力进行工作，既便于管理又节省了成本。
价格持续下降、功能逐渐增多、成品小型化、集成产品增多。
机器视觉技术原理
机器视觉技术是一种利用计算机视觉和图像处理技术，使计算机能够模拟和理解人类视觉系统的能力。
其原理基于以下几个核心步骤：
1. 图像获取：机器视觉系统首先需要获取待处理的图像或视频。
这可以通过相机、摄像机或其他图像传感器来实现。
2. 图像预处理：在对图像进行进一步分析之前，通常需要进行预处理步骤。
这包括图像去噪、增强对比度、调整颜色平衡等操作，以提高后续处理的效果。
3. 特征提取：在特征提取阶段，机器视觉系统会从图像中提取出代表目标或感兴趣区域的关键特征。
这些特征可以是边缘、角点、纹理、颜色、形状等。
4. 特征匹配：特征匹配是将提取的特征与已知的模板或数据库中的特征进行比对的过程。
通过比对，机器视觉系统可以确定目标的位置、识别物体等。
5. 目标检测和识别：在目标检测和识别阶段，机器视觉系统可以根据先前提取的特征和模型，对图像中的物体进行检测、分类和识别。
这可能涉及使用机器学习算法。
6. 决策和输出：最后，机器视觉系统会根据分析结果做出决策，并将结果以可视化形式或其他方式输出，如标记目标位置、显示识别结果等。
1/ 1。
基于机器视觉的表面缺陷检测系统的算法研究及软件设计一、本文概述随着工业制造技术的飞速发展，产品质量与生产效率日益成为企业竞争力的核心要素。
表面缺陷检测作为产品质量控制的重要环节，其准确性和效率直接影响到产品的整体质量和企业的生产效益。
传统的表面缺陷检测方法往往依赖于人工目视检测，这种方法不仅效率低下，而且容易受到人为因素的影响，导致漏检和误检的情况时有发生。
因此，开发一种基于机器视觉的表面缺陷检测系统，实现对产品表面缺陷的快速、准确检测，已成为当前研究的热点和难点。
本文旨在研究基于机器视觉的表面缺陷检测系统的算法，并设计相应的软件系统。
通过对图像采集、预处理、特征提取、缺陷识别与分类等关键算法进行深入研究，构建一套高效、稳定的表面缺陷检测系统。
本文还将探讨如何结合机器学习、深度学习等先进算法，提高系统的自适应能力和检测精度。
本文还将关注软件系统的架构设计、界面设计、用户交互等方面的内容，确保系统的易用性和可维护性。
通过本文的研究，旨在为表面缺陷检测领域的实际应用提供理论支持和技术指导，推动机器视觉技术在工业制造领域的广泛应用，为企业提高产品质量和生产效率提供有力保障。
二、机器视觉技术基础机器视觉是一门涉及、图像处理、模式识别、计算机视觉等多个领域的交叉学科。
它利用计算机和相关设备模拟人类的视觉功能，实现对目标对象的识别、跟踪和测量，进而完成相应的自动化处理任务。
在表面缺陷检测领域，机器视觉技术发挥着至关重要的作用。
机器视觉系统主要由图像采集、图像处理、特征提取和缺陷识别等模块组成。
图像采集模块负责获取待检测物体表面的图像信息，其性能直接影响到后续处理的准确性和效率。
图像处理模块则是对采集到的图像进行预处理，如去噪、增强、滤波等操作，以提高图像质量，为后续的特征提取和缺陷识别提供有利条件。
特征提取是机器视觉系统中的关键环节，它通过对处理后的图像进行特征分析和提取，将关键信息从海量数据中筛选出来。
在表面缺陷检测中，特征提取的主要任务是提取出缺陷区域的形状、大小、颜色、纹理等关键特征，为后续的缺陷识别提供有效依据。
机器视觉概述1、机器视觉概念机器视觉（Machine Vision）是基于视觉技术的一门边缘科学，其核心技术是视觉处理，并通过对视觉处理来执行进一步的检测与控制等。
美国制造工程师协会（ SME Society of Manufacturing Engineers ）机器视觉分会和美国机器人工业协会（ RIA Robotic Industries Association ）的自动化视觉分会对机器视觉的定义为：“机器视觉是通过光学的装置和非接触的传感器自动地接收和处理一个真实物体的图像，以获得所需信息或用于控制机器人运动的装置”。
机器视觉系统是机器视觉的现实表现形式。
2、机器视觉系统类型根据机器视觉的定义，依据光学特征可分为可见光机器视觉系统（基于CCD或CMOS等传感器）和非可见光（基于X光、红外光以及超声波等传感器）机器视觉系统，根据应用领域则可以分为工业机器视觉系统和非工业机器视觉系统，通常从事工业自动化人员只把工业机器视觉系统称作机器视觉而把非工业机器视觉系统称为图像装置或图像系统。
3、机器视觉系统特点■精度高：设计优秀的机器视觉系统能够对一千个或更多目标的一个进行空间测量。
因为此种测量不需要接触目标，所以对目标没有损伤和危险，同时由于采用了计算机技术，因此具有极高的精确度。
■连续性：机器视觉系统可以使人们免受疲劳之苦。
因为没有人工操作者，也就没有了人为造成的操作变化。
多个系统可以设定单独运行。
■灵活性：机器视觉系统能够进行各种不同的信息获取或测量。
当应用变化以后，只需软件做相应变化或者升级以适应新的需求即可。
■标准性：机器视觉系统的核心是视觉图像技术，因此不同厂商的机器视觉系统产品其标准是一致的，这为机器视觉的广泛应用提供了极大的方便。
二、机器视觉系统构成机器视觉系统用计算机来分析一个图像，并根据分析得出结论，然后给出下一步工作指令。
现今机器视觉系统有两种应用：1、机器视觉系统可以探测目标（监视、检测与控制）；2、机器视觉也可以用来创造一个部件，即运用光学器件和软件相结合直接指导制造过程（虚拟制造）。
研究背景：产品表面质量是产品质量的重要组成部分，也是产品商业价值的重要保障。
产品表面缺陷检测技术从最初的依靠人工目视检测到现在以CCD 和数字图像处理技术为代表的计算机视觉检测技术，大致经历了三个阶段，分别是传统检测技术阶段、无损检测技术阶段、计算机视觉检测技术阶段。
[]传统检测技术（1）人工目视检测法（2）频闪检测法无损检测技术（1）涡流检测法（2）红外检测法（3）漏磁检测法计算机视觉检测技术（1）激光扫描检测法（2）CCD 检测法采用荧光管等照明设备，以一定方向照射到物体表面上，使用CCD摄像机来扫描物体表面，并将获得的图像信号输入计算机，通过图像预处理、缺陷区域的边缘检测、缺陷图像二值化等图像处理后，提取图像中的表面缺陷的相关特征参数，再进行缺陷图像识别，从而判断出是否存在缺陷及缺陷的种类信息等。
优点：实时性好，精确度高，灵活性好，用途易于扩充，非接触式无损检测。
基于机器视觉的缺陷检测系统优点：集成化生产缩短产品进入市场时间改进生产流程100%质量保证实时过程监控提高产量精确检测100%检测由于经济和技术原因国内绝大多数图像处理技术公司都以代理国外产品为主，没有或者很少涉足拥有自主知识产权的机器视觉在线检测设备，对视觉技术的开发应用停留在比较低端的小系统集成上，对需要进行大数据量的实时在线检测的研究很少也很少有成功案例，但是随着国内经济发展和技术手段不断提高对产品质量检测要求就更高，对在线检测设备的需求也就更大具有巨大的市场潜力。
机器视觉图像处理技术是视觉检测的核心技术铸件常见缺陷：砂眼气孔缩孔披缝粘砂冷隔掉砂毛刺浇不足缺陷变形问题的提出：1.水渍、污迹等不属于铸件缺陷，但由于其外观形貌与缺陷非常类似, 因此易被检测系统误识为缺陷。
从目前发表的文献来看，对于伪缺陷的识别率较低。
2.不同种缺陷之间可能存在形状、纹理等方面的相似性，造成缺陷误判。
国外研究发展现状：20 世纪90 年代后，基于机器视觉检测系统的自动化功能和实用化水平得到了进一步的提高。
1990 年芬兰Rautaruukki New Technology公司研制了Smartivis表面检测系统[]，该系统具有自学习分类功能，应用机器学习方法对决策树结构进行自动设计优化。
1996 年美国Cognex公司研发了一套iLearn自学习分类器软件系统并应用于其研制了iS-2000 自动检测系统。
通过这两套系统的无缝衔接，极大地提高了检测系统实时的运算速度，有效的改进了传统自学习分类方法在算法执行速度、数据实时吞吐量、样本训练集规模及模式特征自动选择等方面的不足之处[]。
2004 年Parsytec公司发布了新一代表面质量检测产品Parsytec5i，该系统运用了自学习神经网络分类方法进行缺陷分类，将表面质量信息输入到支持决策信息中，不仅可以对产品的表面质量进行检测和评价，还能预测潜在质量问题，并将检测信息提供给使用者进行整合和利用[]国内研究发展现状：2005年北航周正干等人提出了一种新型的数学形态学滤波与计算机视觉算法相结合的缺陷自动提取方法。
2009 年北京科技大学徐科等采用线形激光进行连铸坯表面裂纹的在线检测，并用AdaBoosting分类器成功地实现了对表面裂纹、水痕、渣痕、氧化铁皮和振痕等5 种缺陷和伪缺陷样本的识别。
北京科技大学高效轧制国家工程研究中心研制开发了具有全部自主知识产权的冷轧带钢[ 1 9 - 2 0 ]和热轧带钢表面在线检测系统[ 2 1 ]，并在生产线上得到成功应用。
《基于光度立体学的金属板带表面微小缺陷在线检测方法》徐科等机械工程学报2013检测示意图微小缺陷与常规缺陷同步检测装置关键点：二维图像上缺陷研究的关键是如何准确地分割出缺陷目标。
图像目标分割方法大多是为特定应用设计的，具有较强的针对性和局限性。
缺陷分割就是指将感兴趣的缺陷目标从被测表面的背景信息（如颜色、轮廓、亮度、形状）中分离出来，使缺陷直接成为分析和处理对象的过程，是视觉检测的关键。
缺陷分割是后续缺陷分析判别的基础，若分割中出现错误或误差而传播给后续的图像分析中，将导致检测错误或失败。
因此，缺陷分割性能的优劣直接影响着后续的研究工作的进行，是表面缺陷检测中的一项关键技术。
全局阈值分割双峰法、自适应迭代法和最大类间分割法东北林业大学纹理分割（可否获得高质量的图像，突出缺陷？）光源的作用是形成有利于后续检测算法复杂度降低和缺陷检测率提高的铸坯表面缺陷图像效果。
光源的选择直接关系到采集图像的质量和图像中能否明显表露存在的缺陷。
据统计，至少30%的图像质量和应用效果受到光源选择的直接影响。
采集到的理想图像应是完整的、均匀亮度、对比度强且没有畸变。
难点：由于生产环境而造成的伪缺陷的出现极大的影响了检测的精度和准确度，引起检测系统的误动作。
多维视角分析在上图一些步骤的基础上，增加了一些基于多维视角几何的分析步骤。
多维视角分析的核心思想是，它能够通过从不同的角度进行多维视角分析来获取待测物体的更多的信息。
它是一种在检测容易被误检的复杂对象时非常有用的方法，因为从不同角度对同一物体的两个或多个视角能够提高只通过一张图像来检测缺陷的方法的正确率。
（剔除伪缺陷，见文献[][][]）图2 多角度获取图像信息特征提取：对于表面缺陷检测，在缺陷有效的分割之后，要进行缺陷的判别。
这里，缺陷的判别包括缺陷识别、缺陷分类、真伪缺陷判断、缺陷参数给出等问题。
如果将缺陷的判别过程看做是一个“黑盒子”，那么这个“黑盒子”的输入是陷图像的各种特征数据，输出是判别结果（类型、参数等）。
征去除无意义特征。
纹理特征提取：尽量缩小同类内样本特征值之间的差距，增大不同类间特征值的差距，有助于提高分类器的性能，降低分类器设计的复杂性。
Gabor滤波器：针对二维数字图像，二维的Gabor 滤波器具有优良的滤波性能，并与生物视系统有相近的特点。
二维Gabor 滤波器能够在方向、径向频率带宽以及中心频方面进行定制，因此在空间域和频率域都能获得极佳的分辨率。
计算量大。
小波变换：将纹理图像看成是二维信号，运用二维离散小波变换进行纹理图像的处理。
可将图像在频域上分解为低频子带（纹理的基本结构）和若干方向上的高频子带（纹理细节），然后提取各子带的特征形成特征向量。
统计几何特征提取方法《基于非基于非下采样Contourlet变换和PCNN的表面缺陷自动识别方法》周新星中国地质大学首先用NSCT对缺陷图像进行多尺度多方向分解; 然后将子带图像输入迭代点火，计算点火图的熵序列作为子图的特征，合并各子图特征得到原图的特征向量; 最后用支持向量机进行分类识别。
NSCT原理示意图PCNN 中单个神经元的模型分类：模式识别分类器。
（SVM与神经网络）表面缺陷检测的应用往往存在多种类型的表面缺陷，因此，缺陷识别问题通常是多类分类问题。
分类的难点在于分类器的设计。
目前常用的分类器方法大体可以分为两种：不需要学习的分类器和需要学习的分类器。
不需要学习的分类器通常基于统计的方法，如贝叶斯理论、距离判别、Fisher判别、k-邻近法、聚类分析、决策树分类等；需要学习的分类器如神经网络、支持向量机等。
不需要学习的分类器往往需要大样本支持，并且需要一定的先验知识，计算量大，速度慢，因此，在实时检测应用中往往难以实现。
（《注射制品表面缺陷在线检测与自动识别》华中科技大学材料成形与模具技术国家重点实验室2013 ，提出一种基于缺陷区域轮廓、制品轮廓、区域灰度等特征的缺陷自动识别算法。
缺陷分类判定规则）需要学习的分类器，如果经过充分的、具有代表性的样本学习训练后使分类器规则确定，则可用于实时在线的检测应用。
但神经网络的神经元层数及每层神经元的个数还是需要先验知识确定，且其计算原理基于最小方差理论，因此容易陷入局部最优，且其分类思想还是基于经验风险最小化原则。
支持向量机（SVM, Support Vector Machine）是在统计学习理论（SLT,tistical Learning Theory）的基础上发展起来的一种统计学习方法，其核心思想结构风险最小化取代传统分类器的经验风险最小化[148]。
支持向量机是一种建立在VC 维和结构最小化准则上的机器学习算法，通过学习，SVM 可以自动寻找那些对分类有较好区分能力的支持向量，由此构造出的分类器可以最大化类之间的间隔，使不同的样本能够被分类器分开。
因而有较好的推广性能和较高的分类精确率。
SVM 已被用于文本分类、孤立的手写体识别、语音识别、人脸识别、三维物体识别、遥感图像分析等。
支持向量机是一种高性能的分类算法，跟上面介绍的方法相比有明显的优势。
支持向量机（SVM, Support Vector Machine）是在统计学习理论（SLT,tistical Learning Theory）的基础上发展起来的一种统计学习方法，其核心思想结构风险最小化取代传统分类器的经验风险最小化虽然向量机是针对二分类问题的，由二分类器组合成的多分器在性能上也有很好的表现。
随着越来越多的对它的研究，将是机器学习中一项很有发展前景的技术。
通过多个二分类向量器的组合构造多分类向量器。
一对多一对一DAG SVM：核函数核参数惩罚因子降低训练时间减少向量机复杂程度多分类算法关键点：保证训练样本的质量，滤除噪声。
真伪缺陷判别方法：（国内研究现状）1.基于纹理的非模式图像伪缺陷甄别通常缺陷出现时，缺陷处的光学性能的改变呈现两面性：大多数区域的透射性能降低，而局部小区域的透射性能却增加。
透射性能增加的位置其图像区域灰度值呈偏亮的特征，由于这些偏亮的像素往往呈现离散的条纹状分布在缺陷核心的周围，其反映了缺陷核心的外围轮廓，将之称为缺陷纹理。
可以通过从实时图像中拟合出一个标准曲面D (i ,j)，通过从实时图像与标准曲面的差来求取缺陷纹理。
（《产品表面缺陷在线检测方法研究及系统实现》彭向前华中科技大学2008）2.基于多幅图像的缺陷自动识别技术该方法将识别过程分为两步:缺陷提取和缺陷跟踪。
第一步利用传统方法在每幅图像中分离出潜在缺陷。
这一步保证真缺陷能全部提取出来，而不考虑伪缺陷的数量。
第二步力图找出同一试件不同图像中分离出的缺陷之间的相互关系。
如果第一步某一图像中分离出的某一缺陷在其他图像中都找不到相对应的缺陷区域，就定义该缺陷为伪缺陷，也就是说，真缺陷在不同图像中必须满足一定的几何关系。
多幅图像中的缺陷跟踪综合利用了极线约束、三维重建和三线性约束等立体视觉算法。
（《航空发动机叶片X射线数字图像分析的一种新方法》周正干等北京航天航空大学2006）3.基于B 样条曲线及极值修正的缺陷提取针对背景起伏大、对比度低、纹理复杂的图像容易出现大量伪缺陷。
利用B 样条曲线以及极值修正的方法，对列灰度曲线波形进行平滑优化，然后通过对提取的极值进行分析提取，确定缺陷的边界，最后分割和提取出缺陷。
