如何利用传统图像处理方法进行瑕疵检测？

本文旨在以Phone背壳的瑕疵检测为例，来看看传统算法在瑕疵检测方面能达到何种程度。

需求：利用传统算法检测iPhone手机背壳是否瑕疵并给出瑕疵率

工具：摄像头/iPhone 6s/偏振镜等

瑕疵检测关注的两个问题：

1、瑕疵的标注：对瑕疵的标注是为了更直观的展示，主要是给人看的；

2、瑕疵的量化：真正机器关心的是怎么量化，是用数量表示还是百分比是个值得考虑的问题。

历程：

一、图像去噪->灰度化->二值化

二值化之后就可以看到绝大部分的瑕疵点已经凸显出来了，但是有2个问题：

1. 黑点瑕疵与白点瑕疵是二值化的两个极端，故无法同时出现。

2. 量化如何去除Logo与其他印刷的干扰

问题1后续用边缘检测替代

问题2采用像素点计数的方法，计算百分比，然后与无瑕疵的百分比作比较，准确度不高，也显得low low的。

二、图像去噪->灰度化->canny->形态学（闭运算）->连通域

边缘检测后进行闭运算，瑕疵会形成大大小小的连通域，可以统计连通域的个数，然后与无瑕疵logo与其他印刷形成的连通域个数作比较，这种情况几乎不会漏掉。这是感觉可行的选择之一。

三、OpenCV matchTemplate

实验室条件下，可以营造比较理想的条件，所以考虑了OpenCV的模板匹配，同时也测试了模板匹配在不理想情况下的表现。

结果证明因为手机瑕疵检测的需求目标较低，模板匹配是比较能够胜任的一个办法。只要模板与识别目标的拍摄角度差别不是太大，都可以很好地识别瑕疵。图片的轻微缩放大多也可以应付。

其它处理

前面都是软件方面处理的流程，在如何获得更加理想的图片方面也做了一些尝试：

采用各种不同颜色的光源，如蓝光/红光，区别不大；

对图片进行白平衡调整，有改善；

摄像头加偏振镜防止图像反光，有改善但不明显；

图片浮雕处理，肉眼看上去瑕疵显著了，但对机器而言并没有区别，故没有采纳。