文 献 综 述
摘要：随着工业生产和机械加工技术水平地提高，砂纸成为行业内必备工具。 根据不同的研磨物质，有金刚砂纸、人造金刚砂纸、玻璃砂纸等多种。目前在传统工业生产中，为保证砂纸的质量，主要是依靠工人目测、钢尺测量缺陷的大小。这种相对落后的检测技术使得在缺陷检测过程中导致生产和检测效率低、资金投入大，该问题一直是行业的诟病。为此，国内外许多生产厂家和研发人员己经加大在砂纸缺陷检测领域的投入，以实现检测的自动性、实时性、精确性和高效性。
关键词 图像处理 图像识别 缺陷检测
早在本世纪20年代，人们利用巴特兰(Bartlane)电缆图片传输系统,经过大西洋传送了第一幅数字图像.它使传输的时间从一个多星期减少到了三小时,使人们感受到数字图像传输的威力。它的传输方法，首先是对图像进行编码,然后在接收端用一台电报打印机利用字符模拟中间色调把图像还原出来,这是个初步尝试。为了对图像的灰度、色调和清晰度进行改善，人们采用各种方法对图像的传输、打印和恢复等技术进行改进，这种努力一直延续到此后的40年。直到大型计算机出现后，人们才开始用计算机来改善图像。在1964年，美国喷射推进实验室(JPL)进行了太空探测工作,当时用计算机来处理测距器7号发回的月球图片，以校正飞船上电视摄像机中各种不同形式的固有的图像畸变,这些技术都是图像增强和复原的基础。同时他们成功地用计算机绘制出月球表面的地图。随后在1965年又对徘徊者8号发回的几万张照片进行较为复杂的数字图像处理,使图像的质量进一步提高。JPL的工作引起了世界许多有关方面的注意,JPL也更加重视数字图像技术的研究,投入了更大的力量,并取得了许多非凡的成果。与此同时,JPL以及世界各国有关部门已把数字图像处理技术从空间技术开发到生物医学、X射线图像增强、光学显微图像分析、遥感图像分析、粒子物理、地质勘探、人工智能和工业检测等等方面[1]。
人工检测是产品表面缺陷的传统检测方法，该方法抽检率低、准确性不高、实时性差、效率低、劳动强度大、受人工经验和主观因素的影响大，而基于机器视觉的检测方法可以很大程度上克服上述弊端。美国机器人工业协会(RIA)对机器视觉下的定义为:“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”［2］。
机器视觉检测系统通过适当的光源和图像传感器(CCD摄像机)获取产品的表面图像，利用相应的图像处理算法提取图像的特征信息，然后根据特征信息进行表面缺陷的定位、识别、分级等判别和统计、存储、查询等操作。目前工业用相机主要基于CCD或CMOS( complementary metal oxide semiconductor) 芯片的相机。CCD 是目前机器视觉最为常用的图像传感器。
图像处理包括图像编码、图像增强、图像压缩、图像复原、图像分割等。对图像处理环节来说，输入是图像，输出也是图像，也就是处理后的图像[3]。
图象数字化的工作包括两个方面：一是把整个画面分割成由若干个“点”组成的点阵形式的数字化图象，这项工作在技术上称作“点阵取样”；二是把画面各点不同亮度的层次也用数字量表示，这项工作技术上称做“量化”[4]。
视觉表面缺陷检测也得到了广泛的研究和应用。文献[5]对规则纹理表面(天然木材、机械加工表面、纺织面料)的表面缺陷采用傅里叶变换进行图像的复原，高频的傅里叶分量对应表面纹理线型，而低频的傅里叶分量对应表面缺陷区域。文献[6]针对随机纹理的彩色图像提出了一种利于分水岭变换的颜色相似性度量， 提取了图像的颜色和纹理特征， 实现了随机纹理表面缺陷的自动分割和检测。文献[7]介绍了一种皮革表面缺陷检测的方法， 采用OTSU方法进行缺陷分割，利用欧式距离聚类法进行缺陷分类，在分类聚类时使用形态学算子进行腐蚀运算，实验结果表明了该方法的有效性。文献[8]研究了一种玻璃缺陷识别的专家系统(ES)，首先需要电子显微技术和等离子射线获得缺陷信息作为知识库，对未知的玻璃缺陷通过搜索知识库对缺陷信息进行匹配，选择最相近的类别作为输出;该方法的缺点是分类采用贪婪搜索算法，匹配速度慢。
图像处理主要涉及图像去噪、图像增强与复原、缺陷的检测和目标分割。图像分析主要涉及特征提取、特征选择和图像识别
