Page 97 - 城镇燃气管道检测与评估技术规程

第二章 管道智能检测研究

和普通铁轨的缺陷图像数据，并提出了融合纵向上下文信息和横向先验信息的特
征提取方法。Nieniewski 基于形态学运算设计了钢轨表面缺陷形状提取方法，在
I 型 RSDD 缺陷数据集上获得了 70% 的精确度和 79% 的召回率，在Ⅱ型 RSDD

缺陷数据集上则实现了 82% 准确率和 89% 召回率。
KolektorSDD 是电子换向器表面缺陷数据集，由 KolektorGroup 提供并标注
的缺陷图像数据集，其图像是在真实可控的工业环境下捕获，缺陷是嵌在换向
器表面的微观碎片或裂纹。该数据集包含 399 张图像，52 张有明显缺陷，347

张无缺陷。Tabernik 等人提出了一种基于分割网络的两阶段检测方法，并引入
KolektorSDD 数据集加以验证。
Oliena 是由意大利 VideoSystemsSrl 发布的玻璃瓶表面缺陷数据集，该数据
集包含有 520 张瓶子图像（颈部部分），其中 305 个有缺陷图像，215 个无缺陷

图像，显示了一种特定类型的缺陷：玻璃内的裂缝。故而使用该数据研究时面临
着缺陷样本较少、背景复杂等诸多挑战。Versini 等人提出了一种新的组合损失函
数 SCL（Segmentation–Classificationcombined Lossfunction），同时利用分割和分
类信息来减少假阳性和假阴性样本，在 Kolektor（电换向器）数据集中的表现较优，

并引入了 Oliena 数据集，以促进对玻璃瓶表面缺陷检测的研究。
基于机器视觉的物体表面缺陷检测技术，凭借其高效性和极高的检测精度，
在 3C、半导体及电子、汽车、木材、纺织品等多个关系国计民生的领域得到快
速成熟的发展。虽说如此，对于物体表面缺陷的检测依然面临着诸多挑战，针对

不同的缺陷定义标准，检测速度和精度依然是不断被探讨的话题。
（二）基于机器视觉的物体表面缺陷检测方法
传统基于机器视觉的物体表面缺陷检测方法一般流程包括：图像处理、特征
提取、目标分类。实际工程中，在获取图像数据后，通常采用图像增强和图像分

割等处理技术预先分离出缺陷区域，然后再根据缺陷目标人为设计特征规则，手
工提取缺陷区域的特征，最后应用一些分类算法对缺陷特征进行分类。特征提取
和分类算法是传统方法的重要环节，本节从特征提取和分类算法的角度总结传统
的基于机器视觉的缺陷检测方法。

1. 特征提取
图像特征提取指的是从原始图像数据中提取出能够精准、完整且不冗余地描
述目标特征的关键信息。因而传统的基于机器视觉的缺陷检测方法最关键的步骤

89