確定閾值

首先需要根據具體的檢測對象和檢測目標來確定一個合適的閾值。這個閾值可以基于經驗值、統(tǒng)計分析或者對大量無缺陷和有缺陷樣本數(shù)據的分析得到。例如，在圖像的灰度值檢測中，如果已知正常表面的灰度值范圍，就可以根據這個范圍設定一個區(qū)分正常和缺陷的閾值。如果灰度值超出了這個設定的閾值范圍，就可能被判定為缺陷。這一過程需要對檢測對象的特性有深入的了解，并且可能需要多次試驗來確定最佳的閾值。

數(shù)據采集與處理

采集檢測對象的數(shù)據，數(shù)據的類型取決于檢測的方法。如果是光學檢測，可能是圖像數(shù)據；如果是基于傳感器的檢測，可能是電信號等數(shù)據。對于采集到的數(shù)據，要進行預處理，如去噪、增強等操作。以圖像數(shù)據為例，可能會采用濾波算法去除圖像中的噪聲，增強圖像的對比度，以便更準確地進行閾值判斷。

閾值比較

將經過處理的數(shù)據與設定的閾值進行比較。在表面缺陷檢測中，如果是檢測物體表面的平整度，可能會設定一個平整度的閾值。使用傳感器測量物體表面的高度數(shù)據，然后將每個測量點的高度數(shù)據與閾值進行比較。如果高度差超過了閾值，就判定該點為缺陷點。

結果輸出與判定

根據閾值比較的結果輸出檢測結果?？梢詫z測結果以可視化的方式顯示出來，如在圖像上標記出缺陷區(qū)域；或者以數(shù)據報告的形式輸出，統(tǒng)計缺陷的數(shù)量、位置等信息。例如，在自動化生產線上，如果檢測到產品表面存在缺陷，就可以輸出信號控制分揀裝置將有缺陷的產品剔除。

二、表面缺陷檢測的方法

（一）傳統(tǒng)檢測方法

目視檢查法

這是最基本的檢測方法，檢測人員直接用肉眼觀察被檢測物體的表面，判斷是否存在缺陷。這種方法簡單、易行，但受檢測人員的主觀因素影響較大，而且對于微小的、不易察覺的缺陷可能會漏檢。檢測效率相對較低，適用于對檢測精度要求不高、樣本量較小的情況。

照明檢測法

通過特殊的照明方式來突出物體表面的缺陷。例如，使用側光照明可以使物體表面的劃痕等缺陷產生陰影，從而更容易被觀察到；背向散射照明可以檢測到物體內部的一些缺陷在表面的投影。這種方法可以在一定程度上提高檢測的準確性，但對于一些復雜形狀的物體或者特殊材質的物體，可能需要調整照明的角度和強度等參數(shù)。

攝像檢測法

利用攝像頭拍攝被檢測物體的表面圖像，然后對圖像進行分析處理?？梢詸z測到如裂紋、孔洞、污漬等多種缺陷。隨著技術的發(fā)展，攝像檢測法的分辨率不斷提高，并且可以結合圖像處理算法，實現(xiàn)自動化的缺陷檢測。例如，在工業(yè)生產線上，可以實時拍攝產品表面圖像，然后通過計算機算法判斷產品是否合格。

紅外熱像檢測法

基于物體表面的溫度分布來檢測缺陷。當物體表面存在缺陷時，可能會導致熱量傳導不均勻，從而在紅外熱像圖上表現(xiàn)出溫度異常區(qū)域。這種方法對于檢測內部缺陷在表面的反映比較有效，例如檢測建筑墻體內部的空洞或者管道內部的堵塞在表面的熱傳導異常情況。它的檢測精度可能受到環(huán)境溫度、物體表面發(fā)射率等因素的影響。

激光檢測法

利用激光與物體表面相互作用的特性來檢測缺陷。例如，激光散射檢測可以根據激光在物體表面散射光的強度、方向等特性的變化來判斷表面是否存在缺陷；激光干涉測量可以檢測到物體表面微小的平整度變化。激光檢測法具有高精度、非接觸式的優(yōu)點，但設備成本相對較高，對操作人員的技術要求也較高。

渦流檢測（Eddy Current Testing，ET）

基于電磁感應原理，主要適用于導電材料的表面及近表面的檢測。當線圈靠近導電材料表面時，被測物表面產生感應電流，因缺陷造成的材質、尺寸變動會引起線圈阻抗變化，利用渦流檢測儀監(jiān)測這種變化量就能判斷出被測物表面是否存在缺陷。它是非接觸式檢測，不會損害被測物的表面，檢測無需耦合介質，檢測速度快，靈敏度高。但被檢測對象必須是導電材料，一般只適用于金屬表面缺陷檢測，對被測物的表面狀態(tài)要求較高，在檢測粗糙度較大的表面時效果不佳，難以準確區(qū)分缺陷的種類，一般應用于孔洞、裂紋等缺陷的檢測，在檢測臟污、輕微劃痕等缺陷時并不適用。

交流電磁場檢測（Alternating Current Field Measurement，ACFM）

同樣基于電磁感應原理，是綜合了交流電位降和渦流檢測兩種電磁檢測方法演化而來的檢測方法。主要是利用電磁場在不需接觸樣本表面的狀況下可檢測出表面裂紋的長度及深度。它通過激勵探頭在工件表面產生均勻電流，利用檢測線圈拾取平行電流在缺陷處產生擾動而引起磁場畸變信號，再經過信號采集和處理裝置將得到反映缺陷長度和深度信息的信號。這種方法無接觸檢測，不會損害被測物的表面，表面要求低，可穿透涂層，但僅適用于具有高導磁率的鐵磁性材料，多用于手持式檢測，自動化程度較低，設備昂貴，檢測成本高，所能檢測的缺陷種類有限。

漏磁檢測（Magnetic Flux Leakage，MFL）

是鐵磁材料產品常用的表面缺陷檢測方法之一，該方法能夠直觀地顯示缺陷的形狀、位置和尺寸。在磁化裝置的作用下將被測產品磁化至飽和狀態(tài)，若被測產品無缺陷，則產品中的磁感應線被約束至物體之中，磁通平行于被測物表面，幾乎沒有磁感應線從表面溢出；若存在破損、腐蝕等缺陷，缺陷部位的材料或形態(tài)會導致磁導率變化，將形成與缺陷大小成比例的漏磁場，通過磁敏探頭檢測泄漏的磁力線，即可推算出被測物上的缺陷形態(tài)。它僅適用于鐵磁材料產品的檢測，且不適用于檢測形狀復雜的物體。

激光超聲檢測

利用激光在物體表面產生超聲波，通過檢測超聲波的傳播特性來檢測表面缺陷。當物體表面存在缺陷時，超聲波的傳播速度、反射、折射等特性會發(fā)生變化，通過分析這些變化來確定缺陷的存在和特征。這種方法可以實現(xiàn)非接觸式檢測，對被測物體的表面形狀適應性較好，但設備復雜，檢測技術要求高。

（二）基于機器視覺的檢測方法

基于卷積神經網絡（CNN）的方法

分類網絡

采用基于CNN的分類網絡目前已成為表面缺陷分類中最常用的模式。現(xiàn)有表面缺陷分類的網絡常常采用計算機視覺中現(xiàn)成的網絡結構，包括AlexNet，VGG，GoogLeNet，ResNet，DenseNet，SENet，ShuteNet，MobileNet等。通過將標記了標簽（包括類別、矩形框或逐像素等）的缺陷圖像輸入到網絡中進行訓練，讓網絡學習缺陷的特征，從而對新的圖像進行缺陷分類，例如可以分類出異色、空洞、經線等缺陷類別。

檢測網絡

基于深度學習的目標檢測方法從結構上可劃分為以FasterR – CNN為代表的兩階段（two – stage）網絡和以SSD或YOLO為代表的一階段（one – stage）網絡。兩階段網絡需要首先生成可能包含缺陷的候選框（proposal），然后進一步進行目標檢測；一階段網絡直接利用網絡中提取的特征來預測缺陷的位置和類別。例如在PCB缺陷檢測中，可以通過這些網絡準確地檢測出缺陷的位置和類別，并且針對不同的檢測對象可以對網絡進行改進，如在檢測微小的PCB表面缺陷時，可以通過改進網絡結構提高檢測的準確性。

分割網絡

用于將缺陷逐像素從背景中分割出來。通過深度學習算法，讓網絡學習缺陷與背景的區(qū)別特征，從而精確地分割出缺陷區(qū)域，這在對缺陷形狀、大小要求精確測量的檢測任務中非常有用。