与人类视觉相比，机器缺陷检测有着明显的优势，它精确度高，速度快，可“看”清人眼无法看清的快速运动的目标，具有较高的稳定性，提升质量的可控性，同时可以进行信息的集成与留存，方便人员追溯。因此，机器视觉在多个领域都有着频繁的应用，帮助人工进行缺陷的检测识别并标记。
同时，随着在行业内多年的沉淀，这项技术也取得了质的发展：
1. 图像采集技术发展迅猛
CCD、CMOS等固件越来越成熟，图像敏感器件尺寸不断缩小，像元数量和数据率不断提高，分辨率和帧率的提升速度可以说日新月异，产品系列也越来越丰富，在增益、快门和信噪比等参数上不断优化，通过核心测试指标(MTF、畸变、信噪比、光源亮度、均匀性、色温、系统成像能力综合评估等)来对光源、镜头和相机进行综合选择，使得很多以前成像上的难点问题得以不断突破。
2. 图像处理和模式识别发展迅速
图像处理上，随着图像高精度的边缘信息的提取，很多原本混合在背景噪声中难以直接检测的低对比度瑕疵开始得到分辨。
模式识别上，本身可以看作一个标记过程，在一定量度或观测的基础上，把待识模式划分到各自的模式中去。缺陷检测图像识别中运用得较多的主要是决策理论和结构方法。决策理论方法的基础是决策函数，利用它对模式向量进行分类识别，是以定时描述(如统计纹理)为基础的;结构方法的核心是将物体分解成了模式或模式基元，而不同的物体结构有不同的基元串(或称字符串)，通过对未知物体利用给定的模式基元求出编码边界，得到字符串，再根据字符串判断它的属类。在特征生成上，很多新算法不断出现，包括基于小波、小波包、分形的特征，以及独二分量分析;还有关子支持向量机，变形模板匹配，线性以及非线性分类器的设计等都在不断延展。
3. 深度学习带来的突破
传统的缺陷检测机器学习在特征提取上主要依靠人来分析和建立逻辑，而深度学习则通过多层感知机模拟大脑工作，构建深度神经网络(如卷积神经网络等)来学习简单特征、建立复杂特征、学习映射并输出，训练过程中所有层级都会被不断优化。在具体的应用上，例如自动ROI区域分割;标点定位(通过防真视觉可灵活检测未知瑕疵);从重噪声图像重检测无法描述或量化的瑕疵如橘皮瑕疵;分辨玻璃盖板检测中的真假瑕疵等。随着越来越多的基于深度学习的机器视觉软件推向市场(包括瑞士的vidi，韩国的SUALAB，香港的应科院等)，深度学习给机器视觉的赋能会越来越明显。
当然，目前，缺陷检测目前能减轻人工负担，但要全面替代人工，仍有诸多难点需要突破：
1. 光源与成像：
缺陷检测机器视觉中优质的成像是第一步，由于不同材料物体表面反光、折射等问题都会影响被测物体特征的提取，因此光源与成像可以说是机器视觉检测要攻克的第一个难关。比如现在玻璃、反光表面的划痕检测等，很多时候问题都卡在不同缺陷的集成成像上
2. 对非预期缺陷的识别：
在应用中，往往是给定一些具体的缺陷模式，使用机器视觉来识别它们到底有没有发生。但经常遇到的情况是，许多明显的缺陷，因为之前没有发生过，或者发生的模式过分多样，而被漏检。如果换做是人，虽然在操作流程文件中没让他去检测这个缺陷，但是他会注意到，从而有较大几率抓住它，而机器视觉在这点上的“智慧”目前还较难突破。
以上便是为大家带来关于缺陷检测的资讯， 也会攻克技术难关，深耕行业，为用户带来更智能的体验。