计算机视觉技术
计算机视觉技术及其应用案例解析
计算机视觉技术及其应用案例解析计算机视觉技术是人工智能领域中十分重要的一个分支，其应用领域广泛，包括工业、医疗、安防、交通、金融等各个领域。
本文将介绍计算机视觉技术的定义、原理、分类、应用案例等方面。
一、计算机视觉技术的定义计算机视觉技术是指将数字图像信号转化为实际世界中的物理信息，并对其进行分析、处理以及理解等过程。
计算机视觉技术的目的是实现对图像的理解和处理，使计算机能够像人类一样观察、理解和处理图像信息。
二、计算机视觉技术的原理计算机视觉技术原理主要涉及图像采集、图像处理和图像分析三个方面。
1.图像采集图像采集是计算机视觉技术的最开始过程，主要采用光学成像的方法，将图像信息转化为数字信号，形成数字图像。
目前常用的数字成像设备包括数码相机、CCD/CMOS传感器等。
2.图像处理图像处理是指对数字图像进行预处理、增强、分割和识别等操作，以获得更多的图像信息。
图像处理方法包括噪声滤波、灰度变换、形态学操作等。
3.图像分析图像分析是指对数字图像进行特征提取和目标识别等操作，以实现对图像的自动理解和处理。
图像分析方法包括图像分割、目标检测、目标跟踪等。
三、计算机视觉技术的分类计算机视觉技术按照不同的特点可分为以下几类：1.图像识别与分类图像识别与分类是计算机视觉技术中最为基础的应用领域，其主要任务是将数字图像分类为不同的类别。
图像识别与分类技术主要运用在图像搜索、人脸识别、物体识别等方面。
2.图像检测与跟踪图像检测与跟踪是利用计算机视觉技术对图像中的目标进行识别、定位和跟踪等操作。
其主要应用在视频监控、安防、智能交通等领域。
3.图像重建与三维建模图像重建与三维建模是利用多个二维图像信息进行三维重建和建模等操作，其主要应用在计算机辅助设计、医学影像分析等方面。
四、计算机视觉技术的应用案例1.智能语音与图像识别智能语音和图像识别技术在智能手机、智能音箱、智能手表等各类智能设备中被大量应用。
这些设备可以自动识别声音指令、人脸特征等信息，并自动完成相应的操作。
计算机视觉技术的现状和未来发展趋势
计算机视觉技术的现状和未来发展趋势一、计算机视觉技术的现状1.计算机视觉技术的定义计算机视觉技术是指利用计算机对图像或视频进行分析、处理和理解的一项技术。
它基于图像处理、模式识别、机器学习等方面的知识，旨在让计算机系统能够模拟人类视觉系统的能力，进行图像的感知、理解和推理。
2.计算机视觉技术的应用领域计算机视觉技术已经在多个领域得到了广泛的应用，包括但不限于医学影像分析、智能交通、安防监控、工业检测、虚拟现实与增强现实、无人驾驶等。
通过计算机视觉技术，可以实现对图像和视频的自动分析与识别，从而提高工作效率、降低成本、增强安全性等。
3.计算机视觉技术的主要技术（1）图像处理技术：包括图像采集、图像预处理、特征提取等，是计算机视觉技术的基础。
（2）模式识别技术：通过机器学习算法对图像进行分类、识别和检测。
（3）深度学习技术：利用深度神经网络进行图像识别和分析，已成为计算机视觉领域的主流技术。
4.计算机视觉技术的挑战尽管计算机视觉技术在多个领域得到了应用，但仍然存在一些挑战，如复杂场景下的图像识别、实时性要求较高的应用场景、对小样本数据的学习能力等。
二、计算机视觉技术的未来发展趋势1.强化学习的应用随着人工智能领域的持续发展，强化学习已经成为计算机视觉领域的一个热点。
强化学习可以帮助计算机系统更好地理解图像，提高图像分析和识别的精度与速度。
2.多模态融合技术未来计算机视觉技术将更加注重多模态融合，即通过结合图像、文本、声音等多种信息来进行更加全面的分析与理解。
这种技术的应用将拓展计算机视觉技术的应用场景，提高其适用性。
3.高性能计算平台的支持未来计算机视觉技术的发展将需要更加强大的计算平台的支持，以应对日益增长的数据量和复杂的算法模型。
云计算、边缘计算等技术的发展将为计算机视觉技术的应用提供更加强大的支持。
4.端到端的解决方案未来计算机视觉技术将趋向于提供端到端的解决方案，即通过整合数据采集、数据处理、模型训练和应用部署等环节，为用户提供更加便捷和高效的服务。
列举常见的计算机视觉技术
列举常见的计算机视觉技术
计算机视觉是使用计算机及相关设备对生物视觉的一种模拟。
它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息，下面列举一些常见的计算机视觉技术：
1. 图像分类：根据图像的内容将其划分到不同的类别中，例如识别图像中的动物、植物或其他对象。
2. 对象检测：在图像或视频中定位和识别特定的对象，例如人脸检测、车辆检测等。
3. 语义分割：将图像划分成具有不同语义的区域，例如将场景中的道路、建筑物、植被等进行分割。
4. 实例分割：在语义分割的基础上，进一步区分每个对象的实例，例如将场景中的每辆汽车进行单独的分割。
5. 目标跟踪：在视频中跟踪特定的目标对象，例如跟踪运动员的运动轨迹。
6. 姿态估计：估计人体或物体的三维姿态，例如确定人体的关节位置或手部的姿势。
7. 动作识别：识别视频中的特定动作，例如跑步、跳跃、挥手等。
8. 深度估计：根据图像或视频中的信息，估计场景的深度信息，即距离相机的远近。
9. 人脸识别：识别和验证人脸的身份，常用于安防、考勤等领域。
10. 光学字符识别（OCR）：识别图像中的文字信息，例如识别车牌号码、文档中的文字等。
这些计算机视觉技术在各个领域都有广泛的应用，如安防监控、自动驾驶、医疗诊断、工业检测、虚拟现实等。
随着技术的不断发展，计算机视觉将会在更多的领域发挥重要作用。
计算机视觉技术及其应用
计算机视觉技术及其应用一、引言计算机视觉技术是人工智能领域的重要分支之一，其在图像处理、机器人导航、自动驾驶、安防监控等方面有着广泛应用。
本文将介绍计算机视觉技术的基础概念、发展历程、相关算法和应用场景，并探讨其未来发展趋势。
二、计算机视觉技术的基础概念计算机视觉技术是指通过计算机对数字图像进行处理和分析，从而获取图像中的有用信息，通常包括图像增强、目标检测、目标识别、特征提取、图像分割等技术。
图像预处理是计算机视觉技术的重要环节，它包括图像去噪、灰度转换、直方图均衡化、滤波等技术，其中直方图均衡化是一种最常用的技术，通过对图像像素值的转换，使图像的对比度得到增强，提高了图像分析的准确性。
目标检测是计算机视觉技术的重要应用，它包括目标位置检测、目标数量统计、目标运动轨迹跟踪等技术。
目标检测技术的关键是特征提取，通常采用矩阵运算和深度学习方法对图像中的目标进行分类和识别。
三、计算机视觉技术的发展历程计算机视觉技术的发展可以分为三个阶段，分别是传统计算机视觉、深度学习与卷积神经网络和端到端的深度学习。
传统计算机视觉是指利用计算机算法进行图像分析和处理的传统方法，包括基于阈值、边缘、区域和形状等几何信息的特征提取方法和常见的分类器，如支持向量机和随机森林。
深度学习与卷积神经网络是计算机视觉技术的重要突破，它利用多层神经网络对图像特征进行学习和提取，从而大大提高了计算机视觉技术的准确率和实时性。
端到端的深度学习技术是指将数据输入模型进行特征提取、分类、预测等多个环节的过程，通过不断迭代，优化模型参数和结构，从而实现高效的图像分析和处理。
四、计算机视觉技术的相关算法计算机视觉技术的相关算法包括传统计算机视觉算法和深度学习算法。
在传统计算机视觉算法中，经典的特征提取算法包括sift算法、hog算法和lbp算法，支持向量机、随机森林和最近邻等分类器也被广泛应用于目标检测和识别中。
在深度学习算法中，卷积神经网络和循环神经网络是最常用的模型。
计算机视觉技术
计算机视觉技术计算机视觉技术的概述计算机视觉技术是指通过人工智能和计算机图像处理技术，实现对真实世界中的图像、视频进行数字化处理和分析，从而获取图像的特征和信息，是人工智能技术中的重要领域之一。
从阅读文本、识别人脸、车辆识别、智能决策等应用场景中，都会出现计算机视觉技术的身影。
计算机视觉技术的核心理论之一是图像处理技术，通过图像的预处理、分割、匹配、分析等一系列处理过程，提取和分析图像中的信息。
图像处理技术主要是涉及到的技术包括：图像去噪、边缘检测、图像增强、滤波等。
计算机视觉技术还包括目标检测、识别和跟踪技术。
对于图像中的目标，计算机需要先知道目标的位置和大小，这就需要用到目标检测技术；然后，需要对检测到的目标进行识别，即识别目标的类别或者特征，这就需要用到目标识别技术；最后，需要对目标进行跟踪，即对目标在图像中的运动状态进行跟踪。
计算机视觉技术还包括三维重建技术，通过从多个平面图像中获取三维信息和空间结构，重建出三维模型。
此外，还有对应用需求的算法和模型，比如人脸识别、手势识别等。
应用场景方面，计算机视觉技术应用广泛，例如，智能交通、安防监控、医学图像处理、虚拟现实、无人机等领域都需要用到计算机视觉技术。
总之，计算机视觉技术是重要的人工智能技术领域之一，随着技术的不断发展，它将会在更多的领域得到应用和发展。
计算机视觉技术的原理及算法计算机视觉技术是指通过计算机对真实世界中的图像、视频等进行数字化处理和分析，从而获取图像特征和信息，是人工智能技术中的重要领域之一。
计算机视觉技术的核心理论之一是图像处理技术，包括图像的预处理、分割、匹配、分析等一系列处理过程。
图像预处理包括去噪、平滑等，图像分割主要是将图像分为几个子区域，每个子区域代表一种物体或物体的一部分。
图像匹配主要是将两幅图像中相同的物体进行对齐，图像分析主要是统计和分析图像中的图案、颜色、线条等特征，以及对这些特征进行分类和识别。
在目标检测方面，主要包括基于深度学习的卷积神经网络模型和基于传统特征提取算法的模型两种。
什么是计算机视觉技术
什么是计算机视觉技术计算机视觉技术（Computer Vision，CV）是指通过使用计算机和算法来模拟人类视觉，使计算机能够感知、理解和解释数字图像和视频的能力。
它主要是通过利用数字图像处理、模式识别、机器学习等关键技术，将数字图像转化为计算机可以识别和处理的数据，使得计算机能够通过图像识别、目标检测、人脸识别、运动跟踪等方式获取关于物理世界的信息。
现在，计算机视觉已经应用到了各个领域。
例如，在医疗领域，CV技术可以帮助医生通过CT、MRI等医学图像进行自动诊断，识别人体内的异常组织；在工业领域，CV技术可以用于自动化机器人领域，让机器人去完成人工还无法完成的任务；在智能交通领域，CV技术可用于路口智能交通灯，通过摄像头认知车流量，根据交通灯的运算模拟车流量，并通过控制加减速道路通行能力。
计算机视觉技术的核心是数字图像处理。
很多人对数字图像处理这一概念还有些模糊，简单来说，就是对于所拍摄的数字图像进行处理，使图像更容易识别和更加美观。
而数字图像处理的核心就是通过算法和技术对图像进行一系列的处理步骤，如增强，缩放，降噪等。
通过这些处理，可以使得输入的图像更加适合进行计算机视觉处理。
目前，数字图像处理被广泛应用在各种设备中，如手机、数码相机等。
另外，机器学习（Machine Learning）也是计算机视觉领域加速发展的重要因素之一。
机器学习是一种人工智能的分支，其基础就是利用算法和大量数据进行训练，使得机器能够学会一些能力。
而在计算机视觉领域，机器学习技术可以用来训练分类器、检测器、跟踪器等关键模型，以使得计算机视觉系统能够更好地完成图像和视频的分析与识别任务。
此外，目标检测（Object Detection）也是计算机视觉应用中的一个重要领域。
目标检测的意思是在一张图像中，找出所有我们感兴趣的物体，例如人、车、建筑物等。
目标检测和图像分类的联系非常紧密，可以看做是图像分类的扩展，在图像分类的基础上，提供了更加详实的信息。
计算机视觉技术的研究与应用
计算机视觉技术的研究与应用一、计算机视觉技术概述计算机视觉技术是利用计算机和人工智能相关技术，将图像或视频信息转换为计算机可识别数据，并进行分析、理解和处理的技术。
其主要应用领域包括人脸识别、车辆识别、智能安防、医学影像、自动驾驶等。
二、计算机视觉技术的研究1. 基础技术研究计算机视觉技术的基础技术研究包括图像处理技术、模式识别技术、计算机图形学等多个方面。
其中图像处理技术是计算机视觉技术的基础，包括图像增强、滤波、噪声去除等。
模式识别技术则负责将图像数据进行分类、识别和理解。
而计算机图形学则主要处理三维空间的图形渲染和建模。
2. 深度学习技术深度学习技术是计算机视觉技术的研究热点，也是目前最为成熟的技术之一。
其基于神经网络模型，通过大量的数据训练，能够自动获取图像或视频的特征和关系，实现对图像的自动分类、识别、分割等。
3. 三维重建技术三维重建技术是计算机视觉离线应用中的重要研究方向，其主要应用于三维模型的生成、立体显示、游戏等方面。
该技术通过对场景的三维重建，实现物体的快速检索、拟合以及虚拟现实方面的应用。
三、计算机视觉技术的应用1. 人脸识别人脸识别是计算机视觉技术的重要应用领域之一，主要应用于公安、金融等场所的安全管理，以及手机解锁、支付等领域。
目前，人脸识别技术已经可以实现前台活体检测、多角度识别、部分遮挡识别等功能，可广泛应用于各种场景。
2. 自动驾驶自动驾驶是计算机视觉技术在未来交通领域的重要应用之一。
通过多个传感器获取场景信息，利用计算机视觉和人工智能相关技术，实现自动驾驶。
目前，已有多家汽车制造商和互联网公司进行了自动驾驶技术的研发和应用探索。
3. 智能安防智能安防是计算机视觉应用的重要领域之一，其主要应用于公共场所、商场、学校等场合的安全监控。
利用计算机视觉技术，可以实现人流量统计、异常目标识别、车牌识别等功能，提高安全性，缩短应急处理时间。
4. 医学影像医学影像是计算机视觉在医疗领域的重要应用之一，其在辅助医生疾病诊断、手术规划、治疗监控等方面发挥着重要作用。
计算机视觉技术
计算机视觉技术计算机视觉技术是一门涉及计算机系统和软件的学科，旨在使计算机能够理解和解释视觉信息。
随着计算机技术的不断发展和进步，计算机视觉技术在各个领域中得到广泛应用，包括自动驾驶、人脸识别、图像处理等。
本文将重点介绍计算机视觉技术的基本概念、应用领域和未来发展方向。
一、计算机视觉技术的基本概念计算机视觉技术是指利用计算机系统和算法来模拟和实现人类视觉系统的功能和能力。
它通过对图像和视频进行获取、处理、分析和理解，以提取其中的有用信息并做出相应的决策。
计算机视觉技术的核心任务包括目标检测与识别、图像分割与描述、运动与三维重建等。
1.1 目标检测与识别目标检测与识别是计算机视觉技术中最关键的任务之一。
它包括在图像或视频中准确定位和识别出感兴趣的目标物体。
常用的目标检测与识别算法包括卷积神经网络（CNN）、支持向量机（SVM）等。
通过这些算法，计算机可以在图像或视频中准确地检测和识别出目标物体，如人脸、车辆等。
1.2 图像分割与描述图像分割与描述是将图像分割成不同的区域，并对每个区域进行描述的过程。
图像分割可以将图像分为不同的物体或区域，以便进一步分析和处理。
图像描述则是对每个区域进行特征提取和表示，以帮助计算机理解图像的内容。
常用的图像分割与描述算法包括GrabCut、SIFT、HOG等。
1.3 运动与三维重建运动与三维重建是计算机视觉技术中的重要任务，它主要涉及对动态场景和物体进行建模、跟踪和重建的过程。
通过对图像序列或视频中的运动进行分析和估计，计算机可以实现对场景和物体的三维重建。
常用的运动与三维重建算法包括光流法、深度学习等。
二、计算机视觉技术的应用领域计算机视觉技术在各个领域中都有广泛的应用，下面将介绍其中一些典型的应用领域。
2.1 自动驾驶自动驾驶是计算机视觉技术最具代表性的应用之一。
通过使用计算机视觉技术，汽车可以感知和理解周围环境，包括道路、障碍物、行人等，并做出相应的驾驶决策。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
38
►定义
►计算机视觉在食品中的应用
2015-7-2
39
►定义
►计算机视觉在食品中的应用
2015-7-2
40
►定义
►计算机视觉在食品中的应用
2015-7-2
41
►定义
►计算机视觉在食品中的应用
2015-7-2
42
►定义
►计算机视觉在食品中的应用
2015-7-2
43
►定义
►计算机视觉在食品中的应用
1 [( R G ) ( R B )] 2 H arccos 2 1/ 2 [( R G ) ( R B )( G B )]
颜色模型
RGB模型 CMY模型 HSV模型 CIE模型
颜色模型
RGB模型 CMY模型 HSV模型 CIE模型
1） 苹果动态图像的采集。 通过对苹果的上面及两侧三个方位的图像采集， 全面获取苹果信息。
图像的平滑处理——图像增强——边缘检测
图像的平滑处理 选择中值滤波， 程序如下。
rgb=imread （‘e:/77.jpg’） ; figure, subplot（131）, imshow（rgb）, title(‘原图’）; gray=rgb2gray (rgb) ; subplot (132) , imshow (gray) , title (‘灰图’） ; threshold=graythresh (gray) ;%取阈值 bw=im2bw (gray,threshold) ; subplot (133) , imshow (bw) , title (‘二值图’） ; j1 =medfilt2 ( gray) ; figure,subplot ( 121） ,imshow (j1) ; title (‘灰图中值滤波’) j2=medfilt2 (bw) ; subplot (122) ,imshow (j2) ; title ('二值图滤波') ; % 中值滤波
2015-7-2
56
►定义
►计算机视觉在食品中的应用
2015-7-2
57
2015-7-2
里红杰，2012，食品与机械
15
李文萃
基于视觉技术的绿茶色泽变化与品质关系研究
图像采集：在光源稳定的暗室内，将所取茶样均匀摊放在白板 上，以覆盖底板颜色为准即厚度约 2 cm~3 cm。保持照相机置于同 一高度位置对茶样进行图像采集，重复测定 3 次。 图像处理：采用 Photoshop CS3.0 软件中滤镜-模糊-平均命令 对图像进行预处理，在信息栏中分别读取 RGB、 HSB* 和 Lab 3 种颜色模式的色泽参数值。
12
图像输入设备
图像采集卡
图型显示卡
监视器 图像输出
计算机
计算机监视器 文本输出
计算机视觉系统
2015-7-2
里红杰，2012，食品与机械
14
1、图像采集与预处理主要是对采集到的图像进行去噪，增强处理，以提 高后续处理的精度； 2、特征提取是提取图像中感兴趣区域的特征，可采用图像分割等方法提 取颜色特征、纹理特征和形状特征等； 3、图像识别与判断为高级图像处理，结合预测模型实现目标的辨认、分 类与解释，可采用的分类器有神经网络分类器。
2015-7-2
50
►定义
►计算机视觉在食品中的应用
2015-7-2
51
►定义
►计算机视觉在食品中的应用
2015-7-2
52
►定义
►计算机视觉在食品中的应用
2015-7-2
53
►定义
►计算机视觉在食品中的应用
2015-7-2
54
►定义
►计算机视觉在食品中的应用
2015-7-2
55
►定义
►计算机视觉在食品中的应用
其实这里的环境光 是黄色，黑色蕾丝部分 由于材质，环境光反射 较大，形成了金色印象。 实际上就是误判环境光 所导致的错觉。
定义
计算机视觉技术是通过一个高清晰度摄像头获取物体的图像，将图像 转换成数字图像，再利用计算机模拟人的判别准则去理解和识别图像，通 过图像分析做出相应结论的实用技术。
2015-7-2
程序流程： 读入图像→灰度化 图像→直方图调整→中 值滤波→边缘检测→缺 陷判定。
5）对获取信息进行模糊分级，确定品质等级。 综合上述各种信息，利用模糊算法分级。根据苹果质量三项重要标准，
最大横径、 颜色色度和缺陷面积分别将苹果分为优等级、Ⅰ级、Ⅱ级、等
外级。具体分组标准如表1所示。
►定义
►计算机视觉在食品中的应用
2015-7-2
33
►定义
►计算机视觉在食品中的应用
2015-7-2
34
►定义
►计算机视觉在食品中的应用
2015-7-2
35
►定义
►计算机视觉在食品中的应用
2015-7-2
36
►定义
►计算机视觉在食品中的应用
2015-7-2
37
►定义
►计算机视觉在食品中的应用
2015-7-2
2015-7-2
16
李文萃
基于视觉技术的绿茶色泽变化与品质关系研究
黄星奕
计算机视觉技术在鱼新鲜度检测中的应用研究
2015-7-2
18
王鑫
基于视觉技术的苹果分拣系统设计
利用Matlab软件的图像处理功能和模糊算法来对采集的苹果图像进行 处理与分析， 进而实现苹果品质分级， 过程如下 1） 苹果动态图像的采集； 2） 苹果大小尺寸的检测； 3） 苹果表面颜色的检测； 4） 苹果表面常见缺陷的识别与测量； 5） 对获取信息进行模糊分级，确定品质等级 。
3） 苹果表面颜色的检测。 利用RGB颜色模型及HIS颜色模型对苹果表面度检测， 进行颜色分级。
进行图像分割， 得到RGB图像。 应用转化公式将苹果颜色的RGB模 型转化为HIS模型， 利用转换公式计算各像素的色度值H。
模型转换算法
RGB —— HIS
1 I ( R G B) 3
S 1 3 [min( R, G, B)] ( R G B)
计算机视觉
Computer vision
2015-7-2
1
计算机视觉的定义 计算机视觉在食品中的应用
2015-7-2
2
眼 见 为
实
你 的 眼 睛 是 否 欺 骗 了 你
2015-7-2 4
我想
静静
你的大脑试图从图
中反推出环境光，再来
推断物体本身颜色。图 片糟糕的白平衡让你的
大脑欺骗了你...
2015-7-2
44
►定义
►计算机视觉在食品中的应用
2015-7-2
45
►定义
►计算机视觉在食品中的应用
2015-7-2
46
►定义
►计算机视觉在食品中的应用
2015-7-2
47
►定义
►计算机视觉在食品中的应用
2015-7-2
48
►定义
►计算机视觉在食品中的应用
2015-7-2
49
►定义
►计算机视觉在食品中的应用
2） 苹果大小尺寸的检测。 对采集到的图像信息进行处理， 采用质点法计算质心， 确定质心以后
再计算最大果径。
首先根据格林公式求得物体质心坐标
2） 苹果大小尺寸的检测。 物体质心坐标求出之后， 可用其与边界的距离的最大值来代表苹果的
最大横径。
L=bwlabel (BW1,8) ; %标注二进制图像中已连接 的部分 stats=regionprops (L, ‘all’) ; centroids=cat (1, stats.Centroid) ; imshow (BW1) ; title (‘标记质心’) hold on%图形保持 plot (centroids (:,1) , centroids (:,2) , ‘g*’) % 标记g*-绿色* hold off area= [stats.Area] ; R=sqrt (area/pi) R=27.4140
色调H 用角度度量，取值范围为0~360°，红色为0 度，绿色为120度，蓝色为240度。它们的补 色是：黄色为60度，青色为180度，品红为 300度。 饱和度S 取值范围为0.0～1.0，值越大，颜色越饱和。 亮度V 取值范围为0(黑色)~255(白色)。
CIE（Commission Internationale de L'Eclairage）：国际照
颜色模型
RGB模型 CMY模型 HSV模型 CIE模型
明委员会，根据其法语名称简写为CIE。
4） 苹果表面常见缺陷的识别与测量 表面缺陷检测一直是困扰苹果自动化分级的难题， 缺陷的快速识别一
直是研究的热点。 本文采用特征提取， 即提取出缺陷部位的轮廓， 再进行
填充， 求其面积。 根据缺陷面积来判定等级。