正如视频所说，他们使用经典的低通滤波进行纹理平滑，然后进行阴影校正以减少不均匀照明的影响，然后进行二值化以进行缺陷分割。

一种完全不同的技术用于轴承：边缘检测和（可能）评估与平滑线的偏差。

在重纹理表面上的划痕检测更具挑战性，我不确定商业系统是否可以处理它。

据我所知，“在低信噪比下快速检测弯曲边缘、Nati Ofir、Meirav Galun、Boaz Nadler 和 Ronen Basri”中的技术可以做到。

显然，商业解决方案是纯视觉的（不是当前的或超声波的，正如一位海报所建议的）。显示了两种方法：检测与图像表面平行的表面上的污点或缺陷，以及检测垂直于该表面的边缘中的缺陷。对我来说，这些程序似乎首先分离出意外数据（如粗糙度或光照）。也许涉及一些学习，即对“典型”意外数据的估计 - 例如，在您的情况下，您可以评估几个图像中的变化。有一些类型的变化需要考虑：

1. 成像对象的几何形状和位置（可能它的尺寸有点偏离，或者稍微调整不正确，在这两种情况下都会有你必须忽略的差异）
2. 不可避免但无害的变化（表面粗糙度、照明效果）
3. 实际变化（您正在寻找的缺陷）

我首先建立一个预期图像的模型。例如，我可以使用小波变换来表征预期变化 - 中等值和系数的标准推导。所以我会捕捉视觉变化的大小和“强度”。在尺寸或强度或深度上超出预期表面粗糙度的粗糙度将脱颖而出。

考虑到不同的方向时，对齐图像而不是零件可能会很有用。也就是说，我可以识别有用的方向点（可能是边缘）并相应地旋转、平移和缩放图像。

照明效果可能是最难理解和建模的。例如，当使用小波时，可以发现（使用几个“好”图像）不同系数之间的均值和标准偏差的相关性。这些相关性将进一步限制预期的系数值。这些相关性将很难计算（基本上，像素平方乘以评估图像的数量），但是它们的评估可以简单得多 - 一些系数将携带最多的信息，并且可以用来“引导”模型。

我希望你能理解我的回复，我要感谢你发布这么有趣的问题。我以前从未想过。边缘检测显然工作方式不同，显然在您的情况下没有多大用处。你会这么好心并提交几张（可能是 20 张）图像进行测试吗？