隨著機器視覺技術的快速發(fā)展，傳統(tǒng)很多需要人工來手動操作的工作，漸漸地被機器所替代。傳統(tǒng)方法做目標識別大多都是靠人工實現，從形狀、顏色、長度、寬度、長寬比來確定被識別的目標是否符合標準，最終定義出一系列的規(guī)則來進行目標識別。這樣的方法當然在一些簡單的案例中已經應用的很好，唯一的缺點是隨著被識別物體的變動，所有的規(guī)則和算法都要重新設計和開發(fā)，即使是同樣的產品，不同批次的變化都會造成不能重用的現實。

       而隨著機器學習，深度學習的發(fā)展，很多肉眼很難去直接量化的特征，深度學習可以自動學習這些特征，這就是深度學習帶給我們的優(yōu)點和前所未有的吸引力。很多特征我們通過傳統(tǒng)算法無法量化，或者說很難去做到的，深度學習可以。特別是在圖像分類、目標識別這些問題上有顯著的提升。

       視覺常用的目標識別方法有三種：Blob分析法（BlobAnalysis）、模板匹配法、深度學習法。下面就三種常用的目標識別方法進行對比。

Blob分析法（BlobAnalysis）

        在計算機視覺中的Blob是指圖像中的具有相似顏色、紋理等特征所組成的一塊連通區(qū)域。Blob分析（BlobAnalysis）是對圖像中相同像素的連通域進行分析(該連通域稱為Blob)。其過程就是將圖像進行二值化，分割得到前景和背景，然后進行連通區(qū)域檢測，從而得到Blob塊的過程。簡單來說，blob分析就是在一塊“光滑”區(qū)域內，將出現“灰度突變”的小區(qū)域尋找出來。

       舉例來說，假如現在有一塊剛生產出來的玻璃，表面非常光滑，平整。如果這塊玻璃上面沒有瑕疵，那么，我們是檢測不到“灰度突變”的；相反，如果在玻璃生產線上，由于種種原因，造成了玻璃上面有一個凸起的小泡、有一塊黑斑、有一點裂縫，那么，我們就能在這塊玻璃上面檢測到紋理，經二值化（BinaryThresholding）處理后的圖像中色斑可認為是blob。而這些部分，就是生產過程中造成的瑕疵，這個過程，就是Blob分析。
        Blob分析工具可以從背景中分離出目標，并可以計算出目標的數量、位置、形狀、方向和大小，還可以提供相關斑點間的拓撲結構。在處理過程中不是對單個像素逐一分析，而是對圖像的行進行操作。圖像的每一行都用游程長度編碼（RLE）來表示相鄰的目標范圍。這種算法與基于像素的算法相比，大大提高了處理的速度。

       針對二維目標圖像和高對比度圖像，適用于有無檢測和缺陷檢測這類目標識別應用。常用于二維目標圖像、高對比度圖像、存在/缺席檢測、數值范圍和旋轉不變性需求。顯然，紡織品的瑕疵檢測，玻璃的瑕疵檢測，機械零件表面缺陷檢測，可樂瓶缺陷檢測，藥品膠囊缺陷檢測等很多場合都會用到blob分析。
但另一方面，Blob分析并不適用于以下圖像：1.低對比度圖像；2.必要的圖像特征不能用2個灰度級描述；3.按照模版檢測(圖形檢測需求)。
       總的來說，Blob分析就是檢測圖像的斑點，適用于背景單一，前景缺陷不區(qū)分類別，識別精度要求不高的場景。

模板匹配法

       模板匹配是一種最原始、最基本的模式識別方法，研究某一特定對象物的圖案位于圖像的什么地方，進而識別對象物，這就是一個匹配問題。它是圖像處理中最基本、最常用的匹配方法。換句話說就是一副已知的需要匹配的小圖像，在一副大圖像中搜尋目標，已知該圖中有要找的目標，且該目標同模板有相同的尺寸、方向和圖像元素，通過統(tǒng)計計算圖像的均值、梯度、距離、方差等特征可以在圖中找到目標，確定其坐標位置。
       這就說明，我們要找的模板是圖像里標標準準存在的，這里說的標標準準，就是說，一旦圖像或者模板發(fā)生變化，比如旋轉，修改某幾個像素，圖像翻轉等操作之后，我們就無法進行匹配了，這也是這個算法的弊端。
       所以這種匹配算法，就是在待檢測圖像上，從左到右，從上向下對模板圖像與小東西的圖像進行比對。

       在opencv中有cv2.matchTemplate(src,templ,result,match_method)方法可以調用，src是待檢測圖像，templ是模板庫，match_method是匹配的方法。          這種方法相比Blob分析有較好的檢測精度，同時也能區(qū)分不同的缺陷類別，這相當于是一種搜索算法，在待檢測圖像上根據不同roi用指定的匹配方法與模板庫中的所有圖像進行搜索匹配，要求缺陷的形狀、大小、方法都有較高的一致性，因此想要獲得可用的檢測精度需要構建較完善的模板庫。

深度學習法

        2014年R-CNN的提出，使得基于CNN的目標檢測算法逐漸成為主流。深度學習的應用，使檢測精度和檢測速度都獲得了改善。
        自從AlexNet在比賽中使用卷積神經網絡進而大幅度提高了圖像分類的準確率，便有學者嘗試將深度學習應用到目標類別檢測中。卷積神經網絡不僅能夠提取更高層、表達能力更好的特征，還能在同一個模型中完成對于特征的提取、選擇和分類。

       在這方面，主要有兩類主流的算法：
       一類是結合RPN網絡的，基于分類的R-CNN系列兩階目標檢測算法（twostage）；
       另一類則是將目標檢測轉換為回歸問題的一階目標檢測算法（singlestage）。
       物體檢測的任務是找出圖像或視頻中的感興趣物體，同時檢測出它們的位置和大小，是機器視覺領域的核心問題之一。

        物體檢測過程中有很多不確定因素，如圖像中物體數量不確定，物體有不同的外觀、形狀、姿態(tài)，加之物體成像時會有光照、遮擋等因素的干擾，導致檢測算法有一定的難度。進入深度學習時代以來，物體檢測發(fā)展主要集中在兩個方向：twostage算法如R-CNN系列和onestage算法如YOLO、SSD等。兩者的主要區(qū)別在于twostage算法需要先生成proposal（一個有可能包含待檢物體的預選框），然后進行細粒度的物體檢測。而onestage算法會直接在網絡中提取特征來預測物體分類和位置。

        深圳市雙翌光電科技有限公司是一家以機器視覺為技術核心，自主技術研究與應用拓展為導向的高科技企業(yè)。公司自成立以來不斷創(chuàng)新，在智能自動化領域研發(fā)出視覺對位系統(tǒng)、機械手視覺定位、視覺檢測、圖像處理庫等為核心的20多款自主知識產權產品。涉及自動貼合機、絲印機、曝光機、疊片機、貼片機、智能檢測、智能鐳射等眾多行業(yè)領域。雙翌視覺系統(tǒng)最高生產精度可達um級別，圖像處理精準、速度快，將智能自動化制造行業(yè)的生產水平提升到一個更高的層次，改進了以往落后的生產流程，得到廣大用戶的認可與肯定。隨著智能自動化生產的普及與發(fā)展，雙翌將為廣大生產行業(yè)帶來更全面、更精細、更智能化的技術及服務。