正反检测是上料检测、组装复检等应用中经常会遇到的需求。在很多人看来，正反检测非常简单，用诸如亮度判断或图案匹配就能轻松实现。确实，如果是特征明显，或正反区分很大的工件，简单工具就能实现，如下面这类应用，使用亮度分析工具可以稳定实现正反判断，产品方案选择软件、智能相机或者视觉传感器都可以。

                                                     正面                                反面

                                                                                              亮度分析工具结果

但实际应用往往会遇到更复杂的情况，本次介绍三类在应用中遇到的正反检测复杂应用，探讨一下正反检测的不同实现方式。

应用场景1：金属扣正反检测

这个应用需要检测组装后的金属扣的正反，避免组装异常。

正面                              反面

     该应用的最大难点在于正反面的特征难以提取，工件的成像不理想，工件的正面和反面特征很细微，而且一致性很差，用图案匹配等传统工具检测不稳定，准确率低。

针对该应用特点，采用深度学习分类工具可以轻松解决该问题。

     我们采用6张正面样本+6张反面样本进行训练，只要5分钟左右就可以训练得到分类模型。

   检测时只需要一个深度学习分类工具即可实现稳定的正反检测。而且采用CPU版本可以在不增加显卡的基础上实现高速检测（20ms）。

算法方案及耗时

应用场景2：金属工件正反检测

这个应用需要检测抓取前的金属工件金属的正反，并统计正反的数量。

正面1                   正面2

反面1                   反面2

这里应用的难点是，类内差异较大，亮度特征、纹理特征等都很难稳定检测。针对这类应用，可以考虑采用异常检测功能。不同于深度学习分类工具，通过该工具可以采用少数几张正面和反面的样本进行快速在线训练。具体操作如下：

Step1:在缺陷检测工具箱中找到异常检测工具，

Step2:根据应用向导进行设置，导入少数几张（一般20张以内，可以全部是正面-OK，也可以包含反面-NG）图片进行学习，完成后即可实现正反检测。

Step3: 根据需要添加小图裁剪、数据统计等工具，并设计运行界面，完成开发。

应用场景3：轮胎正反检测

这个应用需要检测流水线过来的轮胎正反，如果是反的，需要发出信号给操作人员，进行翻转处理。

                                                                  正面                              反面

这个应用中轮胎的正反区分明显，但难以用稳定特征描述，正反区分的特征是字符的正反，而且字符的位置和内容都在变化。

针对场景特点，我们采用字符定位+字符识别的方法来实现正反检测。算法方案如下：

由于字符位置不固定，所以采用深度学习字符定位工具实现任意任意字符串定位，并设置字符串宽度和高度筛选条件，确保只输出长字符串，提高后续字符识别信息的可靠性。

深度学习字符识别工具直接继承字符定位结果作为ROI输入即可，不需要手动绘制。

当轮胎是正面时，字符串也是正的，识别置信度较高（一般为0.9以上），当轮胎是反面时，字符也是反的，无法正常识别，识别置信度较低（一般0.5以下）。

检测结果

以上深度学习字符定位和字符识别工具均采用CPU版本，无需增加显卡，系统成本较低。

针对这三类应用本文提供的方案不是唯一的，也不一定是最优的，欢迎大家一起探讨，提出更多更好的方案。

总结：

    目前机器视觉在各个行业都得到了广泛应用，以其“智慧之眼”保障工业生产的高效高质。随着应用的广度和深度不断扩大和加深，对机器视觉从业者的要求也越来越高，哪怕诸如“有无检测”、“正反检测”等看似简单的应用充满着变化与技巧，一方面需要机器视觉软件提供商能尽可能丰富的视觉工具，另一方面，应用者也要尽可能多熟悉视觉工具的特点，并结合需求灵活应用。