随着机器学习的发展，对于工业产品的缺陷检测，深度网络模型检测缺陷的准确率远远高于传统图像处理算法。现在一般的做法是将传统图像技术作为预处理，或者将传统提取特征与网络深度特征相结合进一步提高准确率。
今天整理以前资料，突然看到几年前初识图像处理时做的小东西，现在看简直弱爆了，用图像处理基本操作实现工业产品缺陷检测。以此记录下初心，作为第一篇博客。（当时比较水，请勿吐槽(
_
)）
由于PCB的复杂性，可以分类处理电路板块。对于元件的焊接位置，如贴焊的小芯片阵，可以采取模板匹配的方式，循环检测出与模板匹配度最高的正确芯片焊接处，设定相似度阈值，把不正确的地方用红框标注出来。
对于元件的数量检测，例如大芯片和电容，可以先采取图像预处理，然后边缘检测等寻找元件面积，长度等其他特征，并设定参数，统计元件的数量。
对于焊接不当，多锡，缺锡的情况，基于其亮度对比，引脚特征等因素，用图像预处理，二值化，形态学基本运算等，并结合边缘检测后的轮廓特征，设定参数，将缺陷之处标识出来。
由于都是基本操作，每个完整的代码就不贴了，由于简单，结果图都挺不错的，贴几个常用的函数吧，当时还是用的Opencv C++：
