成像的自动检测步骤有哪些？

• 1
  要点速览
• 2
  图像采集决定后续每个自动检测步骤的上限
• 3
  预处理在检测运行前对帧做归一化
• 4
  特征提取把像素变成检测器可用的数值
• 5
  分割与配准决定检测定位在哪里
• 6
  验证是成像链路自动检测步骤的最后一步
• 7
  成像流程的五个自动检测步骤，按顺序
• 8
  为每个自动检测步骤选择方法

采集这一步决定了成像链路的自动检测步骤有没有工作空间。CT 切片、MRI 体数据、超声帧或乳腺 X 光片都以原始强度值加几何元数据的形式到达。如果曝光被截断、几何错误或帧存在运动模糊，下游滤波器无法修复。我们把采集视为固定约束，而不是可调阶段。

从像素间距和视场开始。对于五轴加工零件的表面检测，我们通常使用远心镜头，以每像素 5–10 μm 运行，使比例在视场内不漂移。对于 CT，0.1 mm 到 0.5 mm 之间的各向同性体素覆盖大多数医疗和工业工作；低于 0.05 mm 时，扫描时间和剂量快速上升。把间距写入文件头。如果文件头与实际不符，配准会偏差一个体素，你就会去追一个幽灵缺陷。

信噪比是下一道门槛。一条有用的规则是：缺陷与其背景之间的对比度应至少为局部噪声标准差的 3 倍。低于此值，阈值化会产生斑点，检测器会把噪声报告为病灶。你可以提高曝光、增加帧平均或更换模态。你不能做的是靠滤波摆脱它，因为线性滤波器会同时提高对比度和噪声。

模糊是硬限制。曝光期间运动模糊超过 2 px 的位移，会把 0.2 mm 的特征抹入背景。在移动卷材或旋转零件上，使用频闪或短全局快门曝光，并在运行生产前在测试靶上检查锐度。到达特征提取的模糊帧只会白白消耗数小时的调参。

• 1
  把间距写入文件头像素或体素尺寸与实际不符会静默破坏配准。
• 2
  保持对比度高于噪声 3 倍低于此值，阈值化会把噪声报告为缺陷。
• 3
  运动模糊限制在 2 px运动零件上使用频闪或短全局快门曝光。

预处理做三件事：去除传感器伪影、拉平不均匀照明、把每一帧带到统一的强度尺度。按此顺序进行。首先使用在相同曝光和增益下采集的校准帧进行暗帧和平场校正。这去除固定图案噪声和镜头渐晕。跳过平场校正是检测器在一台机器上工作、在下一台机器上失败的最常见原因。

接下来，用保边滤波器去噪。3×3 到 5×5 中值滤波器处理超声和低剂量 CT 上的椒盐噪声，且不会过多涂抹边缘。双边或非局部均值滤波器计算成本更高，但能保留血管壁和螺纹牙顶等细结构。缺陷工作避免使用普通高斯模糊。它降低噪声，但会磨圆检测器本应找到的角和边。

然后归一化强度。直方图均衡在批次间对比度变化时有帮助，但它也会放大平坦区域的噪声。对于背景已知的零件，更简单的 8 位最小-最大拉伸或每帧 z 分数归一化更可预测。记录你使用的参数。当批次漂移时，你需要知道原因是光学还是拉伸窗口。

最后，重采样到固定工作分辨率。如果你的训练数据以 1200 × 1600 采集，而生产帧以不同尺寸到达，特征尺度将不匹配，检测阈值会出错。在此阶段重采样一次，并保留映射，以便结果可以投影回全分辨率进行测量。

• 1
  先校正再去噪先做暗帧和平场校正；滤波器无法修复固定图案梯度。
• 2
  选择保边滤波器中值、双边或非局部均值。缺陷检测不要用普通高斯滤波。
• 3
  只重采样一次匹配训练分辨率，并保留映射回原始尺寸的关系。

特征提取是图像不再只是图像的地方。你用数值描述感兴趣区域：面积、周长、圆度、伸长率、灰度均值和标准差、纹理能量，以及沿边界的梯度幅值。在医疗应用中，球形度和边缘锐利度等形状描述子区分良性与可疑病灶的能力，往往比原始强度更强。

选择能在你无法控制的条件下保持稳定的特征。如果零件在两次运行之间重新装夹，避免使用绝对位置特征，改用形状和纹理。如果照明在一个班次内漂移10%，使用比值和归一化对比度，而不是绝对灰度值。物理上什么都没变、特征却变了，这种特征就是隐患，无论它在训练集上分得多好。

纹理特征需要谨慎处理。灰度共生矩阵和局部二值模式在铸件表面、焊缝和組織上效果良好，但对窗口大小敏感。5 × 5 窗口能捕捉细小气孔；15 × 15 窗口能捕捉刀痕和更大结构。窗口大小应根据缺陷的物理尺寸选择，而不是根据屏幕上看起来好不好。

要避免的错误是特征泛滥。给只有两百个训练样本的分类器加四十个特征，得到的模型只会拟合噪声。保持特征集小，检查特征之间的相关性，相关性高于 0.9 的成对特征删掉一个。更少、理解透彻的特征更容易向客户解释，也更容易在审核中站得住脚。

• 1
  优先用形状和纹理工装夹具或照明漂移时，绝对位置和绝对灰度值会失效。
• 2
  窗口大小按缺陷定细小气孔用 5 × 5，刀痕和更大结构用 15 × 15。
• 3
  删除相关特征相关性高于 0.9 的成对特征：保留一个，删除另一个。

分割把画面划分为有意义的区域：组织中的病灶、铸件中的气孔、刀柄上的螺纹。直方图呈双峰且背景平坦时，Otsu 阈值法就够用。自适应或局部阈值法能处理不均匀照明，但窗口需要约为最小特征的 2–3 倍。物体相互接触时，用分水岭或图割分开；单独用分水岭容易对纹理表面过度分割，之后用面积规则合并碎片。

配准对齐不同时间或不同模态采集的画面。对于重新装夹零件的刚性对齐，先用相位相关或基于特征的估计，再做精细拟合，多数情况下平均残差低于 0.5 px。如果零件变形，或者你在比较 CT 体积和 MRI 体积，就需要仿射或非刚性步骤。非刚性配准可能把真实缺陷扭曲到参考上而将其隐藏，所以要约束变形并检查变形场。

工程含义很简单：检测只在已对齐、可比较的数据上有效。未配准的减法会把每条边缘和每一点微小位移都标记为变化，操作员一周内就会不再信任系统。要在这里花时间。根据我们在机加工和铸件上的经验，配准质量对误报率的影响比任何分类器改动都大。

在故意移动或重新装夹过的零件上验证配准。在三个或更多标志点上测量残差，而不是一个。如果残差向视场边缘增大，说明模型缺少镜头畸变校正；在配准前加入畸变校正并重新检查。

• 1
  窗口匹配特征自适应阈值窗口取最小特征尺寸的 2–3 倍。
• 2
  约束非刚性变形无约束的变形可能把真实缺陷弯到参考上并隐藏它。
• 3
  在三个标志点检查残差向视场边缘增大意味着镜头畸变未校正。

验证不是走形式。在调任何参数之前先划分标注数据：约 70% 用于训练，15% 用于调参期间的验证，15% 留到最后。留出集是系统在生产中表现的唯一诚实度量。如果你在它上面调参，它就不再是留出集，你报告的数字就成了虚构。

分别跟踪精确率和召回率，并按零件族分别统计。能抓住每条裂纹但每天误报四十个良品的检测器，会被产线操作员关掉。从不误报但每二十个缺陷漏掉一个的检测器更糟，因为它会把坏件发出去。设定阈值之前先决定你能接受哪种错误，并把这个决定写下来。

输入变化时重新训练，而不是按日历。新灯、新工装夹具、新批次材料或传感器增益变化都会改变特征分布。监控得分分布和低置信度率。对照批次上召回率漂移超过 3 个点，就是先复查预处理、再动模型的信号。

保留中间输出：校正后的画面、分割掩膜、特征向量、分类器得分。当漏检到达客户那里时，这四个产物能在几分钟内告诉你问题出在采集、分割、特征还是模型。没有它们，每次调查都从零开始。

• 1
  调参前先划分70 / 15 / 15。留出集只碰一次。
• 2
  报告精确率和召回率按零件族分别报告，不要合成一个数。
• 3
  输入变化时重新训练新灯、工装夹具、材料批次或增益变化。
• 4
  保存四个产物校正画面、掩膜、特征向量、得分。