本發(fā)明屬于產(chǎn)品質(zhì)量檢測技術(shù)領(lǐng)域，具體涉及一種基于旋轉(zhuǎn)不變紋理特征的粉管表面瑕疵分類方法及其分類系統(tǒng)。

背景技術(shù)：

在節(jié)能燈管的生產(chǎn)過程中，需要用熒光粉均勻地涂在玻璃管壁上，因此熒光粉噴涂質(zhì)量就直接影響到節(jié)能燈的生產(chǎn)合格率。如果在生產(chǎn)過程中，由于機(jī)器設(shè)備或其他偶然因素造成熒光粉涂層刮擦、噴涂不均勻等瑕疵時(shí)，這些次品燈管需要按照不同瑕疵類別進(jìn)行二次加工。因此燈管表面瑕疵檢測和分類對(duì)節(jié)能燈的產(chǎn)品質(zhì)量檢測至關(guān)重要。

在對(duì)節(jié)能燈管表面瑕疵情況進(jìn)行檢測和分類過程中，能夠準(zhǔn)確并且高效地在線實(shí)時(shí)檢測和分類是十分重要的。然而，由于生產(chǎn)加工過程中產(chǎn)生瑕疵方向的不定性等因素，成品節(jié)能燈管的質(zhì)量檢測成為產(chǎn)品質(zhì)量自動(dòng)檢測領(lǐng)域的一個(gè)技術(shù)難題。

在現(xiàn)有的工藝條件下，節(jié)能燈管的瑕疵檢測和分類一般是采用離線人工肉眼進(jìn)行檢測和分類，根據(jù)一些先驗(yàn)的經(jīng)驗(yàn)來確定瑕疵的類別。雖然在一定程度上滿足了需求，但是由于檢測分類效率的低下、自動(dòng)化程度低、人工檢測易于出錯(cuò)和出現(xiàn)誤檢等問題，不能夠滿足現(xiàn)代化企業(yè)對(duì)于瑕疵燈管的檢測和分類的實(shí)際需求。

專利號(hào)為ZL 201310015434.4的中國發(fā)明專利“一種基于機(jī)器視覺的U型粉管的檢測方法及其檢測系統(tǒng)”公開了一種通過圖像采集、特征提取、瑕疵判別計(jì)算，最終判定被測粉管涂粉質(zhì)量合格還是不合格，該方法及系統(tǒng)能夠?qū)崿F(xiàn)U型粉管涂粉效果的實(shí)時(shí)檢測，但是無法有效判斷瑕疵的不同類別，不能有效地對(duì)U型粉管瑕疵進(jìn)行在線實(shí)時(shí)的分類。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)所存在的上述技術(shù)缺陷及不足，本發(fā)明提供了一種基于旋轉(zhuǎn)不變紋理特征的燈管表面瑕疵分類方法和系統(tǒng)。

基于上述瑕疵分類方法本發(fā)明還提供了一種基于旋轉(zhuǎn)不變紋理特征的燈管表面質(zhì)量檢測和瑕疵分類方法和系統(tǒng)。

本發(fā)明實(shí)現(xiàn)了燈管成品表面瑕疵的實(shí)時(shí)檢測以及瑕疵類型的區(qū)分，檢測效率和分類精度高，提高了節(jié)能燈管生產(chǎn)流水線的效率，同時(shí)大大降低了檢測人員的勞動(dòng)強(qiáng)度。

為解決上述技術(shù)問題，本發(fā)明提供的技術(shù)方案分別如下：

一種基于旋轉(zhuǎn)不變紋理特征的燈管表面瑕疵分類方法，其特征在于，包括如下步驟：

(1)采集各類別瑕疵燈管的瑕疵圖像，按照設(shè)定方向，建立樣本庫；該步驟實(shí)際操作時(shí)，預(yù)先收集節(jié)能燈管生產(chǎn)公司人工分揀出的節(jié)能燈管次品，對(duì)次品粉管(燈管)按照瑕疵種類進(jìn)行人工區(qū)分，將粉管瑕疵歸類為幾種典型類別，對(duì)各類別瑕疵采集一定數(shù)量圖像，并按照設(shè)定方向?qū)@些圖像進(jìn)行旋轉(zhuǎn)，并保存這些圖片，建立樣本庫；

(2)采集待分類瑕疵燈管的燈管圖像，讀取燈管圖像中包含瑕疵的感興趣區(qū)域(ROI，Region of Interesting)，截取瑕疵圖像的感興趣區(qū)域部分，得到待分類圖像；

(3)在設(shè)定角度方向上求取待分類圖像的灰度共生矩陣，同時(shí)計(jì)算相應(yīng)設(shè)定角度方向上灰度共生矩陣的特征參數(shù)，根據(jù)所述特征參數(shù)判斷出待分類圖像中燈管瑕疵的方向；

(4)根據(jù)求得的燈管瑕疵的方向，將待分類圖像進(jìn)行旋轉(zhuǎn)校正，使得燈管瑕疵的方向接近設(shè)定方向；該步驟中，所述的設(shè)定方向一般是指與樣本庫中指定的方向一致，以便于后續(xù)的計(jì)算和對(duì)比；

(5)提取旋轉(zhuǎn)校正后圖像的LBP(Local Binary Patterns，局部二值模式)特征，并結(jié)合該待分類圖像的特征參數(shù)，得到待分類圖像的紋理特征矩陣；

(6)根據(jù)求得的紋理特征矩陣，計(jì)算待分類圖像與各類瑕疵圖像的相似度；

(7)將待分類圖像歸類為相似度最大的一類。

作為優(yōu)選，步驟(3)中，判斷燈管瑕疵的方向的具體方法如下：

(4-1)在0-180°角度范圍內(nèi)，以設(shè)定大角度間隔△θ₁得到若干大角度方向，在得到的大角度方向上分別求取待分類圖像的灰度共生矩陣，并計(jì)算該灰度共生矩陣的特征參數(shù)，判斷出燈管瑕疵的大致方向范圍；

(4-2)針對(duì)判斷出的大致方向范圍，再以設(shè)定小角度間隔△θ₂細(xì)分出相應(yīng)的多個(gè)細(xì)分方向，計(jì)算出多個(gè)細(xì)分方向上相應(yīng)的灰度共生矩陣，并計(jì)算該灰度共生矩陣的特征參數(shù)，判斷出燈管瑕疵的燈管瑕疵的準(zhǔn)確方向范圍。

采用上述方案，先確定大致方向范圍，再在該范圍內(nèi)細(xì)分計(jì)算，大大提高了計(jì)算的針對(duì)性，可進(jìn)一步提高計(jì)算效率。

作為優(yōu)選，所述△θ₁＝45°，所述若干大角度方向分別為0°、45°、90°、135°。即，在步驟(4-1)中，計(jì)算待分類圖像在0°、45°、90°、135°4個(gè)方向的灰度共生矩陣。步驟(4-1)中，根據(jù)特征參數(shù)得到的符合的要求的角度值定義為大致角度目標(biāo)值，定義為θ’，所述大致方向范圍＝θ’±△θ₁。比如，步驟(4-1)中，判斷出大致角度目標(biāo)值為90°，得到的所述燈管瑕疵的大致方向范圍為45-135°。

作為優(yōu)選，所述△θ₂＝15°。即，步驟(4-2)中，利用步驟(4-1)所判斷出的大致方向范圍，再以15°為間隔，細(xì)分出6個(gè)方向，并計(jì)算出6個(gè)方向上相應(yīng)的灰度共生矩陣；計(jì)算出6個(gè)細(xì)分方向上灰度共生矩陣的能量、對(duì)比度、同質(zhì)性、相關(guān)性4個(gè)參數(shù)，并判斷出燈管瑕疵的準(zhǔn)確方向范圍。步驟(4-2)中，根據(jù)特征參數(shù)得到的符合的要求的角度值定義為準(zhǔn)確角度目標(biāo)值，定義為θ”，所述準(zhǔn)確方向范圍＝θ”±△θ₂。比如，步驟(4-2)中，判斷出大致角度目標(biāo)值為90°，得到的所述燈管瑕疵的準(zhǔn)確方向范圍為75-105°。

作為優(yōu)選，所述特征參數(shù)為灰度共生矩陣的能量(Energy)、對(duì)比度(Contrast)、同質(zhì)性(Homogeneity)、相關(guān)性(Correlation)的4個(gè)參數(shù)。

對(duì)瑕疵方向進(jìn)行判斷時(shí)，首先計(jì)算灰度共生矩陣的能量(Energy)、對(duì)比度(Contrast)、同質(zhì)性(Homogeneity)、相關(guān)性(Correlation)4個(gè)參數(shù)：

其中k為灰度共生矩陣的行數(shù)(列數(shù))，P(i,j)為圖像在(i,j)處的灰度值，μ_i,μ_j,σ_i,σ_j計(jì)算公式如下：

然后，判斷燈管瑕疵的大致方向可采用公式(10)～(13)中的一個(gè)或者多個(gè)：

φ₁＝f(max{Energy_θ}) (10)

φ₂＝f(min{Contrast_θ}) (11)

φ₃＝f(max{Homogeneity_θ}) (12)

φ₄＝f(max{Correlation_θ}) (13)

其中函數(shù)f(x)是在特征x下所對(duì)應(yīng)的方向，θ為各個(gè)方向的角度，正常情況下φ₁＝φ₂＝φ₃＝φ₄，取燈管瑕疵大致方向φ＝φ₁±△θ₁＝[φ_iφ_i+1]；

作為優(yōu)選，所述準(zhǔn)確方向?yàn)橐粋€(gè)角度范圍θ₀～θ₁，所述旋轉(zhuǎn)校正時(shí)，旋轉(zhuǎn)的方向?yàn)榧处取薄?/p>

一種基于旋轉(zhuǎn)不變紋理特征的燈管表面質(zhì)量檢測和瑕疵分類方法，包括上述任一方案所述的基于旋轉(zhuǎn)不變紋理特征的燈管表面瑕疵分類方法，其中，步驟(2)替換為：

(2)在線實(shí)時(shí)采集待檢測燈管的燈管圖像；利用滑動(dòng)窗口方法檢測上述燈管圖像是否存在瑕疵：若待檢測圖像存在瑕疵，計(jì)算出燈管圖像中包含瑕疵的感興趣區(qū)域，得到待分類圖像；若不存在瑕疵，則輸出燈管合格；

重復(fù)步驟(2)-(7)實(shí)現(xiàn)對(duì)多個(gè)燈管的質(zhì)量檢測，以及對(duì)多個(gè)燈管或者一個(gè)燈管多個(gè)瑕疵的瑕疵分類。

利用上述方案，可實(shí)現(xiàn)燈管的實(shí)時(shí)在線檢測。

本發(fā)明還提供一種基于旋轉(zhuǎn)不變紋理特征的燈管表面瑕疵分類系統(tǒng)，包括：

圖像采集單元，用于采集待分類瑕疵燈管的燈管圖像；

圖像處理單元，用于對(duì)所述的燈管圖像進(jìn)行處理，并計(jì)算出瑕疵分類結(jié)果；

檢測結(jié)果顯示單元，用于顯示圖像處理單元檢測結(jié)果；

所述的圖像處理單元對(duì)所述的燈管圖像進(jìn)行處理，并計(jì)算出瑕疵分類結(jié)果時(shí)，具體方法為：

(i)讀取燈管圖像中包含瑕疵的感興趣區(qū)域，得到待分類圖像；

(ii)在設(shè)定角度方向上求取待分類圖像的灰度共生矩陣，同時(shí)計(jì)算相應(yīng)設(shè)定角度方向上灰度共生矩陣的特征參數(shù)，根據(jù)所述特征參數(shù)判斷出待分類圖像中燈管瑕疵的方向；

(iii)根據(jù)求得的燈管瑕疵的方向，將待分類圖像進(jìn)行旋轉(zhuǎn)校正，使得燈管瑕疵的方向接近設(shè)定方向；

(iv)提取旋轉(zhuǎn)校正后圖像的LBP特征，并結(jié)合該待分類圖像的特征參數(shù)，得到待分類圖像的紋理特征矩陣；

(v)根據(jù)求得的紋理特征矩陣，計(jì)算待分類圖像與各類瑕疵圖像的相似度；

(vi)將待分類圖像歸類為相似度最大的一類。

本發(fā)明提供了一種基于旋轉(zhuǎn)不變紋理特征的燈管表面質(zhì)量檢測和瑕疵分類系統(tǒng)，包括：

圖像采集單元，用于實(shí)時(shí)采集待檢測燈管的燈管圖像；

圖像處理單元，用于對(duì)所述的燈管圖像進(jìn)行處理，并計(jì)算出瑕疵分類結(jié)果；

檢測結(jié)果顯示單元，用于顯示圖像處理單元檢測結(jié)果；

所述的圖像處理單元對(duì)所述的燈管圖像進(jìn)行處理，并計(jì)算出瑕疵分類結(jié)果時(shí)，具體方法為：

(i)利用滑動(dòng)窗口方法檢測上述燈管圖像是否存在瑕疵，若待檢測圖像存在瑕疵，計(jì)算出燈管圖像中包含瑕疵的感興趣區(qū)域，得到待分類圖像；若不存在瑕疵，則輸出燈管合格；

(ii)在設(shè)定角度方向上求取待分類圖像的灰度共生矩陣，同時(shí)計(jì)算相應(yīng)設(shè)定角度方向上灰度共生矩陣的特征參數(shù)，根據(jù)所述特征參數(shù)判斷出待分類圖像中燈管瑕疵的方向；

(iii)根據(jù)求得的燈管瑕疵的方向，將待分類圖像進(jìn)行旋轉(zhuǎn)校正，使得燈管瑕疵的方向接近設(shè)定方向；

(iv)提取旋轉(zhuǎn)校正后圖像的LBP特征，并結(jié)該待分類圖像的特征參數(shù)，得到待分類圖像的紋理特征矩陣；

(v)根據(jù)求得的紋理特征矩陣，計(jì)算待分類圖像與各類瑕疵圖像的相似度；

(vi)將待分類圖像歸類為相似度最大的一類。

所述的圖像處理單元為工業(yè)控制計(jì)算機(jī)，通過分類算法和軟件編程實(shí)現(xiàn)節(jié)能燈管表面瑕疵的分類。同時(shí)，為便于燈管質(zhì)量檢測過程的監(jiān)控，所述圖像處理單元內(nèi)還可以包括人機(jī)界面軟件，用于實(shí)時(shí)顯示所述的待分類節(jié)能燈管瑕疵圖像以及瑕疵分類結(jié)果，記錄分類歷史數(shù)據(jù)，并接收用戶的操作指令對(duì)軟件進(jìn)行參數(shù)設(shè)定。

針對(duì)節(jié)能燈管現(xiàn)有的工藝水平和實(shí)際環(huán)境產(chǎn)生的瑕疵方向不定性問題，本發(fā)明充分考慮了對(duì)于燈管瑕疵方向的不定性因素，實(shí)現(xiàn)了基于旋轉(zhuǎn)不變紋理特征的節(jié)能熒光管粉管瑕疵的分類，并且能夠高效的批量檢測、在線實(shí)時(shí)分類。

本發(fā)明通過高速工業(yè)攝像機(jī)，配合背光源實(shí)時(shí)采集流水線上的節(jié)能燈管圖像，利用灰度共生矩陣和LBP紋理特征方法，實(shí)現(xiàn)對(duì)節(jié)能燈管產(chǎn)品質(zhì)量快速分類，具有旋轉(zhuǎn)不變、連續(xù)、實(shí)時(shí)、精度高的優(yōu)點(diǎn)；在保證測量精度的前提下大大縮減了相應(yīng)的檢測成本。

本節(jié)能燈管成品質(zhì)量檢測方法，檢測效率和分類精度高，同時(shí)大大降低了檢測人員的勞動(dòng)強(qiáng)度。

附圖說明

圖1為本發(fā)明的節(jié)能燈管成品質(zhì)量檢測和瑕疵分類方法的步驟流程示意圖。

圖2為3×3鄰域的LBP舉例示意圖。

圖3為實(shí)施例中具體的待分類瑕疵圖像以及相似度對(duì)比圖。

具體實(shí)施方式

為了更為具體地描述本發(fā)明，下面結(jié)合附圖及具體實(shí)施方式對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。

如圖1所示，一種基于旋轉(zhuǎn)不變紋理特征的節(jié)能燈管成品質(zhì)量檢測和瑕疵分類方法，包括如下步驟：

(1)預(yù)先收集節(jié)能燈管生產(chǎn)公司人工分揀出的節(jié)能燈管次品，對(duì)次品粉管按照瑕疵種類進(jìn)行人工區(qū)分，將粉管瑕疵歸類為幾種典型類別，令各個(gè)類別為I_n，n＝1,...,z，z是瑕疵類別數(shù)，針對(duì)各類別瑕疵采集一定數(shù)量瑕疵圖像，將瑕疵圖像的方向旋轉(zhuǎn)至設(shè)定角度(比如水平方向)，得到樣本庫圖像，構(gòu)建樣本庫；

(2)實(shí)時(shí)采集待檢測的節(jié)能燈管的燈管圖像；

(3)利用滑動(dòng)窗口方法檢測上述燈管圖像是否存在瑕疵，若待檢測圖像存在瑕疵，計(jì)算出燈管圖像中包含瑕疵的感興趣區(qū)域(ROI，Region of Interesting)；若待檢測圖像不存在瑕疵，則燈管為合格品，可對(duì)下一個(gè)燈管進(jìn)行檢測；

(4)截取瑕疵燈管圖像的感興趣區(qū)域部分(ROI)，得到待分類圖像，并計(jì)算ROI在0°、45°、90°、135°角度方向上的灰度共生矩陣；

P(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|f(x₁,y₁)＝i,f(x₂,y₂)＝j(luò)} (1)

其中#(x)表示集合x中的元素個(gè)數(shù)，P(i,j)表示灰度共生矩陣在(i,j)處的灰度值，f(x₁,y₁)和f(x₂,y₂)分別表示在(x₁,y₁)和(x₂,y₂)處的灰度值；(x₁,y₁)和(x₂,y₂)指待分類圖像中的任意兩個(gè)點(diǎn)。

(5)分別計(jì)算在各個(gè)角度方向上灰度共生矩陣的能量(Energy)、對(duì)比度(Contrast)、同質(zhì)性(Homogeneity)、相關(guān)性(Correlation)4個(gè)特征參數(shù)：

其中k為灰度共生矩陣的行數(shù)(列數(shù))，P(i,j)為圖像在(i,j)處的灰度值，μ_i,μ_j,σ_i,σ_j計(jì)算公式如下：

(6)判斷燈管瑕疵的大致方向：

φ₁＝f(max{Energy_θ}) (10)

φ₂＝f(min{Contrast_θ}) (11)

φ₃＝f(max{Homogeneity_θ}) (12)

φ₄＝f(max{Correlation_θ}) (13)

其中函數(shù)f(x)是在特征x下所對(duì)應(yīng)的方向，θ為各個(gè)方向的角度，正常情況下φ₁＝φ₂＝φ₃＝φ₄，所以判斷時(shí)，可選擇式(10)～(13)中一個(gè)或多個(gè)式子進(jìn)行判斷，取燈管瑕疵大致方向?yàn)椋害眨溅?sub>1±45°；

(7)根據(jù)大致方向φ，在[φ_iφ_i+1]區(qū)間內(nèi)，再以15°為間隔，再細(xì)分6個(gè)方向，并以步驟(6)的方式，判斷出燈管瑕疵的具體方向范圍[ρ₁ρ₂]；

(8)將待檢測的燈管瑕疵圖像順時(shí)針旋轉(zhuǎn)角度(水平方向)，進(jìn)行旋轉(zhuǎn)校正：

(9)截取旋轉(zhuǎn)校正圖像的最大內(nèi)接矩形，計(jì)算旋轉(zhuǎn)校正后每個(gè)像素的LBP值，形成LBP特征矩陣：

其中P為采樣點(diǎn)個(gè)數(shù)，R為采樣半徑，g_c為中心像素的灰度值，g_p為采樣點(diǎn)的灰度值，如圖2所示(起點(diǎn)為235)；

(10)計(jì)算待檢測燈管瑕疵的紋理特征矩陣：

C＝[k₁×M₁ k₂×M₂] (17)

其中k₁,k₂為特征系數(shù)，M₁為LBP特征矩陣，M₂為旋轉(zhuǎn)校正前待分類的燈管瑕疵圖像在方向上能量、對(duì)比度、同質(zhì)性、相關(guān)性這4個(gè)參數(shù)組成的特征矩陣；

(11)計(jì)算待分類圖像與每一個(gè)瑕疵圖像類的相似度：

其中CI(i,j)為預(yù)收集瑕疵的紋理特征矩陣；

(12)將待分類圖像歸類為相似度最大的一類：

重復(fù)步驟(3)～(12)實(shí)現(xiàn)對(duì)多個(gè)節(jié)能燈管的質(zhì)量檢測和瑕疵分類。

圖3為本發(fā)明具體應(yīng)用在具體的一個(gè)瑕疵燈管的檢測和分類結(jié)果，圖3中上面的為待分類瑕疵圖像；經(jīng)過本發(fā)明的方法，最終得到該待分類瑕疵圖像與圖3下面的第一個(gè)圖像的相似度最大(為0.9161)；從瑕疵圖像我們也可以看出，圖3中的待分類圖像與圖3下面第一張圖像屬于同一類瑕疵。這也進(jìn)一步證明了本實(shí)施方式的檢測方法得出的燈管表面瑕疵分類結(jié)果具有較高的效率和可靠性，值得信賴。

本燈管瑕疵分類系統(tǒng)包括圖像采集單元、圖像處理單元和分類結(jié)果顯示單元。

圖像采集單元，用于實(shí)時(shí)采集待測節(jié)能燈管圖像；可采用工業(yè)攝像機(jī)、鏡頭和照明光源實(shí)現(xiàn)。工業(yè)攝像機(jī)使用大恒DH-GV400UM黑白1/3英寸CMOS攝像機(jī)，全幀曝光掃描方式，分辨率為752×480，幀率可達(dá)60幀/秒，輸出接口為USB，鏡頭卡口為C/CS口，體積小巧，易于安裝，能滿足實(shí)時(shí)檢測要求；鏡頭選用日本Computar的8mm無畸變鏡頭。光源選用緯朗160×160mm面形藍(lán)色LED光源，光源控制器選用緯朗VL-LC-11-4CH型號(hào)USB光源控制器。

圖像處理單元，用于對(duì)所述的節(jié)能燈管圖像進(jìn)行處理，并計(jì)算出燈管瑕疵分類結(jié)果；圖像處理單元硬件可采用工業(yè)控制計(jì)算機(jī)，核心部分為編寫的計(jì)算機(jī)軟件。具體工作方式為：

(i)在圖像采集單元采集的節(jié)能燈管圖像中，利用滑動(dòng)窗口方法獲取燈管瑕疵部位；

(ii)通過計(jì)算灰度共生矩陣的能量、對(duì)比度、同質(zhì)性、相關(guān)性的4個(gè)參數(shù)，判斷出瑕疵的方向，同時(shí)對(duì)瑕疵圖像進(jìn)行旋轉(zhuǎn)校正；

(iii)計(jì)算旋轉(zhuǎn)校正后圖像的LBP特征，并得到最終紋理特征矩陣；

(iv)計(jì)算待分類瑕疵圖像與預(yù)收集的各類瑕疵樣本圖像的相似度，最終將待分類圖像歸類為相似度最大的一類。

所述的圖像處理單元通過軟件編程以及上述分類算法實(shí)現(xiàn)節(jié)能燈管表面瑕疵的分類。同時(shí)，為便于燈管質(zhì)量檢測過程的監(jiān)控，所述圖像處理單元內(nèi)還可以包括人機(jī)界面軟件，用于實(shí)時(shí)顯示所述的待分類節(jié)能燈管瑕疵圖像以及瑕疵分類結(jié)果，記錄分類歷史數(shù)據(jù)，并接收用戶的操作指令對(duì)軟件進(jìn)行參數(shù)設(shè)定。實(shí)際過程中通過顯示屏顯示。工業(yè)控制計(jì)算機(jī)通過USB數(shù)據(jù)線連接工業(yè)攝像機(jī)和光源控制器。工業(yè)控制計(jì)算機(jī)采用研華工業(yè)控制計(jì)算機(jī)，該機(jī)采用Intel雙核處理器，主頻3.0GHz，內(nèi)存2G，硬盤160G，19寸液晶顯示器，滿足工業(yè)現(xiàn)場惡劣環(huán)境的要求。

檢測結(jié)果顯示單元，實(shí)際上可選擇與工業(yè)控制計(jì)算機(jī)相連的顯示器，配合編寫的產(chǎn)品瑕疵分類系統(tǒng)監(jiān)控軟件，可直觀地顯示圖像處理單元分類結(jié)果。