項目痛點
許多開發者在進行布匹疵點檢測項目時，面臨「理論公式多、工程落地難」的困境：閱讀大量學術論文後，不知如何將圖像特征提取、模板匹配（NCC/PNCC）、紋理/邊緣檢測等算法轉化為 C# 代碼；同時糾結於線陣相機與面陣相機的選型。
核心技術路線
- 圖像採集與預處理：均勻光源、去噪（中值/高斯濾波）、幾何校正。
- 特征提取：針對布匹紋理周期性，重點提取紋理特征（Gabor/LBP）與邊緣特征（Canny/Sobel）。
- 缺陷分類與定位：
- 模板匹配（NCC/零均值互相關）：適合周期性紋理，將標準模板與待檢圖像滑動比對，差值超過閾值判定為疵點。
- 深度學習（可選）：數據量足時，用 CNN（如 U-Net、YOLO）進行語義分割/目標檢測，泛化能力更強。
- 後處理：形態學操作去噪、連通域分析標記缺陷類別/面積/坐標。
C# 工程化建議
- 使用 OpenCvSharp 或 Emgu CV 封裝 OpenCV，調用
matchTemplate()、filter2D() 等底層算子，避免手寫卷積循環。
- 採用多線程/Task Parallel Library並行處理多 ROI，滿足產線節拍。
- 參數（閾值、核大小）外部化配置（JSON/INI），便於現場調優無需重編譯。
相機選型：線陣 vs 面陣
| 維度 | 線陣相機 | 面陣相機 |
|---|
| 適用場景 | 高速連續卷布、超寬幅（>2m）、需拼接大圖 | 靜止/低速裁片、面積較小、單幀即可覆蓋 |
| 分辨率 | 單幀窄（2k~16k像素），通過運動拼接得高分大圖 | 單幀即為完整圖像（百萬~億級像素） |
| 光源/同步 | 需編碼器觸發、精確同步行頻 | 全幀曝光，同步相對簡單 |
| 成本 | 單價高，但可覆蓋超寬幅 | 大面陣價格昂貴，中小面陣性價比高 |
建議：若為高速卷布連續檢測，首選線陣+編碼器同步；若為裁片/小幅布靜態檢測，面陣更簡單經濟。
避坑指南
- 光源決定成敗：必須現場試光（同軸/環形/條紋光源），消除布面反光與陰影。
- 算法分步驗證：先用 Python/OpenCV 快速跑通流程，再移植 C#，避免一上來就陷入語法細節。
- 建立缺陷樣本庫：標註數據是深度學習或閾值調優的基石。
