缺陷检测后处理：阈值、NMS和业务规则过滤
在工业视觉检测系统中，模型输出往往只是“半成品”。无论是传统图像处理算法输出的灰度响应图，还是深度学习模型输出的热力图与候选框列表，都需要经过一系列后处理步骤，才能转化为产线上可执行、可追溯、可量化的判定结果。后处理环节直接决定了检测系统的误检率、漏检率以及产线节拍是否达标。本章作为整个课程的开篇，将系统梳理缺陷检测后处理的核心价值、学习路径与整体流程，为后续深入讲解阈值策略、NMS算法和业务规则过滤打下坚实基础。
一、缺陷检测后处理在工业视觉中的重要性
工业视觉检测系统通常由成像单元、算法引擎和后处理模块三大部分构成。成像单元负责采集图像，算法引擎负责从图像中提取缺陷特征并给出初步判定，而后处理模块则负责将算法输出的原始结果转化为最终的质量判定结论。在实际产线中，后处理环节的重要性往往被低估，但它恰恰是决定系统能否稳定运行的关键。
从数据流的角度看，算法引擎输出的结果通常包含大量冗余信息和噪声。以深度学习目标检测模型为例，一张 2048×2048 的工业图像可能产生数百个候选框，其中真正对应缺陷的可能只有几个。如果不对这些候选框进行筛选和合并，直接输出给执行机构，将导致大量误触发。同样，在语义分割任务中，模型输出的概率图需要经过阈值化才能形成二值掩码，而阈值的选择直接影响缺陷面积的测量精度。
后处理环节还承担着将算法结果与业务语义对齐的职责。产线对缺陷的判定不仅关注“有没有”，还关注“是什么”“在哪里”“是否在允许范围内”。例如，一个位于产品边缘的微小划痕可能不影响功能，而同样大小的划痕出现在中心区域则必须判废。这种业务逻辑无法通过模型本身完全学习，必须依靠后处理中的规则过滤来实现。
二、学习目标与能力要求
完成本章学习后，学习者应具备以下能力：
- 理解阈值处理的本质：掌握固定阈值、自适应阈值、滞后阈值等方法的适用场景，能够根据缺陷类型和图像特征选择合适的阈值策略。
- 掌握 NMS 的原理与变体：理解 IoU 计算方式、NMS 的执行流程，了解 Soft-NMS、DIoU-NMS 等改进算法的优缺点，能够在实际项目中做出合理选型。
- 构建业务规则过滤体系：学会将产线工艺约束、产品规格要求、历史缺陷数据转化为可执行的规则逻辑，并设计规则优先级与冲突处理机制。
- 具备系统调优思维：能够通过数据分析和实验设计，找到后处理参数的最优组合，并建立持续优化的反馈闭环。
三、整体流程概览
缺陷检测后处理的完整流程可以划分为四个阶段，每个阶段都有明确的输入、输出和核心任务：
| 阶段 | 输入 | 核心操作 | 输出 | 关键考量 |
|---|---|---|---|---|
| 1. 原始输出解析 | 模型推理结果（张量/数组/列表） | 数据格式转换、坐标映射、置信度提取 | 结构化候选列表 | 数据完整性、坐标体系一致性 |
| 2. 阈值处理 | 候选列表/概率图 | 置信度过滤、概率图二值化 | 初步筛选后的候选集 | 阈值选择策略、类别差异化 |
| 3. NMS 抑制 | 初步候选集 | IoU 计算、重叠框合并/抑制 | 去重后的检测结果 | 重叠判定标准、多类别处理 |
| 4. 业务规则过滤 | 去重后的检测结果 | 区域约束、尺寸过滤、时序逻辑、缺陷关联 | 最终判定结果 | 规则可解释性、异常处理 |
在实际工程中，这四个阶段并非完全串行。例如，阈值处理可以在 NMS 之前进行粗筛，也可以在 NMS 之后进行二次精筛。业务规则过滤有时需要与阈值处理联动，比如根据缺陷所在区域动态调整阈值。因此，理解各阶段之间的耦合关系比机械记忆流程更为重要。
四、案例拆解：3C 产品外壳划痕检测的后处理设计
为了更好地理解后处理流程的实际运作，我们以一个典型的 3C 产品金属外壳划痕检测项目为例进行拆解。
项目背景与约束：某手机代工厂需要检测金属中框表面的划痕缺陷。产线节拍要求每件产品检测时间不超过 3 秒，误判率（将良品判为不良）需控制在 2% 以内，漏检率（将不良品判为良品）需控制在 0.5% 以内。检测系统采用高角度环形光源 + 工业相机采集图像，分辨率为 2448×2048，算法引擎使用基于 Faster R-CNN 的检测模型，输出约 200-400 个候选框。
初始现象与目标：模型直接输出的候选框存在大量重叠，同一道划痕可能被多个框覆盖；同时，由于金属纹理反光，模型会产生一些置信度较高的伪缺陷框。直接使用默认阈值 0.5 和标准 NMS，系统误判率达到 5%，远超 2% 的目标。
关键输入数据：我们采集了 500 张验证图像，其中 300 张为良品，200 张为不良品。模型输出的候选框置信度分布如下：
- 真实缺陷框的置信度集中在 0.65-0.95 之间
- 伪缺陷框（反光、纹理干扰）的置信度集中在 0.45-0.75 之间
- 重叠框之间的 IoU 大多在 0.3-0.7 之间
分析判断过程：通过绘制置信度直方图，我们发现单纯提高阈值到 0.7 可以将误判率降至 2.5%，但漏检率会上升到 1.2%，超出目标。这说明仅靠阈值无法同时满足两个指标。进一步分析发现，伪缺陷框大多出现在外壳边缘区域，而真实划痕则随机分布。因此，我们决定引入区域权重规则：在边缘区域使用更高的阈值（0.75），在中心区域使用较低阈值（0.6）。
实际操作步骤：
- 将图像划分为中心区（占 60% 面积）和边缘区（占 40% 面积），通过掩码实现。
- 对候选框进行区域判定，根据其中心点坐标确定所属区域。
- 应用差异化阈值：中心区阈值 0.6，边缘区阈值 0.75。
- 对通过阈值筛选的候选框执行 NMS，IoU 阈值设为 0.45。
- 增加业务规则：缺陷长度小于 0.3mm 且宽度小于 0.05mm 的候选框视为可接受划痕，不判废。
结果对比：调整后，误判率降至 1.8%，漏检率维持在 0.4%，均满足产线要求。同时，由于减少了无效候选框的后续处理，单件检测时间从 2.8 秒缩短至 2.2 秒。
风险与代价：区域差异化阈值增加了参数维护的复杂度，当产品型号切换时，需要重新标定区域边界。此外，长度/宽度过滤规则依赖于像素标定精度，如果相机安装位置发生偏移，需要重新校准。
复盘经验：后处理参数不能一次性设定后长期不变，需要建立定期回验机制。我们建议每批次产品生产前，用 50 张标准样本快速验证后处理效果，确保参数仍然适用。
五、常见误区与总结复盘
在缺陷检测后处理的设计与调优过程中，工程师常陷入以下误区：