2、缺陷检测基础：常见缺陷类型、成像方式与数据特点
在构建任何视觉检测系统之前，必须首先回答三个问题：我们要找什么？用什么“眼睛”去看？看到的“数据”长什么样？这三个问题的答案直接决定了后续模型选型的方向。如果连缺陷的物理形态与成像特性都未厘清，再先进的深度学习模型也难以落地。本章将系统梳理工业场景中常见的缺陷类型、主流成像方式及其对应的数据特点，为后续分类、检测、分割与异常检测的模型选型奠定认知基础。
2.1 常见缺陷类型及其物理特征
工业缺陷的形态千变万化，但归纳起来主要分为表面缺陷、内部缺陷和尺寸/形状缺陷三大类。理解缺陷的物理成因与光学表现，是选择成像方案和模型架构的第一步。
2.1.1 表面缺陷
表面缺陷是最常见的一类，直接暴露在物体外表面，通常通过反射光或散射光即可捕捉。典型包括：
- 划痕/擦伤：由机械摩擦或异物刮擦造成，呈线状或带状，宽度从微米级到毫米级不等。在明场照明下表现为暗线，在暗场照明下表现为亮线，方向性明显。
- 脏污/异物：包括油污、灰尘、纤维、金属碎屑等，形态不规则，颜色与背景差异可能大也可能小。部分脏污在紫外光下会有荧光反应，可利用多光谱成像增强对比度。
- 压伤/凹坑：由碰撞或挤压造成，呈局部凹陷状，在侧光或低角度照明下会产生明显的阴影，适合用3D轮廓测量或光度立体法检测。
- 色差/光泽不均：由于材料批次差异、喷涂不均或氧化导致，在均匀照明下表现为局部区域灰度或颜色偏离正常范围，对光源均匀性要求极高。
2.1.2 内部缺陷与结构缺陷
这类缺陷隐藏在材料内部或表现为结构不完整，需要特殊成像手段：
- 裂纹：既可能是表面裂纹，也可能是亚表面裂纹。表面裂纹在暗场下容易显现；亚表面裂纹需要红外热成像或超声激励。裂纹的宽度极窄（微米级），对分辨率要求高。
- 缺料/缩孔：常见于注塑件、铸件，表现为局部材料缺失或内部空洞。背光透射成像时，缺料区域透光率异常；铸件缩孔则需X-ray检测。
- 气泡/夹杂：透明材料（如玻璃、塑料）中的气泡在背光下呈现圆形暗斑；金属内部的夹杂物则需超声或X-ray。
2.2 成像方式与光学选型
成像方式决定了缺陷在图像中的表现形式。同一缺陷在不同照明下可能呈现完全相反的对比度。下表总结了主流成像方式及其适用场景：
| 成像方式 | 原理 | 典型缺陷 | 注意事项 |
|---|---|---|---|
| 明场照明 | 光源与相机同侧，镜面反射光进入相机 | 色差、脏污、大面积划痕 | 易受环境光干扰，需遮光罩 |
| 暗场照明 | 低角度光源，散射光进入相机 | 划痕、裂纹、压伤 | 对表面粗糙度敏感，需调角度 |
| 背光/透射 | 光源在物体背面，轮廓或内部结构成像 | 缺料、气泡、异物、外形尺寸 | 只能看轮廓或透光率，无法看表面细节 |
| 同轴光 | 光线垂直照射，反射光沿原路返回 | 高反光表面的划痕、凹坑 | 对平整度要求高，曲面易产生眩光 |
| 3D激光轮廓 | 激光三角法测量高度差 | 缺料、凹陷、凸起、焊点高度 | 扫描速度慢，点云数据量大 |
| X-ray/CT | 射线穿透材料，内部密度差异成像 | 铸件缩孔、内部裂纹、BGA焊点 | 成本高，有辐射防护要求 |
2.2.1 成像链路的关键参数
实际搭建成像系统时，需要关注以下参数：
- 分辨率：由相机像素数和视场（FOV）决定。检测最小缺陷尺寸时，建议缺陷在图像中至少占据3×3像素，否则难以稳定识别。
- 景深：对于有高度差的物体，景深不足会导致部分区域失焦。此时需考虑使用远心镜头或多次对焦。
- 光源波长：红外光可穿透部分塑料，紫外光可激发荧光，单色光可消除色差干扰。
- 曝光时间：运动物体需短曝光避免运动模糊，但短曝光需要更强光源。
2.3 数据特点与标注挑战
工业视觉数据与自然图像数据有显著差异，这些差异直接影响模型选型和训练策略。
2.3.1 样本不均衡与长尾分布
正常品数量远大于缺陷品，且不同缺陷类型的出现频率差异巨大。例如，某注塑厂一个月内划痕出现500次，但缺料仅出现3次。直接使用分类模型训练会导致模型严重偏向多数类。解决方案包括：
- 使用异常检测模型（仅用正常样本训练）
- 数据增强（对少数类进行仿射变换、噪声叠加）
- 合成缺陷（通过图像编辑将真实缺陷粘贴到正常样本上）
2.3.2 缺陷尺度差异
同一张图像中，可能同时存在毫米级的大面积脏污和微米级的细微划痕。固定输入尺寸的CNN模型容易忽略小目标。此时需要：
- 采用多尺度检测网络（如FPN、SSD）
- 图像金字塔输入
- 分区域检测（先定位ROI，再精细分析）
2.3.3 标注成本与一致性
工业缺陷标注需要专业人员，且不同标注者对模糊缺陷的判断可能不一致。标注质量直接影响模型上限。建议：
- 制定详细的标注规范，附示例图
- 对标注结果进行交叉验证
- 对于分割任务，使用多边形标注而非矩形框，以减少背景干扰
2.4 案例拆解：手机中框表面缺陷检测方案设计
下面通过一个实际案例，展示如何将上述知识综合运用。
背景与约束：某3C精密制造企业需要对手机铝合金中框进行全检。中框尺寸约150mm×70mm，表面为喷砂+阳极氧化处理，存在划痕、脏污、凹坑、色差四类缺陷。产线节拍要求≤3秒/件，检测精度要求漏检率<0.5%，过杀率<5%。
初始现象与目标：人工目检漏检率高（尤其细微划痕），且人员流动大。目标是用机器视觉替代人工，实现全自动在线检测。
关键输入数据与参数：
- 相机：500万像素面阵相机，分辨率2448×2048，像元尺寸3.45μm
- 镜头：35mm定焦工业镜头，工作距离约300mm
- 光源：4个角度可调条形光源（0°、15°、30°、45°），白色LED
- 计算机：工控机+GPU（NVIDIA RTX 3060）
分析判断过程：
- 首先拍摄样图，发现0°明场下色差明显，但划痕对比度低；15°暗场下划痕清晰，但色差几乎不可见。
- 决定采用“双工位”方案：工位1用0°明场检测色差和脏污，工位2用15°暗场检测划痕和凹坑。
- 由于节拍紧张，无法使用3D轮廓（扫描速度太慢），放弃高度测量。
实际操作步骤：
- 搭建双相机工位，同步触发采集。
- 使用传统图像处理（阈值分割+形态学滤波）先做粗检，剔除明显缺陷。
- 对疑似区域裁剪成128×128的小图，送入一个轻量级CNN分类器（4层卷积）进行精细分类。
- 收集一周生产数据，共获得正常样本8000张，缺陷样本：划痕320张、脏污180张、凹坑45张、色差60张。
结果对比：传统算法单独使用漏检率8%，过杀率12%；加入CNN分类后，漏检率降至0.3%，过杀率4.2%，满足产线要求。但凹坑类缺陷因样本太少，漏检率仍达2%，后续通过合成缺陷（将真实凹坑图像粘贴到正常样本上）扩充至200张，漏检率降至0.8%。
风险与代价：双工位方案增加了硬件成本约30%，但节省了3名质检员的人力成本，投资回收期约8个月。合成缺陷可能引入不真实的纹理，需要人工审核生成样本的质量。
复盘经验：成像方案的分工（明场+暗场）是成功的关键；模型选型上，轻量级CNN配合传统预处理比直接使用大型检测网络更高效；数据不平衡问题通过合成数据得到有效缓解。
2.5 常见误区与总结复盘
在缺陷检测项目实践中，以下误区值得警惕：
- 误区一：先选模型再考虑成像。模型只能处理图像中已有的信息，成像方案决定了信息的上限。正确顺序是：缺陷分析→成像实验→数据采集→模型选型。
- 误区二：追求“万能”模型。试图用一个模型同时检测所有类型缺陷，往往导致每个类型都检测不好。更优策略是“分而治之”：不同缺陷用不同成像方式+不同模型。
- 误区三：忽视样本质量。标注错误、图像模糊、光照不均等数据问题，比模型结构对性能的影响更大。建议在数据清洗上投入至少30%的项目时间。
- 误区四：只关注准确率。工业场景更关注漏检率和过杀率的平衡，以及单张图像的推理时间。一个准确率99%但推理速度500ms的模型，可能不如准确率98%但推理速度20ms的模型实用。