3、任务定义与区别：分类、检测、分割、异常检测四类任务的形式化定义与输出差异

在缺陷检测的工程实践中，模型选型的第一步往往不是选择某个具体的神经网络架构，而是明确我们究竟要解决哪一类视觉任务。分类、检测、分割与异常检测这四类任务，虽然共享卷积神经网络等底层技术，但其形式化定义、输出空间、标注成本、推理效率与适用场景存在本质差异。理解这些差异，是避免“拿着锤子找钉子”式选型错误的前提。本章将从数学定义、输出格式、工程约束与实战案例四个维度，系统拆解这四类任务的核心区别。

3.1 核心原理：四类任务的形式化定义

在缺陷检测语境下，四类任务的形式化定义决定了模型的能力边界。图像分类（Image Classification）的目标是学习一个映射函数 \( f_{cls}: \mathbb{R}^{H \times W \times 3} \rightarrow \{0, 1, ..., K-1\} \)，其中 \( K \) 为预定义的缺陷类别数（包括“正常”类）。该任务将整张输入图像压缩为一个离散标签，输出空间最小，信息粒度最粗。例如，在PCB裸板检测中，分类模型只能回答“这块板子是否有缺陷”或“属于哪一类缺陷”，但无法告知缺陷在图像中的具体位置。

目标检测（Object Detection）在分类基础上增加了空间定位维度，其输出为 \( \mathcal{B} = \{ (x_i, y_i, w_i, h_i, c_i) \}_{i=1}^{N} \)，其中 \( (x_i, y_i) \) 为边界框左上角坐标，\( w_i, h_i \) 为宽高，\( c_i \) 为类别标签，\( N \) 为检测到的缺陷实例数量。检测模型同时解决“是什么”和“在哪里”的问题，但边界框是矩形近似，无法精确描述缺陷的不规则轮廓。在工业场景中，检测任务常用于焊点桥连、元件缺失、划痕定位等需要知道缺陷数量和大致位置的场景。

语义分割（Semantic Segmentation）将定位粒度提升至像素级，输出为掩码图 \( M \in \{0, 1, ..., K-1\}^{H \times W} \)，每个像素被赋予一个类别标签。对于缺陷检测，这意味着可以精确测量缺陷的面积、周长、形状因子等几何参数。分割模型输出的是密集预测，计算量最大，但对缺陷边界的刻画最精细。在半导体晶圆缺陷分类中，分割结果可直接用于计算缺陷的等效直径和密度分布，为工艺调整提供量化依据。

异常检测（Anomaly Detection）采用不同的范式：它仅使用正常样本训练，学习正常数据的分布 \( P_{normal}(x) \)，推理时计算输入图像与正常分布的偏离程度，输出异常分数 \( s \in \mathbb{R} \) 和可选的像素级异常掩码。其核心假设是“缺陷是稀有事件，且与正常模式有显著差异”。异常检测的优势在于无需标注缺陷样本，适合缺陷种类繁多、不可穷举或新缺陷频繁出现的场景，例如锂电池表面异物检测、纺织品瑕疵检测等。

3.2 判断方法：如何根据业务需求选择任务类型

在实际项目中，任务选型应遵循“缺陷可枚举性→定位精度需求→标注预算→推理速度”的四步判断流程。第一步，评估缺陷是否可枚举。如果产线上的缺陷类型固定且已知（如划痕、脏污、缺角三类），优先考虑分类或检测；如果缺陷类型未知或持续演化，必须选择异常检测。第二步，明确定位精度需求。若只需判断“有无缺陷”，分类即可；若需知道缺陷位置以便机械臂剔除，检测足够；若需测量缺陷面积或形状，必须使用分割。

第三步，核算标注预算。分类任务每张图像仅需一个标签，标注成本约0.1-0.5元/张；检测任务需画边界框，成本约1-3元/张；分割任务需逐像素标注，成本高达5-20元/张。异常检测只需正常样本，标注成本几乎为零，但需要额外的正常样本采集和清洗工作。第四步，评估推理速度约束。在高速产线（如每分钟检测120片PCB），单张图像推理时间需控制在50ms以内，此时分割模型往往难以满足，而分类或检测模型可通过轻量化设计达到实时性要求。

3.3 案例拆解：PCB焊点缺陷检测的任务选型实战

某电子制造企业需要为SMT产线设计焊点缺陷检测系统，检测对象为PCB板上的回流焊焊点。初始目标是识别虚焊、桥连、少锡、锡珠四类缺陷，并要求定位缺陷位置以便后续返修。产线节拍为每块板15秒，其中检测环节允许的推理时间为2秒。经过初步调研，发现以下约束：

• 缺陷可枚举性：四类缺陷形态差异明显，且可通过AOI（自动光学检测）图像清晰辨识，属于可枚举场景。
• 定位需求：需要知道缺陷在PCB上的坐标，以便返修工作站自动定位，但不需要精确到像素级轮廓。
• 标注预算：企业有3名质检工程师，可投入2周时间进行标注，预计可标注5000张图像。
• 推理速度：2秒的推理时间对检测模型非常充裕，甚至可以运行两阶段检测器。

基于上述约束，团队排除了分割任务（标注成本过高且无必要）和异常检测（缺陷可枚举，无需使用无监督范式），最终选择目标检测方案。具体实施中，采用YOLOv8-m模型，输入分辨率640×640，在NVIDIA Jetson Orin平台上推理时间约35ms，远低于2秒的预算。训练数据为4000张标注图像（含四类缺陷共12000个实例），验证集1000张。经过50轮训练，mAP@0.5达到0.92，虚焊的召回率最高（0.95），锡珠的召回率最低（0.88），原因是锡珠尺寸较小且与焊点背景对比度低。

在部署阶段，团队发现检测模型对“少锡”和“虚焊”两类缺陷的边界框重叠严重，导致分类混淆。通过分析错误样本，发现这两类缺陷在灰度直方图上高度相似，仅凭外观难以区分。解决方案是在检测模型后增加一个轻量级分类头（ResNet-18），对检测到的候选框进行二次分类，将混淆率从12%降至3%。最终系统综合准确率达到96.5%，误报率控制在0.5%以内，满足产线要求。

3.4 常见误区与总结复盘

在四类任务选型中，最常见的误区有三类。第一类是“越精细越好”的思维定式：部分工程师倾向于选择分割模型，认为像素级输出一定优于边界框。但分割模型不仅标注成本高，且对缺陷边缘的噪声敏感，在光照波动大的工业现场反而可能产生更多误检。第二类是“异常检测万能论”：异常检测虽然无需缺陷样本，但对正常样本的分布建模要求极高，当正常样本本身存在较大方差（如不同批次材料的颜色差异）时，误报率会急剧上升。第三类是“忽视输出后处理”：检测和分割模型的原始输出需要经过NMS（非极大值抑制）、连通域分析等后处理才能用于产线，后处理逻辑的设计往往决定了最终系统的稳定性。

从信息论的角度看，四类任务的输出信息量依次递增：分类输出 \( \log_2 K \) 比特，检测输出 \( N \times (4 \log_2 W + 4 \log_2 H + \log_2 K) \) 比特，分割输出 \( H \times W \times \log_2 K \) 比特，异常检测输出则介于分类与分割之间（分数+可选掩码）。信息量越大，模型容量需求越高，训练数据需求也越大。因此，选型的本质是在信息需求与资源约束之间寻找最优平衡点。

总结而言，四类任务构成了从“粗粒度判断”到“细粒度分析”的完整光谱。在实际项目中，建议先进行缺陷可枚举性评估和定位精度需求分析，再结合标注预算与推理速度约束，选择最合适的任务类型。同时，应认识到任务选型并非一成不变，随着产线数据积累和业务需求深化，可以从分类升级到检测，或从检测升级到分割，这种渐进式演进策略有助于降低项目风险。