📚 课程目录第2章缺陷检测基础

2、缺陷检测基础：常见缺陷类型、检测算法（传统视觉与深度学习）及误检产生的原因

缺陷检测是工业视觉系统的核心任务，其本质是在高速、复杂、多变的产线环境中，从图像信号中准确分离出“异常模式”与“正常波动”。理解缺陷检测的基础，是构建数据闭环的前提——只有清楚缺陷长什么样、算法如何工作、误检从何而来，才能设计出有效的样本回收与再训练策略。本章从缺陷类型、算法原理、误检成因三个维度展开，为后续章节的工程实践奠定理论基础。

2.1 常见缺陷类型及其特征表达

工业缺陷的物理形态千差万别，但从图像特征的角度可以归纳为四大类：表面纹理异常、几何结构异常、尺寸/位置偏差、颜色/光泽异常。每一类缺陷对成像条件、算法选择和标注策略都有不同的要求。

缺陷大类	典型实例	图像特征	检测难点
表面纹理异常	划伤、压伤、脏污、水渍	局部灰度突变、边缘不连续、纹理断裂	与正常纹理边界模糊，易受反光干扰
几何结构异常	裂纹、缺料、毛刺、气泡	形状不规则、边缘锐利、区域连通性异常	缺陷形态多样，小目标难以捕捉
尺寸/位置偏差	零件偏位、装配间隙过大、变形	轮廓位置偏移、尺寸超差、几何关系破坏	需要高精度标定，对成像一致性敏感
颜色/光泽异常	色差、氧化、光泽不均	RGB/HSV分布偏移、灰度直方图变化	受环境光照影响大，需色彩校准

在实际产线中，缺陷往往不是单一类型，而是复合出现。例如，锂电池极片表面的划伤可能同时伴随涂层脱落，形成“划伤+露箔”的复合缺陷。因此，缺陷定义阶段需要建立缺陷分级标准——哪些是致命缺陷（必须拦截），哪些是次要缺陷（可放行但需记录），哪些是伪缺陷（不影响功能）。这个分级直接决定了后续误检样本回收时的标注策略。

经验提醒：在项目启动阶段，建议用一周时间收集产线全流程的“缺陷样本池”，并组织工艺、质量、算法三方共同定义缺陷类型树。不要只依赖质检员的主观判断，因为不同班次、不同检验员对同一缺陷的判定可能存在30%以上的差异。

2.2 传统视觉检测算法：原理与适用边界

传统视觉算法基于人工设计的特征提取器，通过数学变换将图像转换为可量化的特征空间，再通过阈值或规则进行判定。其核心优势在于可解释性强、计算效率高、对硬件要求低，在光照可控、背景单一的场景中依然是最优选择。

2.2.1 核心算法族

灰度阈值分割：适用于缺陷与背景灰度差异明显的场景（如暗色划伤在亮色背景上）。通过Otsu或自适应阈值将图像二值化，再通过连通域分析提取缺陷区域。
边缘检测与形态学：使用Canny、Sobel等算子提取边缘，结合膨胀、腐蚀、开闭运算去除噪声，适用于裂纹、毛刺等边缘特征明显的缺陷。
模板匹配：通过归一化互相关（NCC）或几何形状匹配，检测零件的位置偏移、缺失或变形。适用于尺寸/位置偏差类缺陷。
频域分析：通过傅里叶变换或小波变换分析纹理周期性和方向性，适用于周期性纹理表面的异常检测（如布料、纸张）。

2.2.2 传统算法的局限性

传统算法的核心瓶颈在于特征表达能力有限。当缺陷形态复杂、背景纹理多变、光照波动较大时，人工设计的特征难以覆盖所有变化。例如，在金属拉丝表面检测细微划伤时，拉丝纹理本身就会产生大量边缘响应，导致传统算法误检率居高不下。此外，传统算法的阈值参数需要人工调整，一旦产线换型或光照变化，就需要重新调参，维护成本较高。

2.3 深度学习检测算法：能力与代价

深度学习通过多层神经网络自动学习图像特征，从数据中隐式建模“正常”与“异常”的分布差异。在缺陷检测领域，主流方法分为三类：目标检测、语义分割、异常检测。

2.3.1 三类主流方法对比

方法类型	代表模型	输出形式	适用场景	标注成本
目标检测	YOLO、Faster R-CNN	缺陷边界框+类别	缺陷位置明确、尺寸较大	中（框标注）
语义分割	U-Net、DeepLab	像素级缺陷掩码	缺陷形状不规则、需要精确面积	高（像素标注）
异常检测	PatchCore、SPADE	异常分数图	缺陷样本极少、未知缺陷类型	低（仅正常样本）

深度学习的优势在于泛化能力强，能够适应复杂背景和光照变化，且通过数据增强可以模拟多种工况。但其代价同样明显：需要大量标注数据、训练周期长、推理需要GPU资源、模型可解释性差。更重要的是，深度学习模型对数据分布偏移非常敏感——当产线换型、材料批次变化或相机参数调整后，模型性能可能急剧下降，这正是误检率上升的主要原因之一。

风险提示：不要盲目追求“深度学习万能论”。在样本量不足（少于500张缺陷图）、缺陷类型极多且每种样本极少的情况下，传统视觉+规则后处理往往比深度学习更可靠。实际工程中，传统算法与深度学习混合架构是常见做法：传统算法负责高速初筛，深度学习负责复杂缺陷的精细判定。

2.4 误检产生的系统性原因分析

误检分为两类：漏检（False Negative）——有缺陷但未检出；过检（False Positive）——无缺陷但报错。在工业现场，过检的代价是产线停机、人工复核成本增加；漏检的代价是缺陷流向下游，可能导致客户投诉甚至安全事故。理解误检的根源，是设计数据回收策略的基础。

2.4.1 数据层面的原因

样本覆盖不足：训练集只覆盖了缺陷类型的一部分形态，未见过的新形态缺陷自然无法识别。例如，训练集中只有横向划伤，实际产线出现纵向划伤时就会漏检。
标注噪声：标注人员对缺陷边界的判定不一致，导致模型学习到错误的边界特征。研究表明，标注框的IoU差异超过0.5时，模型mAP下降可达15%。
类别不平衡：正常样本远多于缺陷样本，模型倾向于将一切预测为“正常”以降低整体损失，导致漏检率偏高。

2.4.2 环境与成像层面的原因

光照波动：自然光、频闪、阴影变化导致图像灰度分布偏移，使模型输入分布偏离训练分布。
相机/镜头状态变化：镜头脏污、焦距漂移、传感器噪声增大，都会引入新的图像模式。
产品状态差异：来料批次不同、表面油污、包装方式变化，都会产生与缺陷无关的视觉干扰。

2.4.3 算法与阈值层面的原因

置信度阈值设置不当：阈值过高→漏检增多；阈值过低→过检增多。阈值需要根据产线良率和缺陷代价动态调整。
模型过拟合：训练集太小或数据增强不足，模型记住了训练样本的噪声，而非泛化特征。
后处理规则缺失：深度学习输出的是概率图或边界框，需要结合产品工艺知识（如缺陷最小面积、位置约束）进行后处理过滤。

2.5 案例拆解：金属冲压件表面缺陷检测的误检分析

某汽车零部件供应商生产金属冲压连接件，产线节拍为2秒/件，使用深度学习目标检测模型（YOLOv5s）检测表面划伤和压伤。初始模型在实验室测试准确率达96%，但上线一周后过检率高达18%，导致产线频繁停机。

关键数据与现象：

训练集：2,000张缺陷图（划伤1,200张、压伤800张），4,000张正常图。
过检样本分析：80%的过检集中在“轻微压印”和“模具纹理变化”两类。
现场排查发现：冲压模具在连续生产2,000件后，表面会附着微量油污，导致冲压件表面出现周期性纹理变化，被模型误判为压伤。

分析判断过程：

首先排除成像问题：检查相机、光源、镜头，确认图像质量稳定。
对过检样本进行聚类分析，发现误检区域集中在零件边缘的特定位置，且纹理方向一致。
与工艺团队确认：模具每生产2,000件需要清洁一次，油污积累导致纹理变化。
模型训练时未包含“模具油污纹理”这一正常变化模式，因此将其视为异常。

解决方案与结果：

短期：在模型后处理中增加“纹理方向一致性”过滤规则，排除周期性纹理变化。
中期：收集模具不同清洁周期的图像，标注为“正常-模具纹理变化”类别，加入训练集。
长期：建立模具维护预警机制，当检测到纹理变化频率异常时，提示工艺人员清洁模具。

实施后，过检率从18%降至3.2%，漏检率维持在0.5%以下。复盘经验：误检不仅是算法问题，更是工艺问题的视觉映射。数据闭环的价值在于，通过误检样本反推工艺变化，实现检测系统与生产系统的协同优化。

2.6 常见误区与总结复盘

  误区一：追求“零误检”。在工业场景中，零误检意味着极高的阈值，必然导致大量漏检。正确的做法是设定“可接受的误检率”和“可接受的漏检率”，并根据缺陷代价动态调整。

  误区二：忽视正常样本的多样性。很多团队只关注缺陷样本的收集，却忽略了正常样本也会随工艺、环境变化。正常样本的覆盖度不足，是过检率高的首要原因。

  误区三：算法选型一刀切。传统视觉和深度学习不是替代关系，而是互补关系。简单场景用传统算法，复杂场景用深度学习，两者结合往往效果最佳。

总结：缺陷检测的基础知识决定了数据闭环的设计方向。缺陷类型的定义影响标注标准和样本回收策略；算法选型决定了误检的分布特征和再训练的复杂度；误检成因的分析则直接指导样本回收的优先级和再训练的数据配比。在实际项目中，建议团队在项目启动初期就建立误检样本登记表，记录每次误检的图像、算法输出、人工判定结果、现场环境参数（光照、温度、模具状态等），为后续的数据闭环积累第一手资料。