3、缺陷检测概述：常见工业缺陷类型与检测难点
在边缘AI工业视觉项目中，缺陷检测是最典型、最具商业价值的落地场景之一。无论是消费电子结构件、汽车零部件、半导体封装，还是新能源电池极片，产线上都存在着大量肉眼难以稳定捕捉的外观缺陷。理解缺陷的物理本质、形态特征与成像表现，是设计检测算法、选择光源与相机、标注训练数据的前提。本章将系统梳理常见工业缺陷类型，剖析其检测难点，并给出工程化的分类与应对思路。
上图展示了缺陷检测的整体知识框架。从缺陷类型出发，到检测难点，再到工程应对策略，最终落到“成像采集→预处理→算法检测→判定与反馈”的完整链路。下面逐一展开。
3.1 常见工业缺陷类型及其成像特征
工业缺陷的分类方式多种多样，从检测维度上可以分为表面缺陷、结构缺陷、颜色缺陷和尺寸缺陷四大类。每一类缺陷在图像上呈现的灰度、纹理、边缘特征差异显著，这直接决定了光源选型和算法设计方向。
| 缺陷大类 | 典型缺陷 | 成像特征 | 常见行业 |
|---|---|---|---|
| 表面缺陷 | 划痕、脏污、压伤、水渍 | 局部灰度突变、线状或块状、方向性强 | 3C外壳、面板、金属件 |
| 结构缺陷 | 缺料、毛刺、飞边、变形 | 边缘轮廓异常、几何形状改变、区域缺失 | 注塑件、压铸件、橡胶件 |
| 颜色缺陷 | 色差、发黄、氧化、烧焦 | 整体或局部色相偏移、饱和度异常 | 喷涂件、阳极氧化件、PCB |
| 尺寸缺陷 | 偏位、尺寸超差、孔位偏移 | 边缘位置偏差、几何尺寸超公差 | 精密机加、连接器、半导体 |
以划痕为例，在金属拉丝表面上，划痕方向与拉丝纹理方向一致时，传统灰度阈值法几乎无法区分；而脏污在暗场照明下可能呈现为亮点，在明场照明下则可能被背景淹没。缺料通常发生在注塑件的边缘或深腔部位，表现为局部区域灰度与周围不一致，但若缺料区域较小且与阴影重叠，则极易漏检。变形则更多体现在轮廓层面，需要依赖边缘定位或模板比对才能发现。
3.2 缺陷检测的核心难点分析
缺陷检测之所以“入门容易、做好极难”，主要源于以下五个方面的挑战。
3.2.1 缺陷形态的多样性与不确定性
同一类缺陷在不同批次、不同工艺参数下，其大小、深浅、方向、对比度可能完全不同。例如，划痕可能是宽度0.05mm的细线，也可能是宽度0.5mm的宽痕；可能是直线，也可能是弧线。这种“同缺陷不同形”的特性，使得基于固定模板的匹配算法难以奏效，也增加了深度学习模型泛化的难度。
3.2.2 低对比度与背景干扰
许多工业产品的表面本身具有纹理（如拉丝、喷砂、编织纹），缺陷与背景的灰度差异可能只有10~20个灰度级（0~255范围）。在光照不均匀或反光强烈的场景下，缺陷可能完全被背景噪声淹没。此外，灰尘、水渍、指纹等伪缺陷也会造成大量误检。
3.2.3 缺陷样本的稀缺性
在真实产线上，良品率通常高达95%以上，缺陷样本的采集需要长时间积累。以注塑件缺料为例，可能连续生产数小时才出现一次。这种正负样本极度失衡的情况，使得监督学习难以直接训练出高召回率的模型。常用的应对手段包括：数据增强、合成缺陷、迁移学习、小样本学习等。
3.2.4 实时性与算力约束
边缘AI设备（如NVIDIA Jetson、瑞芯微RK3588、海思Hi3519）的算力远低于服务器GPU。在保证检测精度的同时，还要满足产线节拍（通常单件检测时间在100ms~500ms之间），这就需要在模型结构设计、推理框架优化、量化部署等方面做大量工程调优。
3.2.5 光照与环境的动态变化
产线环境并非恒定的：环境光会随时间变化，光源本身会衰减，产品来料角度可能有微小偏移。这些因素都会导致图像灰度分布发生漂移，使得离线训练好的模型在在线运行时性能下降。
3.3 缺陷检测的工程判断方法
面对上述难点，成熟的工程方案通常采用“分层检测”策略，而不是试图用一个模型解决所有问题。
- 第一步：光学增强。通过选择合适的光源（低角度光、同轴光、穹顶光、条形光）和相机（面阵/线阵、彩色/黑白），使缺陷特征最大化显现。例如，低角度光适合检测划痕和压伤，同轴光适合检测镜面表面的脏污。
- 第二步：传统算法初筛。使用灰度阈值、边缘检测、形态学处理、Blob分析等方法，快速排除大量明显良品，减少后续AI计算量。这一步通常能过滤掉70%~80%的良品区域。
- 第三步：AI模型精检。对初筛后剩余的疑似区域，使用深度学习模型（如分类网络、目标检测网络、分割网络）进行精细判定。模型输入通常是裁剪后的ROI区域，而非整幅图像，以降低计算复杂度。
- 第四步：多维度融合判定。结合缺陷的面积、位置、灰度分布、形状特征，以及前后工序的关联信息（如上一工位是否有类似缺陷），做出最终OK/NG判定。
3.4 案例拆解：某3C外壳划痕检测项目
下面通过一个真实项目案例，展示缺陷检测难点是如何在工程中被逐步攻克的。
项目背景与约束：某手机中框铝合金件，表面为阳极氧化+拉丝工艺。产线节拍要求单件检测时间≤300ms，检测设备为Jetson Orin NX（算力约100 TOPS INT8）。缺陷类型包括：划痕（宽度0.03~0.2mm，长度2~15mm）、脏污（直径0.3~2mm）、凹点（直径0.2~1mm）。
初始现象：使用高角度环形光照明时，拉丝纹理在图像中呈现为明显的方向性条纹，划痕与纹理方向一致时，灰度对比度仅8~12个灰度级，传统阈值分割完全失效。初版深度学习模型（YOLOv5s）在测试集上mAP达到0.92，但上线后误检率高达15%（大量拉丝纹理被误判为划痕）。
分析过程：通过采集不同光照角度下的图像对比发现，当使用低角度光（入射角约15°）时，划痕因破坏表面平整度而产生明显的散射，在图像中呈现为亮线；而拉丝纹理在低角度光下灰度均匀，对比度降至3个灰度级以下。这一光学调整使得划痕与背景的对比度提升至40个灰度级以上。
实际操作步骤：
- 将原高角度环形光更换为低角度条形光（4条，每条45°方向布置），并增加偏光片消除反光。
- 使用传统算法（顶帽变换+自适应阈值）提取疑似缺陷区域，将每幅图的ROI数量从全图512×512降至平均3~5个。
- 训练一个轻量级分类网络（MobileNetV3-Small，输入尺寸64×64），对ROI进行二分类（缺陷/纹理）。
- 对分类为缺陷的ROI，再使用一个简单的分割网络（U-Net轻量版）输出缺陷掩膜，计算面积和长宽比，过滤掉面积<0.01mm²的噪声点。
结果对比：改进后，误检率从15%降至0.3%，漏检率从0.5%降至0.05%。单件检测耗时从280ms降至210ms，满足节拍要求。项目上线运行3个月，平均无故障时间（MTBF）超过2000小时。
风险与代价：低角度光对来料高度波动敏感，当来料翘曲超过0.3mm时，图像边缘会出现阴影，导致误检。为此，增加了激光测距传感器，实时调整相机焦距，并增加了2mm的景深余量。
复盘经验：光学方案的设计优先级高于算法。在本项目中，仅通过更换光源角度，就将缺陷对比度提升了5倍，这比任何算法优化都更有效。同时，分层检测架构（传统粗筛+AI精判）大幅降低了算力消耗，使得边缘设备能够胜任。
3.5 常见误区与总结复盘
在缺陷检测项目的实施过程中，以下误区需要特别警惕：
- 误区一：盲目追求高精度模型。在缺陷样本不足的情况下，堆叠更深的网络只会加剧过拟合。应先解决“能不能看到”的问题（光学），再解决“能不能分清”的问题（算法）。
- 误区二：忽略伪缺陷的干扰。灰尘、纤维、水渍在图像上与真实缺陷高度相似。应在数据采集阶段就建立“伪缺陷库”，并在标注时单独归类，让模型学会区分。
- 误区三：只用单一检测算法。没有任何一种算法能覆盖所有缺陷类型。传统算法擅长规则缺陷，深度学习擅长不规则缺陷，两者应结合使用。
- 误区四：忽视在线监控与模型更新。产线运行一段时间后，来料工艺可能发生变化，导致模型性能下降。应建立“新样本回流→定期重训”的闭环机制。