2、工业视觉基础：缺陷检测的定义、常见缺陷类型（划痕、污点、裂纹、缺料等）与检测难点
工业视觉缺陷检测，是指利用光学成像系统获取被测物体表面或内部的结构图像，通过图像处理与模式识别算法，自动判断产品是否存在偏离预设质量标准的异常区域，并给出缺陷的位置、类别、尺寸与严重程度等级的过程。与人工目检相比，机器视觉检测具备非接触、高速、可量化、可追溯等优势，是V853等嵌入式视觉平台在工业现场落地的最核心应用场景之一。理解缺陷检测的定义边界、缺陷的物理成因与视觉表现，以及检测任务面临的核心难点，是后续设计检测算法、选型光学方案和部署边缘联动逻辑的前提。
2.1 缺陷检测的定义与任务边界
在工业视觉语境下，缺陷检测（Defect Inspection）与尺寸测量（Measurement）、定位（Locating）、识别（Recognition）共同构成机器视觉的四大典型任务。缺陷检测的特殊性在于：它面对的不是已知形状或固定位置的目标，而是未知的、随机出现的异常区域。因此，缺陷检测本质上是一个开集问题——算法需要判断“这个区域是否不属于正常样本”，而不是“这个区域属于哪一类已知物体”。
从工程实现角度，缺陷检测任务可以拆解为四个子任务：缺陷发现（是否存在异常）、缺陷定位（异常在图像中的坐标）、缺陷分类（划痕/污点/裂纹等类别）和缺陷评级（根据尺寸、深度、数量判定是否合格）。在实际产线中，并非所有场景都需要完整实现四个子任务。例如，对于表面镀层均匀性检测，可能只需要“发现+定位”即可；而对于精密零部件外观检测，则需要完整的“发现+定位+分类+评级”链路。
2.2 常见缺陷类型的视觉特征与成因分析
不同材质、不同工艺环节产生的缺陷，在图像上呈现的灰度、形状、纹理和边缘特征差异显著。下表归纳了工业现场最常见的六类缺陷及其视觉特征、典型成因和检测要点：
| 缺陷类型 | 视觉特征 | 典型成因 | 检测要点 |
|---|---|---|---|
| 划痕（Scratch） | 细长线状，方向随机，灰度与背景差异小，边缘锐利 | 搬运摩擦、刀具磨损、颗粒物压入 | 需各向异性滤波增强，关注长宽比和连续性 |
| 污点（Stain/Dirt） | 块状或点状，灰度低于或高于背景，边缘模糊，形状不规则 | 油污残留、灰尘附着、清洗不净 | 依赖光照均匀性，需区分真实污点与材质纹理 |
| 裂纹（Crack） | 树枝状或网状细线，灰度突变明显，可能伴随局部暗区 | 应力集中、热处理不当、材料疲劳 | 需高分辨率成像，关注拓扑连通性 |
| 缺料（Missing Material） | 区域灰度异常，边缘轮廓与标准件不符，可能出现空洞 | 注塑不足、冲压不到位、烧结收缩 | 需与标准模板比对，关注面积和形状偏差 |
| 毛刺（Burr） | 边缘凸起或飞边，灰度与本体接近，形状不规则 | 冲裁刀具磨损、切削参数不当 | 需边缘检测+形态学处理，关注轮廓外扩 |
| 色差/异物（Color Deviation/Foreign Matter） | 局部颜色或纹理异常，与周围区域存在明显色度差异 | 材料混入、涂层不均、氧化变色 | 需彩色相机或特定波长光源，关注色度空间特征 |
值得注意的是，同一物理缺陷在不同光照条件下可能呈现完全不同的视觉表现。例如，金属表面的浅划痕在明场照明下几乎不可见，但在暗场照明（低角度光）下会因散射而呈现亮线。因此，缺陷类型的定义必须与光学方案绑定，脱离光照条件讨论缺陷特征是没有工程意义的。
2.3 缺陷检测的核心难点与工程挑战
尽管缺陷检测的概念看似简单，但在实际产线部署中，算法工程师面临的核心难点往往不是算法本身，而是以下四个层面的工程挑战：
难点一：缺陷形态的多样性与不确定性
同一类缺陷在不同产品、不同批次、不同工艺参数下，其尺寸、形状、对比度可能相差数倍。例如，注塑件上的划痕长度可能从0.3mm到15mm不等，深度从几微米到几十微米。这种类内差异（Intra-class Variation）使得基于固定模板或固定阈值的传统算法极易失效。深度学习方法的优势在于能够从大量样本中学习到缺陷的共性特征，但对样本数量和多样性要求较高。
难点二：背景纹理与噪声的干扰
工业产品表面往往存在天然的纹理（如拉丝金属、皮革纹路、编织纹理），这些纹理在图像中呈现为高频分量，与细微缺陷的视觉特征高度相似。例如，拉丝铝壳表面的正常纹理方向与划痕方向一致时，传统滤波算法很难区分。解决思路包括：利用频域滤波去除固定方向纹理、使用背景建模方法估计局部正常纹理、或采用基于重构误差的异常检测算法（如Autoencoder）。
难点三：光照不均匀与反光问题
曲面、金属光泽表面、透明材质等场景下，光照不均匀会导致图像灰度动态范围极大。同一缺陷在图像亮区和暗区的对比度可能相差5倍以上。此外，镜面反射产生的眩光区域会完全淹没缺陷信息。工程上通常采用穹顶光源、同轴光源、多角度分区照明等光学方案来抑制反光，但光学方案的调试周期长、成本高，且对产品换型敏感。
难点四：实时性与误检率的矛盾
产线节拍通常要求单件检测时间在100ms~500ms以内，而缺陷检测算法（尤其是深度学习分割模型）的计算量较大。在V853这类边缘嵌入式平台上，算力有限，需要在模型轻量化、推理加速和检测精度之间做平衡。更棘手的是，漏检（False Negative）和过检（False Positive）的矛盾——降低检测阈值会减少漏检但增加过检，导致良品被误杀；提高阈值则反之。实际项目中，通常需要根据缺陷的严重等级设置分级阈值，并引入人工复检工位来兜底。
2.4 案例拆解：金属拉丝面板的划痕与污点检测
下面通过一个典型的金属拉丝面板外观检测项目，说明缺陷检测从定义到落地的完整分析过程。
项目背景与约束：某3C电子产品供应商需要对一批铝合金拉丝面板进行外观检测，产线节拍为每件180ms，检测项包括划痕、污点和压伤。面板尺寸为150mm×80mm，表面有方向固定的拉丝纹理。客户要求漏检率低于0.5%，过检率低于3%。
初始现象与目标：使用常规环形光源+500万像素黑白相机采集图像后，发现拉丝纹理在图像中形成明显的方向性条纹，与浅划痕的灰度特征几乎无法区分。初步尝试使用Canny边缘检测+霍夫直线检测，划痕的检出率仅为62%，且过检率高达15%。
关键分析与判断：通过分析图像频谱发现，拉丝纹理的能量集中在与拉丝方向垂直的频带上，而划痕的能量分布相对各向同性。因此，可以在频域中设计方向陷波滤波器，抑制拉丝纹理的周期性分量，从而增强划痕的对比度。对于污点，其灰度特征属于低频分量，与拉丝纹理的频带不重叠，可以在空间域通过背景差分法提取。
实际操作步骤：
- 将图像从空间域变换到频域，使用二维FFT计算频谱图；
- 在频谱图中识别拉丝纹理对应的亮线位置（通常为过原点的直线），设计带阻滤波器（陷波滤波器）抑制该方向的频率分量；
- 将滤波后的频谱逆变换回空间域，得到去纹理图像；
- 在去纹理图像上使用自适应阈值分割提取候选缺陷区域；
- 对候选区域计算面积、长宽比、灰度对比度等特征，使用规则分类器区分划痕与污点；
- 将检测结果映射回原始图像坐标，输出缺陷位置和类别。
结果对比：采用频域滤波后，划痕检出率提升至94.5%，过检率降至4.2%。进一步优化滤波器参数（将陷波带宽从±3像素调整为±5像素）后，检出率达到96.8%，过检率降至2.8%，满足客户要求。整个处理流程在V853平台上优化后，单件耗时约145ms，留有余量。
风险与代价：频域滤波会轻微模糊图像边缘，导致极细划痕（宽度小于2像素）的对比度下降。为此，在滤波后增加了基于梯度幅值的补偿增强，但增加了约15ms的计算开销。此外，当产线更换不同拉丝方向的面板时，需要重新标定滤波器方向参数，换型时间约10分钟。
复盘经验：该项目的核心成功因素在于先分析缺陷与背景的频域差异，再选择算法，而不是盲目堆叠图像处理算子。同时，光学方案的配合（将环形光源改为低角度条形光源）进一步增强了划痕的散射信号，使算法难度大幅降低。这再次印证了“成像决定上限，算法决定下限”的工程原则。
2.5 常见误区与总结复盘
在缺陷检测项目的实施过程中，以下误区值得特别注意：
- 误区一：追求算法万能。试图用单一算法解决所有缺陷类型。实际上，不同缺陷的物理成因和视觉特征差异巨大，更合理的做法是采用“多通道并行检测+结果融合”的架构，为每类缺陷设计专门的检测通道。
- 误区二：忽视样本采集的全面性。训练样本只包含“好”和“坏”的极端情况，缺乏中间状态和光照变化样本，导致模型在实际产线上泛化能力差。建议在样本采集阶段覆盖不同班次、不同机台、不同原材料批次的变化。
- 误区三：将过检率视为唯一指标。过检率影响生产效率，但漏检率影响产品质量和品牌信誉。在项目初期，应优先保证漏检率达标，再逐步优化过检率。
- 误区四：忽略缺陷样本的标注一致性。不同标注人员对“轻微划痕”和“正常纹理”的边界理解不同，导致训练数据标签噪声大。建议制定详细的标注规范，并设置标注审核环节。