2、缺陷检测基础：常见缺陷类型（划痕、脏污、缺料、变形等）、检测难点与工业标准
在AI视觉检测与机械臂联动系统中，缺陷检测是整个自动化闭环的“感知前端”。如果缺陷识别不准确或分类不清晰，后续的剔除动作和节拍补偿就失去了依据。本章聚焦于工业场景中最常见的四类表面缺陷——划痕、脏污、缺料、变形，深入剖析它们的成像特征、检测难点、工业判定标准，以及如何将这些标准转化为AI模型可学习的规则。理解这些基础，是设计联动策略、设定剔除阈值、计算节拍补偿的前提。
2.1 核心原理：缺陷的物理本质与成像特征
缺陷检测的本质是“物理异常→光学信号→数字图像→语义标签”的映射过程。不同缺陷类型在图像上呈现的灰度、纹理、边缘和几何特征差异显著，理解这些底层特征才能选择合适的检测算法和光源方案。
| 缺陷类型 | 物理成因 | 典型成像特征 | 最佳光源方案 | 检测难度 |
|---|---|---|---|---|
| 划痕 | 机械摩擦、硬物刮擦 | 细长线性暗纹，方向随机，边缘锐利 | 低角度环形光（暗场） | 中高（对比度低时） |
| 脏污 | 油渍、粉尘、指纹附着 | 块状或点状灰度异常，边缘模糊 | 同轴光或高角度漫射光 | 中（易与纹理混淆） |
| 缺料 | 注塑不足、冲压不到位 | 局部凹陷，灰度低于周围，有阴影 | 穹顶光+低角度光组合 | 中（需深度信息） |
| 变形 | 热应力、冷却不均、装配偏移 | 整体轮廓偏移，边缘直线度超标 | 背光+轮廓测量 | 高（需全局分析） |
以划痕为例，当光线以低角度照射工件表面时，划痕的沟槽结构会破坏光的反射路径，形成暗场下的亮线或暗线。而脏污则更多表现为对光的吸收或散射，在明场下呈现为灰暗区域。缺料和变形则需要结合深度信息或轮廓测量来判断，单纯二维灰度图像往往难以区分“表面脏污”与“真实凹陷”。
2.2 判断方法：从人工标准到AI可执行规则
工业现场的缺陷判定通常遵循“标准定义→样本采集→特征量化→阈值设定→模型训练→在线验证”的流程。AI检测系统需要将人工目检的经验转化为可量化的参数。
2.2.1 划痕检测的判断逻辑
- 形态学筛选：通过形态学开运算提取线性结构，计算长宽比（通常>5:1）和长度（像素换算为mm）。
- 方向一致性：若工件有固定纹理方向（如拉丝面），需将划痕方向与纹理方向对比，垂直纹理的划痕更易被识别。
- 灰度对比度：计算划痕区域与周围背景的灰度差，低于设定阈值（如ΔGray<20）时判为“轻微划痕”，需结合AI分类。
2.2.2 脏污检测的灰度与纹理双通道
脏污检测不能只看灰度，因为某些工件的纹理本身就有灰度波动。推荐使用灰度统计特征（均值、方差）+ 纹理特征（LBP、Gabor滤波）双通道判断。例如，油污区域通常灰度均值下降但方差增大，而正常纹理区域灰度均值稳定。
2.2.3 缺料检测的深度辅助
对于注塑件缺料，建议采用结构光或激光轮廓仪获取深度信息。若仅有2D相机，可通过阴影分析间接判断：缺料区域在低角度光下会产生固定方向的阴影，阴影长度与缺料深度正相关。
2.2.4 变形检测的轮廓拟合
变形检测需要先提取工件轮廓，与CAD标准轮廓进行ICP配准，计算每个采样点的偏差距离。当最大偏差超过公差带（如±0.3mm）时判定为变形缺陷。
# 划痕检测的形态学参数示例（Python伪代码）
import cv2
import numpy as np
# 读取灰度图
img = cv2.imread('part_surface.jpg', 0)
# 形态学顶帽变换提取亮划痕
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (15, 3))
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
# 二值化
_, binary = cv2.threshold(tophat, 30, 255, cv2.THRESH_BINARY)
# 连通域分析
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cnt in contours:
x, y, w, h = cv2.boundingRect(cnt)
length = max(w, h) # 像素长度
width = min(w, h) # 像素宽度
ratio = length / max(width, 1)
if ratio > 5 and length > 50: # 长宽比>5且长度>50像素
print(f"检测到划痕: 长度={length}px, 宽度={width}px, 方向={'水平' if w>h else '垂直'}")2.3 案例拆解：某汽车零部件厂的划痕检测误判分析
背景与约束：某铝制外壳加工厂，表面为喷砂处理（粗糙度Ra=1.6μm），需检测表面划痕。产线节拍要求≤3秒/件，原有方案采用高角度环形光+灰度阈值分割，误判率高达12%（过杀8%，漏杀4%）。
初始现象：喷砂纹理在图像中呈现为随机分布的灰度波动，与浅划痕的灰度特征高度重叠。传统阈值分割将纹理波动误判为划痕（过杀），同时部分浅划痕因对比度不足被漏掉（漏杀）。
分析过程：
- 采集200件样本（含50件人工确认的划痕缺陷），统计灰度直方图，发现划痕区域灰度均值与背景仅差15-25灰度级，而喷砂纹理波动范围达±10灰度级。
- 提取纹理特征：使用Gabor滤波器组（4方向×3频率），计算纹理能量分布。发现划痕区域的纹理能量在特定方向显著高于背景。
- 引入方向性特征：划痕方向与喷砂纹理方向无固定关系，但划痕的线性度（骨架化后的直线拟合残差）远高于纹理噪声。
实际操作步骤：
- 将光源改为低角度环形光（入射角15°），增强划痕的暗场散射信号。
- 算法升级为“形态学顶帽+方向性Gabor滤波+线性度判定”三阶段。
- 设定判定规则：线性度>0.85且长度>2mm且对比度>12灰度级 → 判为划痕。
结果对比：
| 指标 | 原方案 | 新方案 | 提升幅度 |
|---|---|---|---|
| 过杀率 | 8% | 1.2% | ↓85% |
| 漏杀率 | 4% | 0.5% | ↓87.5% |
| 单件检测耗时 | 2.1s | 2.4s | ↑0.3s（可接受） |
风险与代价：新方案对光源稳定性要求更高，光源衰减会导致对比度下降，需每月校准光源强度。同时Gabor滤波计算量较大，需配置GPU加速或优化算法。
复盘经验：缺陷检测的误判根源往往不在算法本身，而在光学系统与特征选择的匹配度。先解决“能不能看见”的问题，再解决“能不能分清”的问题。
2.4 常见误区与总结复盘
总结：缺陷检测基础是AI视觉与机械臂联动系统的“感知基石”。四大类缺陷各有其物理成因和成像特征，检测难点集中在对比度、纹理干扰、形态多样性和光照敏感性四个方面。工业标准提供了量化的判定依据，而AI模型的作用是将这些标准转化为可重复、可解释的自动化判断。在实际项目中，建议按照“光学先行→特征工程→模型训练→阈值校准→联动验证”的路径推进，确保检测结果既能满足质量标准，又能为后续的剔除动作和节拍补偿提供可靠输入。