工业质检基础：传统质检与AI质检的对比、常见缺陷类型及检测难点
工业质检是制造业质量闭环中的关键闸口，直接决定产品是否允许流入下一道工序或交付客户。在智慧工厂语境下，质检不再仅仅是“挑出坏品”的孤立动作，而是与工艺参数回溯、设备状态监测、物料批次追踪紧密耦合的数据节点。要理解AI质检为何能取代或增强传统方案，首先需要厘清两类技术路线的本质差异，并系统梳理缺陷的物理形态与光学表现——因为所有检测算法的设计，本质上都是对“缺陷如何呈现为图像特征”这一问题的数学建模。
传统质检与AI质检的技术本质对比
传统机器视觉质检（通常称为“传统算法”）的核心逻辑是“人工定义特征 + 规则判断”。工程师根据缺陷的物理形态，设计边缘检测算子（如Canny、Sobel）、灰度阈值、形态学滤波、Blob分析等步骤，将缺陷转化为可量化的几何参数（面积、长宽比、灰度均值）或频域特征（纹理能量、傅里叶描述子）。例如，检测金属表面的划痕，传统方案会先通过高角度环形光突出划痕的线性边缘，然后设定灰度梯度阈值，提取连通域，最后用“长度>L且宽度
AI质检（以深度学习为主）则采用“数据驱动特征自学习”的范式。以卷积神经网络（CNN）为例，网络通过大量标注图像自动学习从像素到语义的层级特征：浅层卷积核提取边缘、角点，中层组合出纹理、局部形状，深层则形成缺陷类别的高层语义。实际部署中，常用的模型架构包括：用于图像分类的ResNet/EfficientNet、用于目标检测的YOLO/Faster R-CNN、用于像素级分割的U-Net/DeepLabV3。AI方案的核心优势在于特征表达能力强，能够处理传统算法难以建模的复杂纹理背景（如皮革、布料、铸件表面）和弱对比缺陷（如透明薄膜上的轻微划痕）。但代价是需要大量标注数据、GPU算力支撑，且模型决策过程为黑盒，在需要严格追溯判定依据的汽车安全件场景中可能面临合规挑战。
| 对比维度 | 传统机器视觉 | AI深度学习 |
|---|---|---|
| 特征来源 | 人工设计（边缘/阈值/形态学） | 数据自动学习（卷积核） |
| 开发周期 | 2-4周（含打光调试） | 1-2周（含数据标注） |
| 复杂纹理背景 | 极易误检 | 鲁棒性较好 |
| 缺陷类型扩展 | 需重新开发算法 | 增量训练即可 |
| 推理速度（GPU） | <5ms | 10-50ms（视模型大小） |
| 可解释性 | 高（规则明确） | 中（需Grad-CAM等辅助） |
| 硬件成本 | 低（工控机即可） | 较高（需GPU服务器） |
常见缺陷类型及其光学表现
工业缺陷的物理成因千差万别，但从图像检测的角度，可以归纳为四大类：表面结构缺陷、污染附着缺陷、几何形态缺陷、材质内部缺陷。每类缺陷对光线的反射、吸收、散射特性不同，因此需要匹配不同的打光方案和检测算法。
- 划痕（Scratch）：呈线状或沟槽状，宽度通常为0.01-0.5mm。在明场照明下表现为暗线（光线被划痕边缘散射），在暗场照明下表现为亮线（边缘衍射增强）。检测难点在于划痕可能与加工纹理方向一致，或被油膜覆盖导致对比度下降。
- 脏污（Contamination）：包括油渍、指纹、灰尘、残胶等，形态不规则，灰度值可能高于或低于背景。难点在于脏污的灰度范围与正常纹理重叠，且不同批次脏污的化学成分不同导致光学特性漂移。
- 缺料（Missing Material）：常见于注塑件、压铸件，表现为局部凹陷、缩孔、缺角。在平行光照射下，缺料区域会产生明显的阴影或灰度突变。难点在于缺料边缘可能圆滑过渡，与正常曲面难以区分。
- 变形（Deformation）：包括翘曲、弯曲、扭曲，通常表现为整体轮廓偏差而非局部灰度变化。需要借助结构光或激光轮廓仪获取三维数据，二维图像难以直接检测。
- 异色（Discoloration）：如烧焦、氧化、色差，表现为局部区域RGB值偏离标准色域。难点在于环境光色温变化会干扰颜色判断，需使用标准光源箱或色彩校准板。
检测难点的系统化分析
即使选择了合适的算法和光源，工业质检仍面临四大系统性难点，这些难点往往不是单一技术能解决的，而是需要从成像、算法、数据、工程四个层面协同优化。
- 类内差异大、类间差异小：同一类缺陷（如划痕）可能有几十种不同的形态（直线、曲线、断续、网状），而某些正常纹理（如拉丝铝表面的加工纹路）与轻微划痕在图像上几乎无法区分。解决思路是引入异常检测（Anomaly Detection）范式，仅用正常样本训练重建模型（如Autoencoder），将重建误差大的区域判定为缺陷，从而避免对缺陷形态的穷举。
- 小目标与低对比度：部分缺陷（如芯片表面的微裂纹）仅占图像总像素的0.01%，且灰度差异仅5-10个灰度级。传统算法容易漏检，AI模型则容易在池化过程中丢失小目标信息。工程上采用高分辨率相机+分区域检测策略，或使用注意力机制增强的模型（如Transformer-based detector）。
- 数据不平衡与标注成本：良品数量远大于缺陷品，且缺陷样本获取困难（尤其是量产初期的冷启动阶段）。常用对策包括：数据增强（旋转、裁剪、噪声注入）、合成数据（通过3D渲染或GAN生成缺陷）、迁移学习（使用预训练模型微调）。
- 实时性与算力约束：产线节拍要求检测系统在50-100ms内完成“采集-推理-判定-剔除”全流程，而高精度模型往往计算量大。工程上采用模型剪枝、量化（INT8）、TensorRT加速，或采用“粗检+精检”级联架构，先快速排除90%的OK品，仅对疑似区域运行复杂模型。
实战场景：某汽车零部件厂铝压铸件表面检测方案选型
某汽车零部件供应商生产铝合金转向节，需检测表面划痕、缩孔、脏污三类缺陷。产线节拍为45秒/件，原方案采用人工目检，漏检率约8%。项目组计划升级为自动检测，面临传统视觉与AI方案的选型决策。
初始现象与约束：转向节表面为喷砂后的粗糙铝面（Ra 3.2），存在自然纹理；划痕宽度0.1-0.3mm，深度较浅；缩孔直径0.5-2mm，颜色与背景接近；脏污为脱模剂残留，呈白色斑块。产线环境有切削液雾气，光照条件波动。客户要求漏检率<1%，过检率<5%，且需在3个月内完成部署。
分析判断过程：项目组首先采集了200张样本图像（含50张缺陷图），用传统算法进行预研。发现：划痕在暗场下对比度较好（灰度差约25），但缩孔与背景灰度差仅8-12，传统阈值法无法稳定分割；脏污在明场下灰度差约40，但形状不规则，Blob分析参数难以统一。进一步测试AI模型（YOLOv5s），在200张样本上训练后，mAP达到0.85，但缩孔类别的召回率仅0.7。分析原因：缩孔样本仅15张，数据不足导致过拟合。
实际操作步骤：
- 优化成像：增加一个低角度环形光源（暗场）用于增强划痕，同时保留高角度条形光（明场）用于脏污检测，采用双相机分时采集，图像融合后输入模型。
- 数据扩充：对现有50张缺陷图进行旋转、缩放、弹性形变增强，并利用3D渲染软件合成200张缩孔缺陷图（模拟不同光照角度下的形态）。
- 模型调整：将YOLOv5s替换为YOLOv8n（更轻量），并增加一个小目标检测头（P2层），专门针对缩孔这类小目标。
- 部署策略：采用“传统算法预筛+AI精检”级联——传统算法先通过灰度阈值快速排除明显OK品（约60%），剩余40%送入AI模型。
结果对比：最终漏检率降至0.6%，过检率3.2%，单件检测耗时约120ms（含图像采集），满足节拍要求。但项目组发现，合成数据训练的模型在真实产线上对某些特殊角度的缩孔仍存在误判，后续通过持续收集现场数据并每两周增量训练一次，逐步将漏检率稳定在0.3%以下。
复盘经验：该案例的核心教训是成像方案决定了检测上限——最初仅用单一光源导致缩孔对比度不足，无论算法多先进都无法解决。此外，合成数据虽然能缓解冷启动问题，但必须与真实数据混合训练，否则模型会学习到渲染引擎的“伪特征”。最后，级联架构在工业场景中非常实用，既能保证速度，又能利用AI处理复杂情况。