2、工业检测基础：常见缺陷类型（划痕、脏污、缺料、变形等）、检测标准与行业规范
在搭建摄像头AI工业检测pipeline之前，必须首先建立对“缺陷”本身的系统性认知。工业缺陷检测并非简单的“图像分类”问题，而是涉及缺陷物理成因、光学表现、标准定义、客户验收规则与产线节拍约束的复合工程问题。本章将围绕常见缺陷类型的物理本质与视觉特征、检测标准体系（国标/行标/企标）、以及如何将标准转化为可执行的算法验收指标展开，为后续图像采集、算法选型与模型评估奠定基础。
上图展示了工业缺陷检测的核心逻辑链路：缺陷的物理成因决定了其在图像中的光学表现，而光学表现又决定了成像方案（光源、镜头、相机）的选择，最终检测标准将缺陷的物理属性量化为可执行的算法验收指标。理解这一链路是搭建pipeline的第一步，也是避免“算法调参无法收敛”或“误判率居高不下”等问题的根本保障。
2.1 常见缺陷类型的物理本质与视觉特征
2.1.1 核心原理：缺陷的“物理-光学”映射关系
工业缺陷检测的本质是通过图像灰度/彩色信息反推物体表面的物理状态。不同缺陷类型在物理成因上存在本质差异，这直接决定了它们在特定光照条件下的视觉表现。例如，划痕是材料表面的连续性机械损伤，在暗场照明（低角度光）下会因散射而呈现高亮线条；而脏污中的油渍在明场照明下可能呈现低灰度区域，但在紫外光激发下可能产生荧光。因此，“先分析物理成因，再设计光学方案”是pipeline搭建的首要原则。
下表总结了六类最常见缺陷的物理成因、典型视觉表现及推荐成像方式：
| 缺陷类型 | 物理成因 | 典型视觉表现 | 推荐成像方式 | 典型行业 |
|---|---|---|---|---|
| 划痕/擦伤 | 机械接触、硬颗粒摩擦 | 线状高亮或暗线，方向随机 | 暗场低角度光、同轴光 | 3C、汽车零部件 |
| 脏污/异物 | 油渍、粉尘、纤维附着 | 块状/点状灰度异常，边缘模糊 | 明场漫射光、紫外激发 | 半导体、食品包装 |
| 缺料/缩水 | 注塑压力不足、冷却不均 | 区域灰度/梯度缺失，边缘塌陷 | 结构光、多角度光 | 注塑件、压铸件 |
| 变形/翘曲 | 内应力释放、冷却收缩 | 轮廓/尺寸偏差，边缘直线度异常 | 背光轮廓投影、激光轮廓仪 | 精密结构件 |
| 色差/光泽异常 | 材料批次差异、工艺参数漂移 | RGB/HSV统计偏移，光泽度变化 | 标准光源箱、多光谱 | 汽车内饰、家电 |
| 气泡/针孔 | 气体残留、真空度不足 | 圆形/椭圆形低灰度区域，边缘锐利 | 高透射背光、暗场 | 玻璃、涂层 |
2.1.2 判断方法：缺陷特征量化指标
在将缺陷类型转化为算法可处理的输入前，需要定义一组量化特征指标。这些指标既是传统图像处理算法的输入参数，也是深度学习模型标注时的属性标签。核心量化维度包括：
- 几何特征：长度、宽度、面积、周长、长宽比、最小外接矩形角度、轮廓曲率。
- 灰度特征：区域平均灰度、灰度方差、与背景的灰度差（对比度）、梯度幅值。
- 纹理特征：局部二值模式（LBP）直方图、Gabor滤波响应、灰度共生矩阵（GLCM）的对比度和能量。
- 色彩特征：RGB/HSV均值与标准差、色相偏移量、饱和度异常区域占比。
例如，对于划痕缺陷，通常需要记录长度≥0.3mm、宽度≥0.05mm、灰度对比度≥30（8bit灰度图）作为判定阈值。这些量化指标直接来源于客户提供的限度样本或行业标准中的定义。
2.1.3 案例拆解：手机中框划痕检测的成像方案选择
背景与约束：某3C代工厂需检测手机铝合金中框侧面的划痕，产线节拍为4秒/件，检测精度要求为长度≥0.5mm、宽度≥0.1mm的划痕必须100%检出，误判率（过杀率）≤3%。
初始现象：采用常规环形光源（0°~30°照射角）时，划痕与拉丝纹理背景的对比度仅为15~20，算法难以稳定分割。
分析判断过程：通过分析划痕的物理成因（机械刮擦导致表面粗糙度变化）和拉丝纹理的方向性（沿同一方向延伸），判断需要利用角度选择性照明来增强划痕的散射信号，同时抑制拉丝纹理的规则反射。
实际操作步骤：
- 将光源改为低角度暗场照明（照射角10°~15°），使光线几乎平行于表面入射。
- 在划痕可能出现的两个垂直方向分别布置两组条形光源，交替点亮。
- 使用偏振片抑制金属表面的镜面反射眩光。
- 采集图像后，划痕对比度提升至60以上，拉丝纹理被有效抑制。
结果对比：改进后，算法分割的稳定性和准确率显著提升，误判率从8%降至2.5%，满足客户要求。
风险与代价：双光源交替点亮增加了硬件成本和图像采集时间（需采集两帧），但仍在节拍范围内。此案例说明，成像方案的优化往往比算法调参更有效。
2.2 检测标准与行业规范体系
2.2.1 核心原理：标准的分层结构
工业检测标准并非单一文件，而是一个分层体系。从国家强制标准到企业内部验收规范，每一层都在不同维度约束着检测行为。理解标准的分层结构，有助于在pipeline设计时明确“必须满足什么”和“可以协商什么”。
标准体系通常分为四个层级：
- 国家标准（GB/T）：基础性、通用性要求，如GB/T 2828.1计数抽样检验程序。
- 行业标准（JB/QC/SJ等）：针对特定行业的通用要求，如QC/T 625汽车用涂镀层和化学处理层。
- 企业标准（Q/XX）：客户或制造商内部制定的验收规范，通常比国标更严格，包含限度样本。
- 客户图纸/技术协议：针对具体零件的缺陷定义、位置要求、数量限制。
2.2.2 判断方法：从标准到算法验收指标的映射
将文字化的标准转化为算法可执行的验收指标，是pipeline搭建中最具挑战性的环节之一。核心步骤包括：
- 缺陷定义量化：将标准中的“轻微划痕”“明显脏污”等模糊描述，转化为具体的长度、面积、灰度差等数值。
- 限度样本数字化：对客户提供的“OK/NG”限度样本进行图像采集，提取特征值分布，确定分类边界。
- 定义算法指标：根据标准中的AQL（可接受质量水平）或全检要求，设定模型的召回率（Recall）、精确率（Precision）、F1-score目标。
- 确定过杀/漏杀权重：在工业场景中，漏杀（将缺陷品判为良品）的代价远高于过杀（将良品判为缺陷品），因此通常要求召回率≥99.5%，而精确率可适当放宽至95%~98%。
下表展示了某汽车零部件企业标准中“划痕”缺陷的量化定义示例：
| 缺陷等级 | 长度L (mm) | 宽度W (mm) | 数量限制 | 灰度对比度 | 判定结果 |
|---|---|---|---|---|---|
| A级（可接受） | L < 0.3 | W < 0.05 | ≤3处/面 | ≥20 | OK |
| B级（可接受） | 0.3 ≤ L < 1.0 | 0.05 ≤ W < 0.1 | ≤1处/面 | ≥30 | OK（需记录） |
| C级（不可接受） | L ≥ 1.0 | W ≥ 0.1 | 任意 | 任意 | NG |
| D级（不可接受） | 任意 | 任意 | ≥2处B级 | 任意 | NG |
2.2.3 实战场景：标准冲突时的处理策略
场景描述：某新能源电池结构件项目，客户图纸要求“表面无任何可见划痕”，但行业标准QC/T 625允许长度≤0.5mm的划痕存在。两者存在明显冲突。
分析判断：客户图纸的法律效力高于行业标准，但“可见”一词缺乏量化定义，导致算法判定边界模糊。
解决方案：
- 与客户质量工程师召开技术评审会，明确“可见”的定义——在标准光源（D65，照度1000lux）下，人眼在30cm距离可辨识的划痕。
- 将人眼辨识条件转化为图像采集参数：相机分辨率需保证0.05mm/像素，光源色温6500K，照度≥1500lux。
- 制作“临界样本”库——收集恰好处于人眼可辨识边缘的划痕样本，用于算法调优和验收测试。
结果与复盘：通过将模糊标准转化为可量化的成像和算法参数，项目顺利通过客户验收。复盘经验是：标准冲突时，应主动推动“标准量化”而非被动选择。
2.3 常见误区与总结复盘
2.3.1 常见误区
- 误区一：忽视物理成因，直接套用算法。例如，用明场照明检测划痕导致对比度不足，误以为算法能力不够，实际是成像方案错误。
- 误区二：将国标当作唯一依据。国标通常滞后于产品迭代，且缺乏具体零件的量化指标，直接使用会导致过杀或漏杀。
- 误区三：忽略限度样本的“边界模糊性”。限度样本中OK与NG的边界往往存在灰度重叠区域，算法无法做到100%区分，需要与客户协商设定“灰色区域”的处置策略（如复判或人工抽检）。
- 误区四：只关注召回率而忽略过杀率。过高的过杀率会导致产线停线频繁，实际运营成本远超预期。
2.3.2 总结复盘
本章的核心知识框架可归纳为“一个链路、两个映射、三个量化”：
- 一个链路：物理成因 → 光学表现 → 成像方案 → 算法检测 → 标准验收。
- 两个映射：缺陷物理属性到视觉特征的映射；标准文字描述到算法量化指标的映射。
- 三个量化：缺陷几何尺寸量化、灰度/色彩特征量化、算法性能指标（召回率/精确率）量化。
掌握本章内容后，读者应能够：面对任意工业缺陷检测需求，先分析物理成因，再设计成像方案，然后依据标准量化指标，最后才进入算法选型和训练阶段。这一顺序不可颠倒，否则pipeline的返工成本将成倍增加。