1. 课程导论
各位同学，欢迎来到这门课。
我先问大家一个问题：一条产线每分钟产出 200 个零件，人工目检能看住几个？
答案是——撑死 60 个，还得换人。疲劳、漏检、标准不统一，这些都是人工检测的硬伤。所以，缺陷检测这件事，必须交给机器。
1.1 为什么需要缺陷检测？
说白了，缺陷检测就是给产品做「体检」。你想想看，一个手机屏幕上有 0.1mm 的划痕，消费者可能直接退货。一个轴承表面有微裂纹，装到设备里可能引发安全事故。
我在 2016 年跟过一个项目，给某电子厂做 PCB 板检测。当时人工抽检的漏检率接近 8%，客户一个月要退回来好几批货。后来上了自动光学检测（AOI），漏检率直接压到 0.5% 以下。这就是缺陷检测的价值——保质量、降成本、提效率。
- 质量管控：零缺陷生产要求，尤其是汽车、医疗、半导体行业
- 成本控制：早期发现缺陷，避免后续装配、出货后的巨额返工
- 效率提升：机器 7×24 小时不间断，速度是人工的 5-10 倍
- 数据可追溯：每张图像、每个缺陷都有记录，便于复盘和工艺改进
1.2 传统方法怎么做？
传统方法，我习惯叫它「规则驱动」。工程师先观察缺陷长什么样，然后写一堆 if-else 规则去抓它。
举个例子，检测一个金属表面的划痕：
// 传统方法伪代码
1. 图像灰度化
2. 高斯滤波去噪
3. 固定阈值二值化（比如灰度 > 200 算缺陷）
4. 形态学开运算去除小噪点
5. 连通域分析，面积 > 50 像素的标记为缺陷
你看，每一步都是人定的。阈值 200 怎么来的？试出来的。光照一变，阈值就得调。我曾经在一个项目中，因为车间换了批 LED 灯，整个检测程序重调了两周。这就是传统方法的痛点——泛化能力差，维护成本高。
| 传统方法优势 | 传统方法劣势 |
|---|---|
| 可解释性强，每步逻辑清晰 | 对光照、角度变化敏感 |
| 计算量小，普通工控机就能跑 | 缺陷种类多时规则爆炸 |
| 不需要大量标注数据 | 纹理复杂场景几乎失效 |
| 调试工具成熟（Halcon、OpenCV） | 维护需要工程师持续介入 |
1.3 深度学习怎么做的？
深度学习走的是另一条路——数据驱动。你给它看一万张有缺陷的图片和一万张好的图片，它自己学出「缺陷长什么样」。
还是那个划痕检测的例子，换成深度学习：
// 深度学习流程
1. 收集 20000 张标注好的图像（含划痕、脏污、正常等类别）
2. 设计或选择一个分类/分割网络（如 ResNet、U-Net）
3. 训练，让网络自己学习特征
4. 部署，输入新图像，直接输出缺陷位置和类别
你发现没有？工程师不再写规则了，而是准备数据、调网络结构、调超参数。 我刚开始转深度学习时，总觉得这玩意儿像个黑盒，心里没底。直到有一次，一个传统方法搞不定的「磨砂面划痕」项目，用 U-Net 分割网络三天就搞定了。嗯，从那以后，我对深度学习的看法彻底变了。
| 深度学习优势 | 深度学习劣势 |
|---|---|
| 泛化能力强，适应复杂纹理 | 需要大量标注数据 |
| 端到端，无需手工设计特征 | 计算量大，需要 GPU |
| 同一套架构可迁移到不同缺陷 | 可解释性差，调试困难 |
| 持续迭代，数据越多效果越好 | 小样本场景容易过拟合 |
1.4 本质区别：规则 vs 特征
我把两者的本质区别总结成一句话：传统方法是在「定义缺陷」，深度学习是在「学习缺陷」。
传统方法：工程师说「灰度大于 200 且面积大于 50 像素的就是缺陷」。这是人定义的规则。
深度学习：网络说「我看了两万张图，发现这些像素组合在一起的时候大概率是缺陷」。这是数据驱动的特征。
1.5 知识体系总览
下面这张图，把本章的核心逻辑串起来了。你可以看到缺陷检测的驱动力、两种技术路线，以及它们各自的适用场景。
1.6 避坑指南
- 盲目上深度学习：一个简单的划痕检测，传统方法 2 天搞定，非要用深度学习，结果标注花了两周，训练又花了一周。杀鸡用牛刀。
- 忽视数据质量：标注不准确，模型学到的全是错误特征。我见过一个项目，标注员把灰尘标成了缺陷，模型上线后误检率高达 30%。
- 忽略光照一致性：传统方法对光照敏感，深度学习其实也敏感。训练时光照均匀，部署时光照一变，效果直接崩盘。
好了，这一章就到这里。记住一句话：没有最好的方法，只有最合适的方法。 后面的章节，我会带你深入每一种技术的细节，咱们一步步来。