3. 被检对象与缺陷类型建模
在工业视觉在线检测系统中，被检对象与缺陷类型的建模质量，直接决定了后续光学方案、算法选型和节拍设计是否成立。很多项目在初期只关注“能不能看到缺陷”，却忽略了缺陷本身的物理属性、成像条件与判定边界，导致上线后频繁出现漏检、误检或节拍不达标。本节从产线实际对象出发，建立一套可操作的缺陷分类与可检测性评估方法。
一、被检对象的四类基本属性
任何被检产品在建模时，都应先明确四类属性：材质与表面状态（金属、塑料、玻璃、镀层、油污、反光特性）、几何特征（平面、曲面、圆柱、深孔、边缘、台阶）、颜色与纹理（单色、多色、印刷图案、拉丝、磨砂）、运动与定位方式（连续传送、间歇停顿、机器人抓取、振动盘上料）。这四类属性共同决定了缺陷在图像中的表现形式，也决定了可检测性的上限。
例如，同样是“划伤”，在拉丝金属表面可能表现为纹理方向上的细微灰度突变，在镜面镀层上则可能表现为高亮条纹或暗线，在黑色塑料上可能几乎不可见。因此，缺陷建模不能脱离对象属性单独进行。
二、缺陷分类的四个维度
面向实际产线，建议将缺陷按以下四个维度分类，而不是简单罗列缺陷名称：
- 表面缺陷：划伤、脏污、凹坑、凸点、气泡、氧化、色差、涂层脱落。核心特征是“在表面二维图像中表现为灰度、颜色或纹理异常”。
- 尺寸缺陷：长度、宽度、孔径、间距、角度、圆度、位置度超差。核心特征是“需要亚像素边缘提取与标定换算”。
- 装配缺陷：漏装、错装、反装、装配不到位、间隙过大、卡扣未闭合。核心特征是“多部件之间的相对位置与存在性判断”。
- 字符缺陷：缺笔、断线、模糊、重影、错印、偏移、对比度不足。核心特征是“字符区域的分割、识别与模板比对”。
分类之后，还需为每个缺陷标注严重等级（致命、严重、轻微）和判定规则（尺寸阈值、面积阈值、灰度差阈值、模板相似度阈值）。这一步是后续可检测性评估的输入。
三、可检测性评估的五个关键参数
可检测性不是主观判断，而是由一组可量化的参数决定。建议从以下五个方面评估：
| 参数 | 含义 | 典型要求 |
|---|---|---|
| 对比度 | 缺陷区域与背景的灰度差或色差 | ≥ 20 灰度级（8bit） |
| 空间分辨率 | 单个像素对应的物理尺寸 | 缺陷最小尺寸的 1/3～1/5 |
| 信噪比 | 缺陷信号与随机噪声的比值 | ≥ 3:1 |
| 重复性 | 同一缺陷多次成像的一致性 | 灰度波动 ≤ 5% |
| 节拍余量 | 单件检测时间与产线节拍之比 | ≤ 70% |
以某连接器端子表面划伤检测为例：划伤宽度约 0.05 mm，长度 0.5～2 mm。若选用 500 万像素相机，视野 50 mm × 40 mm，则单像素约 0.022 mm，划伤宽度约占 2～3 像素，满足分辨率要求。但若表面为高反光镀金层，划伤对比度可能低于 10 灰度级，此时需要改用低角度暗场照明或同轴偏振光，将对比度提升至 30 灰度级以上，才具备可检测性。
四、从缺陷模型到检测方案的映射
完成分类与评估后，需要将缺陷模型映射为具体的检测方案。映射关系可概括为：缺陷类型 → 成像方式 → 算法策略 → 判定阈值。例如：
- 表面脏污 → 明场漫射照明 → 局部灰度阈值 + 连通域分析 → 面积 ≥ 0.1 mm² 判 NG
- 尺寸超差 → 背光轮廓成像 → 亚像素边缘 + 最小二乘拟合 → 偏差 ≥ 0.03 mm 判 NG
- 装配漏装 → 多角度彩色成像 → 颜色区域分割 + 存在性判断 → 目标区域缺失判 NG
- 字符缺笔 → 同轴光 + 字符区域定位 → 模板匹配 + 差异图 → 差异像素占比 ≥ 8% 判 NG
这一映射过程应形成文档，作为后续光学选型、算法开发和产线调试的依据。没有这份映射，检测方案就是“拍脑袋”决定的，上线风险极高。
五、可检测性评估的实操流程
在实际项目中，建议按以下流程执行可检测性评估：
- 收集缺陷样本：从产线收集至少 30～50 个真实缺陷样本，覆盖不同位置、不同严重程度。
- 搭建临时成像平台：用候选相机、镜头、光源在实验室复现产线成像条件。
- 采集图像并测量：对每个样本测量对比度、信噪比、缺陷像素尺寸。
- 计算可检测性得分：按五个参数加权评分，低于阈值的缺陷需重新设计成像或调整判定规则。
- 输出评估报告：明确哪些缺陷可检、哪些需改进、哪些暂不可检，并给出改进方向。
六、缺陷分类与可检测性评估的关系图
下图展示了从被检对象属性出发，经过缺陷分类、参数评估，最终映射到检测方案与判定规则的完整关系。图中同时标注了各环节的关键输入与输出，便于在实际项目中对照执行。
图中右侧的虚线反馈箭头表示：当检测方案映射完成后，若发现某些缺陷的可检测性不足，需要回到缺陷分类或成像方案环节重新调整，而不是强行降低判定标准。这一迭代过程是保证系统长期稳定运行的关键。
七、常见误区与注意事项
误区一：只按缺陷名称分类，不按物理属性分类。“划伤”在不同材质上的成像差异极大，必须结合对象属性建模。
误区二：忽略节拍对可检测性的影响。高分辨率相机往往意味着更长曝光和传输时间，若节拍余量不足，再好的成像方案也无法落地。
误区三：用单一阈值覆盖所有缺陷。不同缺陷的对比度、面积、形状差异很大，应分别设定判定规则，并保留可追溯的阈值记录。
最后需要强调：缺陷分类与可检测性评估不是一次性工作。产线换型、材料批次变化、光源老化都会影响成像结果，因此建议在系统中保留缺陷样本库和评估记录，定期复评，确保检测能力始终与产线要求匹配。