3、缺陷检测概述：常见缺陷类型与行业应用场景

工业视觉缺陷检测是智能制造质量闭环中的关键感知环节，其本质是通过光学成像与图像处理技术，将产品表面的物理异常转化为可量化、可判别的数字信号。在进入算法与硬件细节之前，我们首先需要建立对“缺陷”本身的系统性认知：缺陷的物理成因、形态学特征、光学响应特性，以及不同行业对缺陷判定的差异化标准。本章将围绕常见缺陷类型与典型行业应用展开，为后续的图像采集方案设计和模型训练提供领域知识基础。

上图展示了缺陷检测知识体系的两大核心维度：左侧为缺陷的物理形态分类，右侧为行业应用场景。实际工程中，同一类缺陷在不同行业、不同材质上的光学表现和判定阈值差异巨大。例如，一个在金属表面深度为 0.02mm 的划痕在汽车零部件行业可能被判为不合格，而在某些建筑钢材标准中则可能被接受。因此，理解缺陷的底层物理属性是设计检测方案的第一步。

3.1 核心原理：缺陷的物理本质与光学响应

缺陷检测的本质是“利用光与物质相互作用后的差异来识别异常”。当一束光照射到被测物体表面时，会发生反射、折射、散射和吸收。正常区域与缺陷区域由于几何形状、材料密度或化学成分不同，会产生不同的光学响应。这种响应差异是视觉系统能够“看见”缺陷的物理基础。

从物理成因角度，常见缺陷可分为三大类：

• 几何形状类缺陷：包括划痕、裂纹、凹陷、凸起、毛刺等。这类缺陷改变了表面的微观几何结构，导致镜面反射方向改变或产生阴影。在暗场照明下，划痕和裂纹会因边缘散射而呈现亮线；在明场照明下，凹陷和凸起则表现为灰度突变区域。
• 材质污染类缺陷：包括污点、油渍、指纹、异物附着等。这类缺陷引入了与基底材料不同的物质，其反射率、吸收率或颜色与周围区域不同。例如，透明玻璃上的油污在特定角度光照下会产生干涉条纹，而金属表面的锈斑则表现为颜色和反射率的双重变化。
• 内部结构类缺陷：包括气泡、针孔、夹杂、分层等。这类缺陷位于材料内部或亚表面，需要借助透射光、背光或特定波长的光源（如红外、紫外）才能有效显现。例如，锂电池隔膜上的针孔在强背光下会呈现为亮点，而陶瓷基板内部的气泡则需要X射线或超声检测。

理解缺陷的光学响应特性，是选择光源类型（环形光、同轴光、背光、穹顶光）、光源颜色（白光、红光、蓝光、红外）和相机偏振方案的理论依据。例如，检测拉丝金属表面的划痕时，使用低角度环形光可以增强划痕的散射信号，而抑制拉丝纹理的干扰。

3.2 常见缺陷类型详解与判断方法

下面针对工业现场最常遇到的五类缺陷，从形态特征、成因、光学表现和检测要点四个维度进行拆解。

3.2.1 划痕（Scratch）

划痕是线性或条带状的表面损伤，通常由硬质颗粒、工具接触或摩擦造成。在金属、玻璃、塑料和抛光表面极为常见。划痕的宽度可从微米级到毫米级，深度不一。在明场照明下，浅划痕可能仅表现为微弱的灰度变化；在暗场照明下，划痕边缘的散射光会使其呈现为明亮的细线。检测划痕的关键在于选择合适的照明角度以增强其与背景的对比度，同时避免将正常的加工纹理（如拉丝、磨砂）误判为划痕。

3.2.2 污点与脏污（Stain & Contamination）

污点通常指与基底颜色或反射率不同的区域，成因包括油渍、水渍、化学残留、灰尘附着等。污点的形状不规则，边缘可能清晰或模糊。在彩色相机下，污点往往呈现为色差；在单色相机下，则表现为灰度差异。检测污点时，光源的均匀性至关重要。对于高反光表面，穹顶光源或低角度环形光可以有效减少镜面反射的干扰，使污点更清晰地显现。

3.2.3 裂纹（Crack）

裂纹是材料连续性的断裂，通常呈线状或网状，是结构强度的重要隐患。裂纹在光学上表现为细长的暗线或亮线，取决于照明方式。对于表面裂纹，使用高角度环形光或同轴光可以增强其边缘的反射差异。对于亚表面裂纹或透明材料内部的裂纹，则需要背光或侧向聚光来利用材料内部的折射差异。裂纹检测的难点在于其宽度极细（可能小于一个像素），且形态多变，容易与划痕混淆。区分的关键在于：裂纹通常有分支或沿晶界扩展，而划痕方向性更单一。

3.2.4 凹陷与凸起（Dent & Bump）

凹陷是表面局部下陷，凸起是局部隆起，两者都属于三维几何变形。在二维图像中，它们表现为灰度渐变区域，边缘通常有阴影。使用多角度照明或多相机立体视觉可以恢复其高度信息。对于精密金属件，相移干涉法或共聚焦方法可以获得纳米级精度，但工业在线检测中更常用的是光度立体技术，通过不同方向光源照射下的灰度变化来重建表面法向量，从而识别凹陷和凸起。

3.2.5 气泡与针孔（Bubble & Pinhole）

气泡存在于材料内部或表面，呈圆形或椭圆形；针孔是贯穿材料的小孔，直径通常小于 0.5mm。在透射光照明下，气泡和针孔会因折射率差异而产生明显的亮斑或暗斑。对于不透明材料，针孔在背光下会呈现为亮点。检测这类缺陷时，背光源的亮度和均匀性直接影响检测灵敏度。对于薄膜、涂层材料，针孔的检测往往需要高分辨率相机和亚像素算法。

3.3 行业应用场景与检测标准差异

不同行业对缺陷的容忍度、检测速度和判定标准截然不同。这直接影响着视觉系统的硬件选型和算法复杂度。

3.3.1 电子与半导体行业

该行业是缺陷检测要求最严苛的领域。PCB 板上的线路短路、断路、焊点桥连、元件缺失，晶圆表面的颗粒污染、划伤，以及芯片封装中的气泡、裂纹，都需要在高速产线上实现微米级检测。电子行业的特点是：缺陷尺寸极小（微米级）、检测速度要求极高（每秒处理数十个元件）、且误判成本巨大。因此，该领域通常采用高分辨率面阵相机或线扫相机，配合远心镜头和定制光源。深度学习在电子行业的应用已从传统的分类网络向像素级分割网络演进，以精确输出缺陷的轮廓和面积。

3.3.2 汽车与金属加工行业

汽车零部件的检测覆盖发动机缸体、曲轴、齿轮、车身覆盖件、焊接点等。缺陷类型以铸造气孔、裂纹、划痕、凹陷为主。该行业的特点是工件尺寸大、表面反光性强（金属材质）、且缺陷标准与安全性能直接挂钩。例如，发动机缸体内部的砂眼可能导致漏油，必须 100% 检测。在汽车行业，3D 视觉技术应用广泛，如结构光或激光三角测量用于检测凹陷的深度和面积。同时，由于金属表面易产生反光，偏振成像技术常被用于消除眩光，提取真实的表面缺陷信息。

3.3.3 纺织与服装行业

纺织品的缺陷包括断纱、跳花、油污、色斑、纬斜等。与电子行业不同，纺织品的缺陷往往具有周期性或大面积分布的特点，且布面纹理复杂。检测难点在于区分正常的编织纹理与真正的缺陷。传统算法基于纹理分析（如灰度共生矩阵、Gabor 滤波），而现代方案则使用无监督或自监督深度学习模型，仅用正常样本训练，即可检测出异常区域。纺织行业的检测速度要求极高，通常需要线扫相机以每分钟数百米的速度运行。

3.3.4 医药与食品行业

医药行业的检测对象包括药片、胶囊、注射剂瓶、输液袋等。缺陷类型有裂纹、污渍、异物、印刷错误、液位异常等。该行业受法规约束严格（如 FDA 21 CFR Part 11），要求检测过程可追溯、数据完整。食品行业的检测则更关注异物（金属、玻璃、骨头）、包装缺陷和外观一致性。医药食品检测的显著特点是背景复杂（如药片颜色多样、表面有刻痕），且对卫生等级有要求，设备需易于清洁。光源通常选用防水的 IP67 等级，并使用白光或红外光以适应不同产品。

3.4 案例拆解：手机中框外观检测方案设计

下面通过一个完整的案例，展示如何将上述缺陷类型和行业知识应用于实际项目。

项目背景与约束：某 3C 精密制造企业需要检测手机金属中框（铝合金材质，阳极氧化后）的表面缺陷。产线节拍为 4.5 秒/件，检测项包括：划痕（宽度≥0.05mm）、凹点（直径≥0.3mm，深度≥0.05mm）、污渍（面积≥0.5mm²）、以及色差（ΔE≥2）。该中框具有复杂的曲面和多个开孔，表面为哑光质感但仍有较强反光。

初始现象与目标：此前使用人工目检，漏检率约为 8%，且检测标准不一致。项目目标是将漏检率降至 1% 以下，误检率控制在 5% 以内。

关键输入数据与参数：中框尺寸为 150mm × 75mm，检测精度要求为 0.05mm 划痕宽度，根据采样定理，单像素物理尺寸需≤0.025mm。因此，选用 2500 万像素面阵相机（5472×3648），视野覆盖 140mm×95mm，单像素精度约 0.026mm，满足要求。镜头选用 0.5 倍远心镜头，工作距离 110mm，畸变小于 0.1%。

分析判断过程：由于中框是曲面且反光，单一光源会产生大面积眩光。经过光学仿真和现场测试，最终采用“四分区多角度照明”方案：使用 4 个条形光源，分别从 0°、90°、180°、270° 方向以 15° 低角度照射。每个光源独立控制亮度，通过四次拍摄合成一张图像。在低角度光下，划痕和凹点因边缘散射呈现为亮线或亮斑，而哑光表面的均匀反射则形成稳定的灰色背景。对于污渍检测，额外增加一个同轴光源拍摄一张图像，利用污渍与铝材表面反射率的差异进行识别。

实际操作步骤：

1. 安装 4 个条形光源和同轴光源，调整角度至 15°，确保中框边缘无阴影遮挡。
2. 使用标定板进行像素当量标定，确认单像素精度为 0.026mm。
3. 采集 200 个良品和 200 个缺陷品图像，标注缺陷类型和位置。
4. 使用传统算法（灰度阈值+形态学滤波）检测划痕和凹点，使用基于颜色空间的算法检测污渍。
5. 针对误检区域，提取 32×32 像素的 ROI，输入一个轻量级 CNN 分类器进行二次确认。

结果对比：系统上线后，实际漏检率为 0.7%，误检率为 3.2%，节拍为 4.2 秒/件，满足生产要求。相比人工目检，漏检率降低了 91%。

风险与代价：四分区照明方案增加了硬件成本约 30%，且需要额外的图像处理时间。此外，对于深色中框（如黑色），低角度光的反射率较低，需要将光源亮度提高 50%，导致光源发热量增加，需加装散热风扇。

复盘经验：曲面反光物体的检测，关键在于将镜面反射光与漫反射光分离。低角度光有效利用了划痕的边缘散射特性，而传统的高角度光则容易产生大面积过曝。此外，传统算法与深度学习的结合，既保证了速度，又提升了复杂背景下的鲁棒性。

3.5 常见误区与总结复盘

在缺陷检测项目的实施过程中，以下三个误区最为常见，需要特别注意规避。

误区一：忽视光学设计，直接堆叠算法。许多团队在拿到项目后，首先想到的是用最新的深度学习模型。然而，如果图像本身对比度不足，任何算法都无法有效提取特征。正确的做法是：先用光学手段将缺陷信号最大化，再用算法进行识别。一个简单的阈值算法配合优秀的光学方案，往往优于一个复杂的神经网络配合糟糕的光学方案。

误区二：缺陷样本不足时盲目训练。深度学习模型需要大量标注样本。在工业现场，缺陷样本往往稀少（正负样本比可达 10000:1）。此时，应优先考虑传统图像处理算法（如差影法、频域滤波），或使用无监督异常检测模型（如 PatchCore、SPADE），仅用良品样本训练。如果必须使用有监督模型，则需要通过数据增强（旋转、缩放、噪声注入）和生成对抗网络（GAN）来扩充缺陷样本。

误区三：忽略检测标准的量化。很多项目失败于“标准模糊”。例如，“轻微划痕”和“严重划痕”的界限是什么？如果无法用长度、宽度、深度或面积等量化指标定义缺陷，那么视觉系统的判定逻辑将无法编写，也无法通过客户验收。在项目启动时，必须与客户共同制定可量化的《缺陷判定标准书》，明确每个缺陷类型的尺寸阈值、位置区域和严重等级。

总结复盘：缺陷检测是一个系统性工程，其核心链路为“物理分析 → 光学设计 → 图像采集 → 算法处理 → 标准判定”。本章所讲的缺陷类型和行业应用，是物理分析环节的基础。在实际项目中，建议按照以下流程推进：首先，收集 50 个以上典型缺陷样本，分析其物理成因和光学特性；其次，根据分析结果搭建光学实验台，拍摄并优化图像质量；再次，评估传统算法与深度学习算法的适用性，必要时采用混合方案；最后，建立量化判定标准，并进行长期稳定性测试。只有将领域知识与工程技术深度融合，才能构建出真正可靠、可落地的工业视觉检测系统。