1. 课程导入与缺陷检测系统全景
机器视觉缺陷检测，是指用工业相机与光学系统获取被测物表面或内部的图像，再由算法判断图像中是否存在划伤、脏污、缺料、错装、尺寸超差、字符错印等异常，并把判定结果与位置信息输出给产线执行机构（剔除、报警、分选、贴标或回流返修）的一类自动化检测技术。它与人工目检的根本差别不在“看得见”，而在于把“合格/不合格”的判据固化成可重复的成像条件与可量化的算法规则，从而获得稳定的节拍、一致的判定口径和可追溯的数据记录。
典型产线场景可以按被测对象与缺陷形态来区分。3C 结构件常检测外壳划痕、阳极氧化色差、螺孔内异物；连接器与线束行业关注端子歪针、缺针、胶芯毛边；锂电极片检测涂布划痕、暗斑、极耳翻折；食品与药品包装检测封口夹料、喷码缺失、瓶盖歪斜；五金冲压件检测毛刺、压伤、孔位偏移。这些场景的共同点是：缺陷尺寸往往在几十微米到几毫米之间，产线节拍常在 0.3～2 秒/件，且要求漏检率极低、过杀率可控。理解这一点，就能理解为什么缺陷检测系统的设计必须“先定光学、再定算法”，而不是先选一个模型再说。
一套完整的缺陷检测系统由五大部分构成，它们之间存在明确的约束传递关系：光学决定图像里缺陷有没有对比度，机械决定被测物在成像瞬间的位置与姿态是否稳定，电气决定触发、同步与信号交互是否可靠，算法决定从图像到判定结论的映射是否准确，软件决定参数管理、结果呈现、数据追溯与产线对接是否顺畅。任何一环薄弱，都会以“漏检”或“过杀”的形式暴露在最终指标上。例如光源角度选错，划痕在图像中几乎与背景同灰度，再强的算法也难以稳定分割；又如机械定位重复性只有 ±0.5 mm，而检测精度要求 ±0.05 mm，标定与算法补偿就会非常吃力。
从工程落地的角度看，开发部署通常沿七个阶段推进：需求与指标定义、光学与机械方案设计、电气与触发联调、算法开发与样本训练、软件集成与产线对接、现场验证与指标验收、运维迭代与数据回流。这里最容易被低估的是第一阶段——如果一开始没有把“缺陷定义、判定边界、样本来源、节拍上限、误判容忍度”写清楚，后面所有环节都会反复返工。例如某连接器端子检测项目，初期只写“检测歪针”，未定义歪斜角度阈值与允许的测量重复性，导致算法团队按 0.5° 开发，而产线实际要求 0.1°，最终不得不重新选镜头与标定方案。
指标定义阶段建议至少明确五项内容：缺陷类别清单（含正负样本示例图）、最小可检缺陷尺寸、漏检率与过杀率上限、单件检测节拍、以及结果输出形式（OK/NG、缺陷坐标、缺陷类别、图像存档策略）。这些指标不是拍脑袋定的，而要与产线质量目标和成本约束对齐。例如漏检率从 1% 收紧到 0.1%，往往意味着更高的光学分辨率、更复杂的算法或更多的人工复判，成本会显著上升。
光学方案设计阶段的核心是“让缺陷在图像中有足够的对比度”。以金属表面划痕检测为例，若采用同轴光，镜面反射会使划痕与背景对比度很低；改用低角度暗场照明，划痕边缘产生散射，在暗背景上呈现亮线，对比度可提升数倍。再配合适当焦距的远心镜头，可减少透视畸变，保证不同位置的测量一致性。机械方案则要保证被测物在触发瞬间的位置重复性，常见做法是使用定位销、V 型块或伺服定位，重复定位精度应优于检测精度要求的 1/3～1/5。
电气与触发联调阶段，需要把传感器信号、相机触发、光源频闪、PLC 剔除指令在时序上对齐。典型配置是：光电传感器检测到工件到位 → PLC 发出触发信号 → 相机曝光并输出图像 → 算法处理 → 结果通过 IO 或以太网发送给 PLC → PLC 控制气缸剔除。若相机曝光时间设为 200 μs，光源频闪需与曝光同步，否则图像亮度会波动。触发延迟、处理耗时与传送带速度必须匹配，否则会出现“检测完了但工件已经走过头”的情况。
算法开发阶段，样本质量往往比模型结构更关键。建议按缺陷类别分别采集至少 50～100 张正样本和 100～200 张负样本，覆盖不同批次、不同光照、不同姿态。对于划痕、脏污这类形态多变的缺陷，传统方法常用“频域滤波 + 阈值分割 + 形态学 + 连通域分析”，优点是速度快、可解释；对于纹理复杂、缺陷形态多样的场景，可引入 CNN 分类或分割模型，但需注意推理时间与产线节拍的匹配。无论哪种方法，都要在独立测试集上统计漏检率与过杀率，而不是只看训练集准确率。
软件集成阶段要解决“好用、可查、可对接”三个问题。参数管理应支持配方切换，便于多型号共线生产；结果界面应显示原图、缺陷标注、判定结论与耗时；数据追溯应记录时间戳、工件 ID、图像路径、算法版本与判定结果，便于后续复盘。与 MES 或 PLC 的接口要明确通信协议、数据格式与异常处理策略，例如网络中断时是缓存还是报警。
现场验证与指标验收阶段，建议用产线真实工件连续运行至少 2～4 小时，统计漏检率、过杀率、节拍与稳定性。若指标不达标，应按“光学→机械→电气→算法→软件”的顺序排查，因为越靠前的环节对最终结果影响越大，且修改成本越低。运维迭代阶段则要建立数据回流机制，把现场误判样本定期加入训练集，持续优化模型与规则。
最后给出一个贯穿全课程的学习地图：第 1 章建立系统全景与指标意识；第 2～5 章深入光学、机械、电气与标定；第 6～12 章覆盖图像预处理、特征提取、传统算法与深度学习模型；第 13～18 章讲解软件架构、界面、数据管理与产线通信；第 19～24 章进入现场调试、异常排查与指标优化；第 25～30 章讨论多型号共线、数据回流、模型迭代与项目复盘。每一章都会给出可执行的参数示例、判断依据与常见坑点，帮助你把“知道”变成“做到”。