2. 缺陷检测基础

在工业视觉领域，缺陷检测是质量管控的核心环节。无论是消费电子结构件、动力电池极片、半导体晶圆，还是汽车钣金表面，产品表面的划痕、凹坑、污渍等微小瑕疵都会直接影响功能安全与客户满意度。本章作为PointNet模型部署的前置基础，将系统梳理缺陷的物理成因与视觉表现，明确检测任务的数学定义与评价指标，并深入对比传统机器视觉与深度学习方法的适用边界。只有透彻理解“缺陷是什么、任务如何定义、方法为何演进”，才能在后续章节中正确选择PointNet的输入表征、设计损失函数并制定部署策略。

2.1 常见缺陷类型与物理成因

缺陷检测的第一步是建立对缺陷的“视觉词典”。不同材质、不同工艺环节产生的缺陷，其几何形态、光学反射特性和灰度分布差异巨大。只有理解缺陷的物理本质，才能设计出有效的图像采集方案和算法模型。

2.1.1 表面划痕（Scratch）

划痕是最常见的缺陷类型，通常由硬质颗粒、刀具磨损或工件间相对滑动造成。在视觉上表现为细长的线性沟槽，方向可能规则（如磨削纹路）或随机。划痕的深度和宽度变化范围大，浅划痕在均匀光照下对比度极低，容易漏检。在3D点云数据中，划痕表现为局部深度突变，形成一条连续的凹陷轨迹。

2.1.2 凹坑与压伤（Dent / Pit）

凹坑多由冲击、碰撞或材料内部气泡破裂形成，呈圆形或椭圆形凹陷。在2D图像中，凹坑表现为局部灰度异常区域，边缘可能有阴影；在3D点云中，凹坑是局部点云深度低于周围邻域的连通区域。凹坑的检测难点在于其尺寸可能很小（直径小于1mm），且与噪声点难以区分。

2.1.3 污渍与污染（Stain / Contamination）

污渍包括油污、指纹、残留胶水、化学试剂痕迹等，其本质是表面材料或化学成分的局部变化。在2D图像中，污渍通常表现为颜色或灰度异常区域，边缘模糊；在3D数据中，污渍可能不产生明显的深度变化，但会影响表面反射率。因此，污渍检测往往需要结合灰度图像和点云反射强度信息。

2.1.4 其他常见缺陷

2.2 缺陷检测任务的形式化定义

从数学角度看，缺陷检测可以定义为从传感器数据到缺陷属性的映射函数。根据输出粒度不同，任务分为三个层级：图像级分类、目标级定位、像素级分割。PointNet模型天然支持点级分类和分割，因此更适合后两种任务。

2.2.1 任务分类与输出定义

• 图像级分类：输入一张图像或一帧点云，输出OK/NG标签。适用于快速筛选，但无法提供缺陷位置信息。
• 目标级定位：输出缺陷的包围盒（Bounding Box）或中心点坐标。在点云中，通常输出缺陷点簇的中心和半径。
• 像素/点级分割：对每个像素或每个3D点输出缺陷类别标签。这是最精细的任务，也是PointNet最擅长的方向。

2.2.2 评价指标与业务约束

在工业部署中，单纯追求准确率（Accuracy）是危险的，因为缺陷样本通常只占总数量的1%以下。必须使用以下指标：

2.3 传统方法与深度学习方法对比

理解传统方法的局限性，是理解深度学习（尤其是PointNet）价值的前提。传统方法并非一无是处，在特定场景下仍有其优势。

2.3.1 传统机器视觉方法

传统方法的核心是“手工特征 + 分类器”。典型流程包括：图像预处理（去噪、增强）→ 特征提取（灰度统计、边缘检测、纹理分析）→ 特征选择与降维 → 分类器设计（阈值、SVM、决策树）。

// 传统划痕检测简化流程（OpenCV伪代码）
Mat img = imread("surface.jpg", IMREAD_GRAYSCALE);
GaussianBlur(img, img, Size(5,5), 0);
Mat edges;
Canny(img, edges, 50, 150);
// 形态学闭运算连接断裂边缘
Mat kernel = getStructuringElement(MORPH_RECT, Size(15, 1));
morphologyEx(edges, edges, MORPH_CLOSE, kernel);
// 轮廓筛选：长宽比 > 10 且面积 > 阈值
vector<vector<Point>> contours;
findContours(edges, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
for (auto& c : contours) {
    RotatedRect r = minAreaRect(c);
    if (r.size.width / r.size.height > 10 || r.size.height / r.size.width > 10) {
        // 标记为划痕
    }
}

传统方法的优势在于可解释性强、计算资源消耗低、无需大量标注数据。但其致命缺陷在于：特征设计依赖工程师经验，换一个产品型号或材质，往往需要重新设计特征。对于纹理复杂、缺陷形态多变的场景，传统方法的泛化能力很差。

2.3.2 深度学习方法

深度学习方法（CNN、PointNet等）通过数据驱动的方式自动学习特征表示。以PointNet为例，它直接接受原始点云作为输入，通过共享多层感知机（MLP）提取每个点的特征，再通过最大池化聚合全局特征，实现对点云的无序性鲁棒处理。

2.4 案例拆解：动力电池极片划痕检测方案选型

为帮助理解上述概念，我们以一个典型的动力电池极片划痕检测项目为例，完整复盘方案选型过程。

2.4.1 项目背景与约束

某锂电池厂商需要在涂布工序后检测极片表面的划痕缺陷。极片尺寸为300mm×200mm，材质为铝箔/铜箔，表面有均匀的碳涂层。产线节拍要求每片检测时间不超过500ms。缺陷标准：长度大于2mm、宽度大于0.1mm的划痕必须检出，漏杀率<0.1%，过杀率<0.5%。

2.4.2 初始方案与问题

初期尝试传统方法：使用高亮线扫相机获取2D灰度图，通过Canny边缘检测+形态学处理提取划痕。实际测试发现：

• 碳涂层表面存在大量随机纹理，导致边缘检测产生大量伪边缘，过杀率高达15%。
• 浅划痕对比度极低（灰度差仅5-10），阈值难以设定，漏杀率超过3%。
• 更换批次材料后，涂层颜色略有差异，原有阈值全部失效。

2.4.3 引入3D点云与PointNet

团队决定引入激光轮廓传感器，获取极片表面的3D点云数据（每片约50万点）。划痕在点云中表现为连续的深度凹陷，不受涂层颜色影响。使用PointNet进行点级分割：

# PointNet模型输入输出示意
# 输入: (B, N, 3) 其中N为点数，3为(x,y,z)坐标
# 输出: (B, N, 2) 每个点的缺陷/正常概率
model = PointNet(num_classes=2)
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 训练数据增强：随机旋转、平移、下采样
for epoch in range(200):
    for batch in dataloader:
        points, labels = batch  # labels: 0正常, 1划痕
        pred = model(points)
        loss = F.cross_entropy(pred, labels)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

2.4.4 结果与复盘

最终方案采用“传统方法快速定位可疑区域 + PointNet精细确认”的级联架构，将整体推理时间控制在450ms内，同时满足漏杀率和过杀率要求。复盘经验：3D点云数据对划痕检测的鲁棒性远优于2D灰度图，但PointNet对点云密度敏感，需要根据实际传感器分辨率调整下采样策略。

2.5 常见误区与总结复盘

在缺陷检测项目实践中，工程师常陷入以下误区，需要特别警惕：

• 误区一：盲目追求高精度而忽略过杀率。在产线上，过杀率过高会导致大量良品被误判，造成巨大经济损失。模型调优时应同时关注Precision和Recall，而非单一指标。
• 误区二：忽视数据分布不均衡。缺陷样本通常极少，直接训练会导致模型偏向预测为“正常”。需要使用Focal Loss、数据增强或合成缺陷数据来平衡。
• 误区三：将2D图像方法直接迁移到3D点云。点云具有无序性、稀疏性和旋转不变性需求，必须使用PointNet等专门处理点云的架构，不能简单将深度图当作灰度图处理。
• 误区四：忽略部署环境的算力限制。训练时使用高性能GPU，但产线可能只有嵌入式设备。需要在训练时就考虑模型剪枝、量化和推理框架的选择。