1. 工业缺陷检测概述

1.1 什么是工业缺陷检测

工业缺陷检测，说白了就是给产品做「体检」。

一条产线上，零件哗哗地过。有的表面有划痕，有的尺寸偏了0.1毫米，有的内部有气泡。你得把这些「不合格」的挑出来，不然到了客户手里就是投诉、退货、甚至赔偿。

我最早接触这个领域是在一家3C代工厂。当时他们做手机中框检测，人工一天看几千个零件，眼睛都快瞎了。漏检率居高不下，客户天天催。那时候我就意识到——这事必须交给机器。

工业缺陷检测的核心任务就三个：

• 定位——缺陷在哪儿？
• 分类——是什么缺陷？划痕、脏污、还是变形？
• 判定——这个缺陷能不能接受？是良品还是不良品？

常见的缺陷类型，我列个表，大家有个直观印象：

缺陷类型	典型场景	检测难度
表面划痕	金属件、玻璃面板	中等（反光干扰大）
脏污/油渍	PCB板、光学镜头	低（对比度明显）
裂纹	陶瓷、铸件	高（细且不规则）
尺寸偏差	精密零件装配	中等（需标定）
内部气泡	注塑件、密封胶	高（需透射光）
焊点缺陷	SMT贴片、电池极耳	高（微小且密集）

1.2 传统视觉检测的痛点

传统方法靠什么？靠「规则」。

你写一段代码：如果这个区域的灰度平均值小于阈值，就判为缺陷。或者用边缘检测找轮廓，再用几何匹配算尺寸。

听起来挺合理。但实际跑起来，问题一堆。

痛点一：环境变化就崩

光照稍微变一下，同一个零件拍出来灰度值差20个点。你的阈值设死了，今天能检，明天就漏。我遇到过一条产线，上午和下午的光线角度不一样，检测结果直接翻车。最后没办法，加了个遮光罩才算稳住。

痛点二：缺陷形态千变万化

划痕有深有浅，有长有短，有直的也有弯的。你写规则能覆盖多少种？写100条规则，第101种缺陷来了，照样抓瞎。说白了，规则是「死」的，缺陷是「活」的。

痛点三：开发周期太长

换一个产品型号，所有规则要重新调。参数、阈值、ROI区域，全得改。一个项目搞下来，少说两三个月。产线等不起。

痛点四：复杂场景无能为力

纹理背景、反光表面、微小缺陷……传统算法在这些场景下，信噪比低到没法看。你调了半天，误检率还是高得离谱。

我总结了一个对比表，大家感受一下差距：

维度	传统视觉	深度学习（YOLO）
适应性	差，换产品需重调	强，重新训练即可
抗干扰	弱，光照/角度敏感	强，数据增强可覆盖
开发周期	2-3个月	1-2周（标注+训练）
复杂缺陷	难以处理	可学习任意形态
维护成本	高，规则需持续维护	低，迭代数据即可

1.3 为什么选择YOLO

YOLO，全称You Only Look Once。名字就很直白——只看一眼。

它把检测问题变成了一个回归问题。一张图进去，直接输出所有目标的位置和类别。不需要像Faster R-CNN那样先提候选框再分类，一步到位。

为什么工业场景特别适合YOLO？我讲几个点：

• 速度快：YOLOv8在GPU上能跑到几百帧。产线节拍通常每秒几个到几十个零件，完全够用。
• 精度够：mAP 50能做到95%以上。配合数据增强和迁移学习，小样本也能训出好模型。
• 部署方便：ONNX、TensorRT、OpenVINO全支持。边缘设备、工控机都能跑。
• 生态成熟：社区活跃，预训练模型多。你不用从零开始训练，微调就行。

我记得有一次帮一家汽车零部件厂做检测。他们之前用传统视觉，误检率15%，产线工人天天骂。我们换了YOLOv5，只标了500张图，训练两天，误检率降到2%以下。客户当场拍板——全部换。

1.4 课程整体架构与学习路径

这门课一共30章。我按「基础→实战→进阶」三条线来组织。

下面这张图，是整个课程的知识体系：

具体来说，学习路径是这样的：

1. 基础篇（第1-10章）：先搞懂YOLO的原理，学会搭建环境、标注数据、训练模型、评估效果。这部分是地基，别跳。
2. 实战篇（第11-22章）：拿真实工业场景练手。金属、PCB、注塑、纺织、食品……每个项目我都会给完整的数据集和代码。你跟着做一遍，基本就上手了。
3. 进阶篇（第23-30章）：处理更难的场景。小目标、模型压缩、无监督异常检测、3D点云。这些是让你从「会用」到「精通」的关键。