2. 表面缺陷类型与检测目标定义

在 VisionPro 表面缺陷检测项目中，真正决定系统成败的往往不是算法本身，而是“检测目标定义”这一步。如果缺陷类型没有拆清楚、判定标准没有量化，后续无论用 Cognex ViDi、PatMax 还是 Blob 工具，都会陷入反复调参却无法验收的困境。本节围绕五类常见表面缺陷的视觉特征展开，并给出可落地的检测标准与量化指标定义方式。

一、五类常见缺陷的视觉特征

表面缺陷在图像上的表现，本质是灰度、纹理、几何形状或边缘连续性相对“正常表面”的偏离。不同缺陷的成像机理不同，因此需要分别定义观察维度。

• 划痕：表现为细长、方向性强的亮线或暗线，宽度通常在 1～10 像素量级，长度远大于宽度，边缘对比度沿长度方向可能不均匀。金属拉丝面、玻璃、镀膜表面最常见。关键特征是“长宽比大 + 方向一致”。
• 凹坑：局部凹陷，成像上常表现为边缘暗、中心亮的环形或月牙形灰度分布，直径一般 0.1～2 mm，深度越深对比度越明显。与划痕的区别是长宽比接近 1，且具有封闭轮廓。
• 脏污：附着在表面的异物，如油渍、粉尘、指纹。特征是边界模糊、灰度分布随机、形状不规则，可能随光照角度变化而“时隐时现”。脏污的难点在于与正常纹理的区分，需要靠面积和对比度双阈值约束。
• 气泡：多见于贴合膜、涂层、灌封胶内部，表现为圆形或椭圆形亮环/暗环，中心灰度与背景接近，边缘有较强梯度。气泡的典型特征是“环形边缘 + 内部均匀”。
• 裂纹：比划痕更细、更不规则，常呈树枝状或折线状分叉，宽度可能小于 1 像素，对比度低。裂纹是五类中检出难度最高的，往往需要亚像素边缘或频域增强。

下表给出五类缺陷在典型工业场景下的特征对照，便于在定义检测目标时快速定位应关注的图像属性。

二、检测标准与量化指标

检测目标定义的核心是把“看得见”转化为“判得准”。工业现场通常用三个指标衡量：漏检率、过杀率和精度。它们不是孤立的，而是相互制约。

漏检率（False Negative Rate, FNR）：实际有缺陷但被判为合格的比例。公式为 FNR = 漏检数 / 实际缺陷总数。漏检率直接关系客户投诉和产品可靠性，通常要求最严，例如汽车零部件常要求 FNR ≤ 0.1%。

过杀率（False Positive Rate, FPR）：实际无缺陷但被判为缺陷的比例。公式为 FPR = 过杀数 / 实际合格总数。过杀率过高会导致大量良品被误判，增加复检成本和产线停机，一般控制在 0.5%～2% 之间，具体取决于缺陷的严重程度和客户容忍度。

精度（Accuracy）：正确判定数占总数的比例，Accuracy = (TP + TN) / (TP + TN + FP + FN)。精度看似直观，但在缺陷占比极低（如 0.1%）的场景下，精度会被大量合格样本“稀释”，因此必须与漏检率、过杀率联合使用，不能只看精度。

三、从视觉特征到检测目标的映射

定义检测目标时，建议按“缺陷类型 → 可量化特征 → 判定阈值 → 验收指标”四步走。以划痕为例：可量化特征包括长度、宽度、长宽比、对比度；判定阈值可设为“长度 ≥ 2 mm 且对比度 ≥ 15 灰度级”；验收指标则对应漏检率 ≤ 0.2%、过杀率 ≤ 1%。

下面这张图展示了五类缺陷的视觉特征与检测目标之间的映射关系，以及漏检率、过杀率、精度三者的相互制约。图中左侧是缺陷类型及其关键特征，中间是判定维度，右侧是量化指标与验收方向。

四、检测目标定义的实际操作建议

在 VisionPro 中落地时，建议先建立缺陷样本库，每类缺陷至少收集 30～50 张真实图像，并标注缺陷位置、尺寸和严重等级。然后按以下顺序定义目标：

1. 确定 ROI 和光照方案，保证缺陷在图像中稳定可见。例如划痕检测常用低角度暗场照明，凹坑检测常用同轴光。
2. 为每类缺陷选择 2～3 个可量化特征，避免特征过多导致阈值难以调平。例如裂纹可只取“长度 + 对比度 + 分叉数”。
3. 用样本库统计特征分布，取合格样本与缺陷样本的分界点作为初始阈值。例如划痕长度阈值可设为 2 mm，对比度阈值设为 15 灰度级。
4. 在验证集上计算 FNR、FPR 和 Accuracy，若漏检率不达标，优先降低阈值或增加特征维度；若过杀率超标，则收紧阈值或引入二次确认。

最后需要强调：检测标准不是一次设定就固定不变的。随着产线换型、材料批次变化或光照老化，特征分布会漂移。建议每周用抽检样本复核一次 FNR 和 FPR，当任一指标超出验收线 20% 时触发阈值复调。只有把“缺陷类型—视觉特征—量化指标—验收标准”这条链路打通，后续的 VisionPro 工具配置和部署才有稳定的基准。