1. 缺陷检测概述
大家好，我是你们这节课的讲师。咱们直接进入正题——工业缺陷检测。说白了，就是让机器代替人眼，在生产线上找出产品表面的瑕疵。你可能觉得这很简单，不就是“找茬”吗？但真正做起来，里面的门道可不少。
1.1 什么是工业缺陷检测？
工业缺陷检测，是指在工业生产过程中，利用视觉传感器（比如工业相机）采集产品图像，然后通过算法自动识别出产品表面的划痕、脏污、裂纹、气泡、缺料、变形等异常区域。它的核心目标就两个：“检得出” 和 “检得准”。
核心指标：
- 过杀率（False Positive Rate）：把好产品误判为坏产品的比例。过杀率高了，成本就上去了。
- 漏检率（False Negative Rate）：把坏产品当成好产品放过去。漏检率高了，客户投诉就来了。
我刚开始做这个方向时，总觉得算法能搞定一切。结果在一个PCB项目中，因为光照不均匀，算法把正常的焊点纹路全当成了缺陷，过杀率直接飙到30%。嗯，从那以后，我每次做项目都会先花大量时间在打光方案上。
1.2 典型应用场景
缺陷检测的应用场景非常广。我挑几个典型的，你感受一下。
| 行业 | 检测对象 | 常见缺陷类型 | 检测难点 |
|---|---|---|---|
| PCB（印刷电路板） | 裸板、焊点、线路 | 短路、断路、少锡、锡珠、划伤 | 反光强、元件密集、缺陷尺寸小 |
| 钢材 | 钢板、钢带、钢管 | 裂纹、夹杂、孔洞、划痕、压痕 | 表面纹理复杂、运动速度快、光照变化大 |
| 纺织品 | 布料、无纺布、纤维 | 断经、缺纬、油污、破洞、色差 | 纹理周期性重复、缺陷形态多变、柔软易变形 |
| 光伏 | 硅片、电池片、组件 | 隐裂、碎片、脏污、断栅、色差 | 材料脆、缺陷隐蔽、对光照敏感 |
| 3C电子 | 手机外壳、屏幕、连接器 | 划伤、压伤、毛刺、脏污、组装不良 | 外观要求极高、缺陷种类多、节拍快 |
你看，不同行业的缺陷长得完全不一样。PCB上的短路是致命的，但纺织品上的一根断经可能只是外观瑕疵。所以，没有一套算法能通吃所有场景。这是我踩过最大的坑之一。
1.3 传统方法 vs. 深度学习方法
聊完场景，咱们来对比一下技术路线。我大概在2017年之前，主要用传统方法。后来深度学习火了，我才慢慢转型。这两种方法各有千秋，我帮你梳理一下。
传统方法：手工特征 + 分类器
传统方法的思路很直接：先设计一些特征（比如边缘、纹理、颜色直方图），然后用这些特征训练一个分类器（比如SVM、随机森林）。
- 优点：可解释性强，计算量小，对硬件要求低。
- 缺点：特征设计依赖专家经验，泛化能力弱，换一个产品就得重新调参。
我记得有一次做钢材表面检测，为了设计一个能区分“划痕”和“压痕”的特征，我熬了整整一周。最后发现，换个光照角度，特征就失效了。那种感觉，真的很崩溃。
深度学习方法：端到端学习
深度学习，尤其是卷积神经网络（CNN），让事情变得简单了。你只需要把图像扔进去，网络自己就能学习到最有效的特征。
- 优点：特征自动学习，泛化能力强，精度高。
- 缺点：需要大量标注数据，计算量大，可解释性差，容易过拟合。
我的建议：
如果你的缺陷特征非常明显（比如大块脏污），且产品种类单一，传统方法可能更快、更稳。但如果缺陷形态多变、背景复杂，或者你希望快速迭代，深度学习是更好的选择。我个人习惯是，先用传统方法快速验证可行性，再决定是否上深度学习。
1.4 核心知识体系
为了让你对整个章节有个宏观认识，我画了一张图。这张图也是我们这门课的核心骨架。
你看，整个知识体系分成三大块：数据集构建、检测算法、模型部署与优化。这三块是环环相扣的。没有好的数据，再牛的算法也白搭；算法再好，部署不到产线上也是空中楼阁。
避坑指南：
我曾经在一个项目中，花了80%的时间调算法，结果发现是数据标注质量太差，导致模型怎么都学不好。后来重新标注数据，模型精度直接提升了15个百分点。所以，请一定重视数据。数据质量决定了模型精度的上限，算法只是逼近这个上限的手段。
1.5 本章小结
这一章，我们聊了工业缺陷检测的定义、典型应用场景，以及传统方法和深度学习方法的对比。你想想看，是不是对缺陷检测有了一个整体的认识？
我个人觉得，做缺陷检测，最重要的不是算法有多炫酷，而是对问题的理解有多深。理解产品、理解缺陷、理解产线环境，这些往往比调参更重要。接下来的章节，我们会深入每一个环节，从数据到算法再到部署，一步步带你走完整个流程。