📚 课程目录第2章工业质检项目需求分析

工业质检项目需求分析：缺陷类型定义、检测精度与速度指标、硬件选型思路

做工业质检项目，第一步不是选相机，也不是调模型。

第一步是搞清楚——你到底要检什么？

我见过不少团队，上来就买最好的GPU，标了几万张图，结果模型上线后漏检率居高不下。为什么？因为缺陷定义没做透。你想想看，如果连“划痕”和“脏污”都分不清，模型怎么可能学得明白？

工业质检的缺陷，说白了就四大类：划痕、脏污、毛刺、缺料。但每类下面还有子类型，现场情况远比想象中复杂。

缺陷大类	典型子类型	视觉特征	我踩过的坑
划痕	线性划痕、弧形划痕、网状划痕	连续或断续的线条，深度不一	反光材质上的划痕，打光角度一变就看不见了
脏污	油污、粉尘、指纹、胶渍	块状或点状，颜色与背景有差异	指纹和浅划痕在图像上几乎一样，模型经常搞混
毛刺	飞边、披锋、金属毛刺	边缘突起，形状不规则	毛刺在背光下很清晰，但在前光下几乎隐形
缺料	缩水、气泡、缺肉、裂纹	区域凹陷或缺失，边缘有阴影	缺料和脏污在灰度图上特征重叠，需要多光谱方案

注意：缺陷定义必须和产线工艺人员一起做。我曾经闭门造车定义了20种缺陷，结果到现场发现工人只关心其中5种——其他都是“不影响使用”的。白费功夫。

定义缺陷时，我习惯用“可标注性”来检验。什么意思？就是让两个标注员独立标同一张图，如果他们的标注框重合率低于80%，说明这个缺陷定义太模糊，需要细化。

很多客户一开口就是“准确率要99.9%”。但你知道吗？工业场景里，漏检率和过杀率才是真正要命的指标。

我举个例子。一条产线每分钟生产120个零件，缺陷率约2%。如果你的模型准确率是99%，听起来不错对吧？但算一下：每天漏掉约35个缺陷品，同时误杀约350个好品。产线主管会疯掉的——因为误杀意味着要人工复检，成本直线上升。

工业质检的核心指标（按优先级排序）：

速度指标怎么定？你得算产线节拍。比如产线每秒过2个零件，那留给检测系统的时间最多500ms。但别忘了，还要加上图像采集、传输、预处理、后处理的时间。我一般留50%的余量——也就是说，模型推理时间最好控制在250ms以内。

我的经验： 先定速度指标，再反推模型复杂度。很多团队先把模型做得很大，然后发现跑不动，又回头剪枝量化，折腾好几轮。不如一开始就按目标帧率选模型。

硬件选型是个系统工程。我把它拆成四个环节：成像系统（相机+镜头+光源）和计算系统（工控机+推理卡）。

分辨率怎么定？有个简单公式：
最小缺陷尺寸 × 像素数 ≥ 3~5 个像素

比如你要检测0.1mm的划痕，希望它至少占3个像素，那每个像素对应的物理尺寸就是0.033mm。如果视野是100mm×100mm，那相机分辨率至少需要：
100 / 0.033 ≈ 3000 像素，也就是约900万像素。

场景	推荐相机类型	分辨率	帧率要求
小零件精密检测	面阵工业相机	500万~2000万	≥30fps
大尺寸面板检测	线阵相机	4K~16K	行频≥20kHz
高速产线	全局快门相机	200万~500万	≥100fps

光源是工业质检的“隐形杀手”。我见过太多项目，模型调得再好，打光不对全白搭。

镜头方面，我建议用远心镜头做精密测量。虽然贵一点，但畸变小、景深大，能省掉很多图像校正的麻烦。

算力选型要看你的模型和帧率。我整理了一个参考表：

避坑指南： 我曾经选了一款高分辨率相机，结果发现USB3.0的带宽根本跑不满帧率。后来换成万兆网口相机才解决。记住：接口带宽 = 分辨率 × 帧率 × 像素深度，一定要提前算清楚。

下面这张图把本章的核心逻辑串起来了。从缺陷定义出发，到指标拆解，再到硬件选型，每一步都环环相扣。

嗯，这张图基本把本章的骨架讲清楚了。从产线需求出发，三个核心模块并行展开，最终汇聚成一个可落地的检测方案。记住：顺序不能乱。先定义缺陷，再定指标，最后选硬件。我见过太多项目把顺序搞反了——先买了相机，再发现分辨率不够，又换相机，折腾好几轮。