1. 工业视觉概述：缺陷检测的定义、行业痛点、传统算法 vs 深度学习方案对比
大家好，我是这门课的主讲。在工业视觉这行摸爬滚打了十来年，踩过的坑比走过的路还多。今天咱们开篇先聊点实在的——到底什么是工业缺陷检测？为什么这行这么难？以及，为什么我最终选择了深度学习这条路。
1.1 缺陷检测到底在检测什么？
说白了，工业缺陷检测就是用机器代替人眼，在生产线上找出产品表面的瑕疵。你想想看，一个手机屏幕上有道划痕，一个轴承上有砂眼，一个电路板焊点虚焊了——这些都得在出厂前揪出来。
我个人的理解是，缺陷检测本质上是一个图像二分类 + 定位的问题。但实际做起来，远比想象中复杂。
核心定义：缺陷检测 = 利用光学成像与图像处理技术，自动识别产品表面或内部的异常区域，并判定其是否超出质量标准。
1.2 行业痛点：为什么这活儿这么难？
我在2016年接过一个项目，给某电子厂做手机中框划痕检测。当时觉得挺简单，结果一上手就傻眼了。我总结了几个最要命的痛点：
- 缺陷样本稀缺：良品堆成山，次品找半天。你想想，一个良率99%的产线，要凑1000张缺陷图得拍多少产品？我那个项目，光收集数据就花了两个月。
- 缺陷形态多变：同样是划痕，有深有浅、有长有短、有直有弯。传统算法写规则，写到崩溃也写不全。
- 背景干扰严重：产品表面纹理、光照变化、油污、指纹……这些都不是缺陷，但算法经常把它们当成缺陷。这就是所谓的"过杀"。
- 实时性要求高：产线节拍通常几百毫秒一个产品。你算法再准，跑不动也是白搭。
- 标注成本极高：请一个质检员标注一张图要几秒钟，但标注一个像素级的缺陷区域，可能要几分钟。一个项目下来，标注费比算法开发费还贵。
我曾经踩过的坑：有个项目，我花了三周写了一套传统视觉算法，在实验室跑得飞起。结果一上产线，光照稍微变了一点，误报率直接飙到30%。从那以后我明白了一个道理——算法必须在产线环境下验证，别信实验室数据。
1.3 传统算法 vs 深度学习：一场降维打击
咱们直接上干货。我做了个对比表，你看完就明白为什么现在大家都在转深度学习。
| 对比维度 | 传统视觉算法 | 深度学习方案 |
|---|---|---|
| 特征提取 | 人工设计特征（边缘、纹理、形状） | 自动学习特征，无需人工设计 |
| 泛化能力 | 差，换一个产品就得重新调参 | 强，同一模型可适配多种缺陷 |
| 抗干扰能力 | 弱，光照变化、背景干扰影响大 | 强，通过数据增强可大幅提升鲁棒性 |
| 开发周期 | 短（1-2周），但调试周期长 | 长（1-3月），但调试周期短 |
| 硬件需求 | 低，普通工控机即可 | 高，需要GPU加速 |
| 小样本能力 | 强，几张图就能调 | 弱，需要大量数据（但可用迁移学习缓解） |
| 可解释性 | 强，每个步骤都可追溯 | 弱，黑盒模型，难以解释 |
你看这个表，传统算法在开发周期和硬件成本上有优势，但深度学习在泛化能力和抗干扰上完全是碾压。我个人习惯是：简单场景用传统算法，复杂场景直接上深度学习。
1.4 为什么我最终选择了深度学习？
2018年我接手了一个PCB板缺陷检测项目。板子上的线路密密麻麻，缺陷种类有十几种，包括短路、断路、毛刺、缺口、针孔……传统算法写到最后，规则堆了2000多行，还是搞不定。后来我用了一个简单的CNN分类网络，两周就达到了95%的准确率。
那一刻我意识到，深度学习不是锦上添花，而是雪中送炭。它解决了我最头疼的几个问题：
- 特征不用手写了：网络自己学，我只管喂数据。
- 泛化能力大幅提升：换一个型号的PCB，只需要微调一下，不用重写算法。
- 抗干扰能力变强：光照变化、产品位置偏移，网络都能自适应。
我的建议：如果你是刚入行，别急着学传统算法。直接上手深度学习，从分类网络开始，然后做目标检测，最后做分割。传统算法可以作为补充，但主攻方向一定是深度学习。
1.5 本章知识体系总览
下面这张图，是我对工业视觉缺陷检测知识体系的梳理。你看完就能明白，咱们这门课要讲什么，以及各个知识点之间的关系。
从这张图你能看到，咱们这门课是沿着数据 → 模型 → 部署这条主线展开的。第1章先打好基础，后面每一章都会深入一个具体的技术点。我保证，每一章都有我在项目中踩过的坑和总结的经验。