一、工业缺陷检测到底是什么
说白了，就是用机器视觉代替人眼，在生产线上找出产品表面的瑕疵。我入行那会儿，很多工厂还靠老师傅拿放大镜看，一天下来眼睛都快瞎了。现在不一样了，摄像头加算法，一条产线能顶几十个人。
工业缺陷检测的核心就三件事：拍得到、看得清、判得准。拍得到靠光源和相机，看得清靠光学设计和成像，判得准靠模型算法。这三环缺一不可，我在项目里吃过不少亏，后面慢慢讲。
1.1 典型应用场景
我挑三个最常见的行业说说，每个都踩过坑。
PCB 缺陷检测
PCB 板子上的缺陷五花八门：短路、断路、焊锡不足、划痕、孔偏。我做过一个 PCB AOI 项目，客户要求检出率 99.5% 以上，过杀率低于 3%。你想想看，一块板子上几千个焊点，漏一个就是废品。
- 常见缺陷：缺件、偏移、立碑、锡珠、空洞
- 检测难点：反光干扰、元件密集、缺陷尺寸小
- 常用模型：YOLOv5s（速度优先）、ResNet-50（精度优先）
钢材表面检测
钢材表面缺陷更头疼——光照不均匀、纹理复杂、缺陷形态多变。我记得有个热轧钢板项目，现场温度高、粉尘大，相机镜头一天要擦三遍。缺陷类型包括：
- 裂纹、夹杂、麻点、划伤、氧化皮
- 有些缺陷只有几个像素宽，模型稍微一压缩就丢了
纺织物检测
纺织行业我接触得少一些，但有个项目印象很深——检测布匹上的断经、跳花、油污。布匹是连续运动的，速度很快，模型推理必须跟上产线节拍。我曾经试过用大模型，结果帧率只有 5fps，产线要求 30fps，直接废了。
检出率 ≥ 99% | 过杀率 ≤ 5% | 单图推理 ≤ 50ms | 误报率 ≤ 1%
1.2 模型选型原则：速度 vs 精度
这是每个做工业视觉的人都要面对的灵魂拷问。我刚开始做的时候，总想着模型越准越好，结果部署到边缘设备上跑不动，帧率只有个位数。后来学乖了，选模型得看三个维度：
| 场景 | 速度要求 | 精度要求 | 推荐模型 | 我踩过的坑 |
|---|---|---|---|---|
| PCB 高速产线 | ≥ 30fps | ≥ 99% | YOLOv5s / NanoDet | 用 YOLOv5x 跑不动，换 s 后帧率达标 |
| 钢材离线抽检 | ≥ 5fps | ≥ 99.5% | ResNet-50 / EfficientNet-B3 | 大模型精度高但推理慢，需要 TensorRT 加速 |
| 纺织在线检测 | ≥ 25fps | ≥ 98% | MobileNet-SSD / ShuffleNetv2 | 轻量模型容易漏检小缺陷，需要数据增强 |
选型的时候，我一般按这个顺序来：
- 先定硬件：用 Jetson Orin 还是 x86 工控机？算力上限是多少？
- 再定帧率：产线节拍是多少？单张图留给模型的时间有多少？
- 最后定模型：在满足帧率的前提下，选精度最高的那个
1.3 工业缺陷检测知识体系
下面这张图是我自己总结的，把整个知识体系串起来了。你看着它，就知道每个环节该学什么。
1.4 本章小结
工业缺陷检测不是单纯搞算法，它是个系统工程。从场景理解、模型选型、部署优化到现场调试，每一步都可能翻车。我见过太多人把精力全花在模型精度上，结果部署时发现跑不动，或者现场环境一变就废。
记住三个关键词：场景、速度、精度。先搞清楚你要解决什么问题，再选合适的模型，最后用工程手段把它部署好。后面的章节，我会一步步带你走完整个流程。