一、工业缺陷检测概述：行业背景、常见缺陷类型、检测流程与挑战

大家好，我是老张。在工业视觉这行摸爬滚打了十几年，今天咱们聊聊缺陷检测的底子。

很多人一上来就问我：“老张，哪个模型最牛？” 其实啊，模型只是最后那一步。真正决定项目生死的，是你对“缺陷”本身的理解有多深。你想想看，连缺陷长什么样、怎么来的都没搞清楚，调参调出花来也没用。

1.1 行业背景：为什么现在大家都在搞这个？

说白了，就是三个字——降本增效。

以前工厂靠老师傅肉眼盯着产线看，一个人看8小时，能盯住70%的漏检就算高手了。而且老师傅会累、会跳槽、会退休。现在呢？一条产线每分钟跑几百个产品，人工根本跟不上。

我2018年去过一个3C电子厂，他们的PCB板检测线，20个质检员三班倒，一年光人力成本就300多万。后来上了两套AI检测设备，一年回本。老板笑得合不拢嘴。

目前主流的应用场景集中在以下几个领域：

行业	典型产品	检测痛点
3C电子	手机屏幕、PCB板、芯片引脚	尺寸小、精度要求高（微米级）
汽车制造	车身漆面、焊接点、零部件	反光表面、缺陷形态多变
锂电/光伏	电池极片、光伏电池片	表面纹理复杂、缺陷对比度低
钢铁/金属	钢板表面、管材内壁	高速运动、高温环境
食品/制药	包装密封、药片外观	卫生要求高、异物检测

1.2 常见缺陷类型：你得知道敌人长什么样

我见过太多新手，拿到数据集就开始训练。结果模型在测试集上准确率99%，一上产线就崩。为什么？因为训练集里的缺陷类型太单一了。

工业缺陷，按形态和成因，大致可以分为以下几类：

• 表面缺陷：划痕、压痕、凹坑、凸点、脏污、氧化、涂层不均。这是最常见的一类，占所有缺陷的60%以上。
• 内部缺陷：气泡、裂纹、夹杂物、分层。这类缺陷肉眼看不见，需要X光或超声波成像。
• 尺寸/形状缺陷：毛刺、变形、缺角、尺寸超差。通常需要配合标定和测量算法。
• 颜色/纹理缺陷：色差、光泽度异常、纹理错乱。在纺织、印刷行业很常见。

1.3 检测流程：从产线到模型，中间隔了十道坎

一个完整的工业缺陷检测系统，不是“摄像头+模型”那么简单。我把它拆成六个环节，每个环节都可能翻车。

1. 图像采集：光源、相机、镜头、触发信号。打光方式不对，后面全是白费。
2. 图像预处理：去噪、增强、校正、ROI提取。产线环境复杂，图像质量参差不齐。
3. 缺陷检测/分割：传统算法或深度学习模型。这是核心，但不是全部。
4. 分类与判定：区分缺陷类型，判定NG/OK。需要结合工艺标准。
5. 结果输出与联动：触发报警、控制机械臂剔除、记录MES系统。
6. 模型迭代与维护：产线数据回流，持续训练。没有这一步，模型会越跑越差。

嗯，这里要注意：很多团队只盯着第3步，结果前两步没做好，后两步没对接，项目根本跑不起来。

下面这张图，是我自己总结的工业缺陷检测全流程框架，你一看就明白了。

1.4 核心挑战：为什么工业缺陷检测这么难？

说实话，学术界跑得飞快的模型，到了工厂里经常吃瘪。我总结了五个最常见的坑：

• 小样本问题：缺陷样本太少，正负样本极度不均衡。有时候一个型号的产品，良品几万个，缺陷只有几十个。
• 缺陷多样性：同一类缺陷，形态、大小、位置千变万化。模型很难泛化。
• 实时性要求：产线节拍通常要求单张图像处理时间在50ms以内，甚至更低。
• 环境干扰：光照变化、振动、灰尘、油污，都会影响图像质量。
• 部署与运维：模型怎么打包？怎么在工控机上跑？怎么更新？很多团队死在这一步。