1. 缺陷检测概述：什么是工业缺陷检测

大家好，我是老张。做机器视觉这行十几年了，今天咱们聊聊工业缺陷检测。

说白了，工业缺陷检测就是给产品做「体检」。生产线上的零件、PCB板、钢材、纺织品，它们有没有划痕、有没有脏污、尺寸对不对，都得靠检测来把关。我刚开始入行时，觉得这活儿挺简单——不就是看看东西好不好吗？后来才发现，这里面的门道深着呢。

1.1 什么是工业缺陷检测

工业缺陷检测，就是用机器代替人眼，自动判断产品有没有问题。你想想看，一条生产线每分钟产出几百个零件，靠人一个个看，眼睛不瞎才怪。

我记得2015年给一家电子厂做项目，他们质检员一天要看上万块PCB板。结果呢？漏检率高达5%，客户投诉不断。后来上了自动检测系统，漏检率直接降到0.1%以下。

工业缺陷检测的核心就三件事：

• 发现缺陷——找到产品上的异常区域
• 分类缺陷——判断这是什么类型的缺陷
• 判定等级——决定这个产品是合格、返修还是报废

1.2 传统视觉与深度学习对比

说到检测方法，就不得不提传统视觉和深度学习这两条路。我两种都做过，踩过的坑也不少。

传统视觉，说白了就是「写规则」。比如检测PCB焊点，我设定一个灰度阈值，焊点亮度低于这个值就算缺陷。这种方法简单直接，但有个致命问题——规则写死了，换个产品就得重新调参数。

我曾经给一家汽车零部件厂做项目，用传统视觉检测表面划痕。调了整整两周参数，终于能跑了。结果第二天换了一批材料，光照条件变了，所有参数都得重来。那叫一个崩溃。

深度学习就不一样了。它不需要你写规则，而是给模型看大量样本，让它自己学什么是好的、什么是有问题的。就像教小孩认猫——你不需要告诉他猫有胡须、有尾巴，给他看几百张猫的照片，他自然就认识了。

对比项	传统视觉	深度学习
开发周期	短（1-2周）	长（需要数据准备）
适应性	差（换产品需重调）	好（可迁移学习）
缺陷种类	只能检测已知缺陷	可发现未知缺陷
数据需求	少（几十张即可）	多（需要上千张）
部署难度	低（普通工控机）	高（需要GPU）

1.3 典型应用场景

说了这么多理论，咱们看看实际场景。我挑三个最常见的行业讲讲。

PCB缺陷检测

PCB板上的缺陷种类太多了——短路、断路、焊点不良、铜箔划伤、孔偏位...我做过一个PCB检测项目，客户要求检测20多种缺陷，每分钟检测30块板。

嗯，这里要注意：PCB检测最大的难点是反光。板子上的铜箔亮得跟镜子似的，打光角度稍微不对，缺陷就被反光盖住了。我后来用了同轴光源+偏振片，才把这个问题解决。

钢材表面检测

钢材检测，说白了就是在「灰茫茫一片」里找异常。钢板表面有氧化皮、有轧制纹路，缺陷可能是裂纹、麻点、压痕、划伤...

我记得有个项目，客户说「只要检测出大于1mm的裂纹就行」。听起来简单吧？但实际生产线上，钢板以每秒2米的速度移动，相机曝光时间只有几毫秒。而且钢板表面温度高达800度，普通相机根本扛不住。

最后我们用了线阵相机+水冷防护罩，配合高速图像处理算法，才勉强达到要求。所以说，工业检测不只是算法问题，硬件选型同样重要。

纺织品缺陷检测

纺织品检测，我个人觉得是最头疼的。布料的纹理千变万化，今天织的布和明天织的布，纹理可能完全不同。而且缺陷种类也多——断经、断纬、油污、色差、破洞...

传统视觉做纺织品检测，基本是「死路一条」。因为布料的纹理太随机了，你根本写不出通用的规则。深度学习在这里就大显身手了——给它看几百张正常布料的图片，它就能学会「什么是正常的」，一旦出现异常，立刻报警。

知识体系总览

下面这张图，是我对缺陷检测知识体系的总结。你看完应该能有个整体印象。

这张图把缺陷检测的核心内容串起来了。你从定义出发，理解它要解决什么问题；然后对比两种方法，知道什么时候该用哪个；最后落到具体场景，看看实际怎么干。

我个人觉得，做缺陷检测最重要的不是算法有多牛，而是对场景的理解有多深。你连产品长什么样、缺陷长什么样都没搞清楚，再牛的算法也是白搭。

---