第1章叶片缺陷检测概述

一、叶片缺陷检测概述

大家好，我是老张。在机器视觉这行摸爬滚打了十几年，今天咱们聊聊叶片缺陷检测。

你想想看，风力发电叶片、航空发动机叶片、工业汽轮机叶片——这些玩意儿一旦出问题，轻则停机检修，重则机毁人亡。我2016年去一个风电场做项目，亲眼见过一片40米长的叶片从中间裂开，那场面...嗯，从那以后我就知道，叶片检测这事儿，马虎不得。

传统检测靠什么？人工目检。工人拿着望远镜，或者吊在绳索上，一片一片看。效率低不说，漏检率还高。我有个客户跟我说过，他们一个熟练工，一天最多看20片叶片，眼睛都快瞎了。而且人眼对细微裂纹、早期锈蚀的敏感度，其实远不如机器。

所以这几年，行业里都在推自动化检测。说白了，就是用相机+算法，代替人眼。而深度学习，尤其是语义分割、目标检测这些技术，成了主流方案。这也是咱们这个训练营要讲的核心——如何让机器自动标注叶片上的缺陷。

核心观点：叶片缺陷检测不是「能不能做」的问题，而是「怎么做更准、更快、更稳」的问题。我见过太多团队，算法在实验室跑得飞起，一到现场就崩。为什么？因为真实场景太复杂了。

叶片缺陷种类不少，但最常见的就四种。我按出现频率排个序：

缺陷类型	典型特征	检测难度	我踩过的坑
裂纹	细长、不规则、可能贯穿	⭐⭐⭐⭐⭐	裂纹太细，像素级标注时容易漏
划痕	线性、深度浅、表面损伤	⭐⭐⭐⭐	划痕和正常纹理容易混淆
凹坑	圆形或椭圆形、凹陷	⭐⭐⭐	光照角度一变，凹坑就「消失」了
锈蚀	颜色变化、表面粗糙	⭐⭐⭐	锈蚀区域边界模糊，标注一致性差

我个人习惯把缺陷分成两类：结构性缺陷（裂纹、凹坑）和表面性缺陷（划痕、锈蚀）。前者影响结构安全，后者影响使用寿命。检测策略完全不同。

举个例子。裂纹检测，我建议用高分辨率相机+侧向打光。为什么？因为裂纹是「开口」的，侧光能打出阴影，对比度一下就上来了。而锈蚀检测，用彩色相机+环形光更合适，因为锈蚀的颜色特征比形状特征更明显。

避坑指南：我曾经在一个项目里，用同样的光源去拍裂纹和锈蚀，结果裂纹拍出来了，锈蚀过曝了。后来才明白——不同缺陷，打光方案要分开设计。别想着一个方案打天下。

说实话，叶片缺陷检测的难点，不在于算法本身，而在于「数据」和「环境」。我列几个最头疼的：

数据稀缺：缺陷样本太少。你想想，一个正常运行的叶片，出缺陷的概率本来就不高。我做过一个项目，跑了三个月，才收集到200张有缺陷的图像。这点数据，训练个分类模型都够呛，更别说分割模型了。
标注成本高：缺陷标注比普通目标检测难得多。裂纹的边界在哪里？锈蚀的区域怎么界定？我见过两个标注员标同一张图，IoU（交并比）只有0.3。这数据喂给模型，能学好吗？
光照变化：室外叶片，晴天、阴天、早晨、傍晚，光照完全不一样。同一个缺陷，在不同光照下，看起来像两个东西。模型泛化能力不够，就容易翻车。
背景干扰：叶片表面有纹理、有灰尘、有油污、有贴纸。这些「正常」的东西，在模型眼里可能跟缺陷差不多。我遇到过最离谱的一次，模型把叶片上的一个「合格」标签，识别成了裂纹。

为什么会这样？说白了，就是缺陷的「类内差异」大，「类间差异」小。同一个裂纹，可能细如发丝，也可能宽如手指。但裂纹和划痕，有时候看起来就是一条线。模型很难区分。

重要提醒：别指望一个模型解决所有问题。我个人的经验是，先做缺陷分类，再做缺陷定位，最后做缺陷分割。分步走，每一步都验证好了，再往下推。贪多嚼不烂。

下面这张图，是我自己画的。它把本章的核心知识点串起来了。你仔细看一遍，心里就有谱了。

这张图你看懂了吗？简单说就是：先搞清楚行业背景，再认识缺陷类型，最后直面检测难点。这三块搞明白了，后面的章节你学起来会轻松很多。

我的建议：学完这一章，你可以去网上搜一些叶片缺陷的真实图片，自己试着分类。看看你能不能一眼认出裂纹和划痕的区别。如果认不出来，别急——后面几章我会教你，怎么让机器帮你认。

公众号:蓝海资料掘金营，微信deep3321