表面缺陷检测：五类常见缺陷与算法实现思路

五类常见表面缺陷

制造业里被反复检测的表面缺陷，归纳起来主要是五类：划痕、脏污与异物、凹凸与压伤、裂纹、色差。它们的外观差异很大，对应的成像方式与算法路线也完全不同。把缺陷先分类，再谈方案，往往比一上来就讨论用什么相机、用什么模型更有效。汉特士在 15 年的 CCD 视觉检测项目里，表面缺陷检测几乎是出现频率最高的需求。

划痕：方向性与光照选择

划痕的本质是一道方向性很强的浅沟槽，它的成像对比度与光照角度高度相关。低角度暗场光顺纹理方向掠射时，划痕边缘会产生明显散射，在暗背景上呈现亮线；而同轴光更适合检测垂直入射下才有反射差异的浅划痕。判别难点在于：金属拉丝面、注塑流痕本身就带有方向性纹理，算法容易把正常纹路误判为划痕。常用对策是先做方向性滤波，把与划痕方向不同的纹理抑制掉，再配合形态学做连通域判定。

脏污与异物：颜色与纹理特征

脏污与异物包括油渍、粉尘、毛屑、残胶等，其特点是边界不规则、位置随机、与背景的颜色差异往往很小。成像上多用明场环形光，保证表面照度均匀，让脏污在颜色或亮度上形成可分辨的偏差。算法上，颜色差异明显时用阈值分割即可；颜色接近但纹理不同时，用局部纹理特征或小型卷积网络更可靠。

凹凸与压伤：暗场与 3D 的选择

凹凸与压伤是立体缺陷，在明场下往往只有轻微的明暗渐变，2D 很容易漏检。两种思路可以选择：其一，用低角度暗场光，让凹陷边缘的遮光与凸起边缘的散射形成对比；其二，直接上 3D 视觉检测，用高度数据判断凹陷深度或凸起高度是否超差。当缺陷深度与允收公差有关时，3D 才是根本解法，因为它能给出可量化的深度值，而不是依赖灰度猜测。

裂纹：细微特征与放大倍率

裂纹的宽度可能只有几微米到几十微米，是不连续的细线，对比度低且容易被灰尘、划痕混淆。检测裂纹几乎完全依赖成像能力：需要足够的放大倍率让裂纹至少覆盖 3～5 个像素，并配合侧向光让裂纹开口产生阴影。算法上，由于裂纹是细长结构，方向性滤波与线状特征增强比通用分割更有效。放大倍率越高，视野越小，往往需要多相机或多工位覆盖整个表面。

色差：颜色空间的稳定性

色差检测的是颜色是否偏离标准，它对成像系统的稳定性要求极高。光源色温漂移、相机白平衡变化、镜头暗角，任何一项都会让色差判定产生系统性偏移。做法上通常固定同轴漫射光和光源电流，先拍摄标准色卡做白平衡与色彩校正，再在 RGB 或 Lab 颜色空间里统计目标区域的均值与方差，用色差值指标与标准样比对。对色差敏感的产线，光源与相机的选型应优先考虑稳定性而非分辨率。

传统算法与深度学习怎么选

两条路线的选择依据是缺陷特征是否稳定：

• 传统算法适用：缺陷与背景的对比明确、形态规则、位置相对固定，例如背光下的孔洞、边缘缺口、固定位置的色块。优势是节拍快、资源占用低、结果可解释。
• 深度学习适用：缺陷形态多变、边界模糊、背景纹理复杂，例如随机划痕、脏污、夹杂。优势是对复杂分布的适应能力和检出率，代价是需要样本、算力与调参。

工程上更常见的是两者结合：传统算法先做定位、分割与粗筛，深度学习在可疑区域做精细分类，既能保证节拍，又能兼顾检出率。

缺陷样本与标注的工程经验

深度学习的上限由样本决定，这里的经验值得单独强调：

• 样本量没有统一数字：取决于缺陷的类内差异、特征复杂度和模型规模。特征单一、重复性高的缺陷，可能几十到一两百张就能起步；形态高度多样的缺陷，往往需要上千张并持续补充。
• 宁可少而准，不要多而乱：标注框或掩码的边界不一致，比数量不足更伤模型。标注口径要事先统一，并写进作业指导。
• 一定要包含负样本：正常品、临界品、易混淆的伪缺陷都要喂进去，否则模型会把正常纹路也判成缺陷。
• 样本要覆盖产线真实变异：不同批次、不同光照、不同工位的图像都要采，实验室拍的干净图像不等于产线图像。
• 上线后要能回流：模型上线后要保留可疑图像回流通道，用产线新数据持续迭代，检出率才能长期维持。

表面缺陷检测没有一招通吃的方案。把缺陷分类、成像验证、算法路线与样本策略一起规划，才能让 99.9% 这类指标在真实产线上站得住。