产线外观缺陷检测落地白皮书

一句话结论

外观缺陷检测项目失败，多数不是模型不行，是光没打对、口径没定清、误报没人管。

一、先解决成像，再谈算法

缺陷检测的第一性问题是"缺陷在图像上可不可见、稳不稳定"。

三件事决定成像质量：光源类型、入射角、工作距离。金属反光件重点在抑制镜面反射，通常用低角度环形光或无影穹顶光；平面印刷/薄膜类重点在均匀性；深孔与凹槽需要同轴光。

判据很直接：同一缺陷在连续 50 张图上都要能看见，且形态一致。如果同一个划伤在相邻帧里时隐时现，说明光或曝光不稳，这时训练模型等于给噪声建模型。

二、样本：先量覆盖，再谈数量

样本收集的目标是覆盖"缺陷类型 × 工件型号 × 成像条件"的组合，而不是单纯堆数量。

实操步骤：

• 按缺陷类型分类（划伤、脏污、压伤、缺件、错件、颜色异常），每类单独统计
• 按工件型号分别统计，不同型号的表面工艺往往不同
• 记录正常样本的多样性：批次差异、来料差异、模具磨损后的差异
• 明确"严重程度"的分级口径，微缺陷算不算判 NG，必须由工艺方给结论

一个常见错误是只收 NG 样本。没有足量且多样化的 OK 样本，模型会把"没见过但正常"的当成异常，误报率下不来。

三、标注口径要写进文件

标注不是画框，是定义。要写清楚：

• 什么算缺陷、什么算可接受（比如 0.1mm 以下的划伤放行）
• 框到缺陷边界还是框到最小外接矩形
• 一处缺陷还是多处缺陷在同一个工件上，如何计数
• 边界模糊的样本由谁裁决（工艺工程师，不是标注员）

口径不统一的代价很大：同一个工件两个人标出两种结果，模型学到的就是矛盾的信号。

四、判定：分区与分类型阈值

整图一个大阈值是最常见的失败做法。

正确做法是分区检测：把工件按结构切成若干净区（表面、边缘、孔位、字符区），每个区域单独设阈值；再按缺陷类型分别设置信度阈值与面积阈值。

为什么必须分开：字符区的正常纹理与表面区的缺陷在特征空间里完全不同，混在一起设阈值，必然是一边漏检一边误报。

五、误报与漏检要分开统计

这两个错误的代价不同，处理方式也不同，绝不能合成一个"准确率"。

• 漏检（把 NG 判成 OK）：流出风险，通常是客户最不能接受的
• 误报（把 OK 判成 NG）：产线停线、工人返工，误报多了系统会被关掉

验收时必须分别给口径：漏检率上限、误报率上限、以及各自的统计样本量。只有"准确率 99%"这种数字，没有意义。

六、产线节拍

判定必须在节拍内完成，否则系统会被绕过。

先测单帧总耗时（采集 + 预处理 + 推理 + 后处理 + 与 PLC 通讯），再与节拍对比。余量建议不低于 30%，因为产线实际节拍会随工况波动。

如果超时，优先做的是减少检测区域（分区后只送关心区域），而不是硬换更强的算力——多数时候图像里大部分像素与判定无关。

七、验收怎么做

• 用一批未参与训练的样本做验证，含各类型缺陷与多型号
• 现场连续跑满一个班次，统计漏检、误报、平均耗时
• 结果标在原图上复核：标缺陷本身，不画包围大框（大框会掩盖定位不准的问题）
• 争议样本单独归档，作为后续迭代的训练素材

八、运维与迭代

上线不是终点。产线会换料、换模、换班次，成像条件也会漂移。

要留两条通道：一是异常样本自动留图回收；二是模型版本可灰度、可回滚。没有回滚能力的检测系统，一次升级事故就可能让客户把整套东西停掉。

九、常见误区

• 用研发阶段拍的漂亮图片训练，现场用的是不同相机与镜头
• 只优化总体指标，不区分漏检与误报
• 阈值由算法方单方面定，工艺方没签字
• 认为"多训几轮就能好"，实际是成像或口径的问题