深度学习在表面缺陷检测中的应用实践

/ 01为什么缺陷检测适合上深度学习

表面缺陷检测是机器视觉工业应用里最难啃的一类问题，难点集中在三处：缺陷形态不定（划痕方向、长短、深浅随机）、正负样本极不均衡（良品占 99% 以上）、传统算法泛化差（换一批物料、换一个批次光照，规则就失效）。

传统流程是"打光 + 找特征 + 写规则"：工程师针对每种缺陷设计边缘提取、灰度阈值、Blob 分析的组合。缺陷种类一多，规则之间互相打架——为了检出 A 缺陷放宽阈值，B 缺陷的误判就上来了。最终陷入"永远在补规则"的循环。

深度学习的价值在于让模型自己学特征。只要数据覆盖到位，同一套网络可以同时识别划痕、压伤、异物、气泡等多种缺陷，且对光照波动、物料批次差异的鲁棒性明显更好。我们的项目实测中，深度学习方案相比传统算法，误判率普遍能从 5-8% 降到 2% 以下。

/ 02数据集构建：决定项目成败的 80%

工业场景里"数据比模型贵"。我们在项目初期就明确一条原则：先规划数据，再谈网络结构。数据集构建要点：

• 缺陷样本来源：产线自然缺陷优先；自然缺陷不够时，人工制造（刀片划、硬度计压）做补充，但必须标注"人造"标记，训练时降权，避免模型学到人造特征。
• 难例挖掘：每个批次把产线误判图自动存入"难例库"，人工复核后回流训练集。这个闭环是模型上线后持续进化的关键。
• 正负比例：不必追求数量均衡，但每类缺陷建议不少于 200 张实例；低于 50 张的类别考虑用缺陷模板做贴图增广（copy-paste）。
• 标注规范：检测框贴边还是内缩、轻微缺陷算不算、多个缺陷粘连怎么框——开工前写一页标注规范，比事后返工便宜得多。我们用 Label Studio 自建标注平台，支持多人标注 + 交叉审核。
• 数据增广：旋转、亮度 ±20%、轻微透视、运动模糊。注意不要水平翻转——很多缺陷（拉丝、纹路）有方向性，翻转会引入物理上不存在的样本。

/ 03模型选型：三类任务的对应方案

按检测需求分三类，选型思路完全不同：

选型的三条原则

• 精度够用就停：工业检测追求的是漏检率（趋零）与过杀率（越低越好）的平衡，不是 mAP 榜单排名。小模型 + 好数据经常打赢大模型 + 烂数据。
• 考虑部署约束：要跑在边缘盒子（如工控机 + 推理卡）上，优先选有 TensorRT/ONNX 支持的模型结构，避开部署器不支持的算子。
• 两阶段落地：先用分类模型快速上线验证可行性，跑稳后再升级检测/分割模型输出缺陷位置。一次到位往往周期失控。

/ 04训练优化：工业数据的特殊处理

与互联网图像数据相比，工业缺陷数据有鲜明的特点，训练策略要针对性调整：

• 样本不均衡：用 Focal Loss 替代交叉熵，或对稀有缺陷类做过采样。我们实测 Focal Loss（γ=2）在划痕类缺陷上召回率提升约 4 个百分点。
• 小目标缺陷：微小划痕在整图里只占几十个像素，直接训练容易漏检。方案是切片训练（SAHI 切片推理）或增加小尺度检测头。输入分辨率尽量保持在 1024 以上。
• 迁移学习：数据量少时，加载 COCO / ImageNet 预训练权重起步，冻结骨干网络前几个 stage 只训检测头，收敛快且不易过拟合。
• 超参基线：学习率 cosine 衰减、AdamW 优化器、batch size 按显存顶格设置——这套基线在多数缺陷检测任务上不用大调。
• 评估指标看业务：不要只看 mAP。按业务定义"漏检率 = 缺陷流出数 / 总缺陷数"、"过杀率 = 良品误杀数 / 总良品数"，并统计每个缺陷类别的单独指标——整体指标好看但某一类漏检严重，产线照样出质量事故。

/ 05部署落地：从实验室到产线

实验室 mAP 0.95 的模型，到产线可能直接不可用。部署环节的重点：

一个典型部署指标：500 万像素图像，YOLOv8-S + TensorRT FP16，工控机（RTX 系列显卡）单张推理 25-40ms，配合四工位并行，满足 60 件/分钟的全检节拍。

/ 06结语

深度学习缺陷检测不是"调一个模型"，而是一条数据 → 训练 → 部署 → 回流的完整工程链路。我们的经验排序是：数据质量 > 标注一致性 > 部署工程化 > 模型结构选型。把前两件事做扎实，模型往往水到渠成。

如果您正在评估产线的视觉检测改造，欢迎联系我们做技术交流——从打光方案、相机选型到模型落地，我们可以提供端到端的实施支持。