在工业制造产线上，产品表面的划痕、凹陷、污渍、气泡等缺陷如果流入下游，轻则返工报废，重则引发客诉甚至安全事故。过去依靠人工目检的方式，受限于工人的疲劳程度和经验水平，检测一致性和效率都难以保证。随着机器视觉和深度学习技术的发展，基于图像的自动化缺陷检测与分类系统已经成为工业质检的主流方案。本文将从技术路线、算法选择、代码实战和工程落地四个方面，系统地讲解如何构建一套工业缺陷检测与分类系统。
一、缺陷检测的两条技术路线：传统图像处理与深度学习
工业缺陷检测的技术方案大致可以分为两大类：基于传统图像处理的方法和基于深度学习的方法。两者各有适用场景，理解它们的核心原理是选型的第一步。
传统图像处理方法依赖人工设计的特征，常见手段包括灰度变换、边缘检测、阈值分割、形态学运算、模板匹配和频域分析等。例如在印刷电路板检测中，可以将待检图像与标准模板做差分运算，差异区域即为疑似缺陷。这类方法的优点是计算量小、速度快、可解释性强，在光照稳定、缺陷形态固定的场景下表现优异。但它的致命弱点是泛化能力差：一旦产品纹理复杂、缺陷形态多变或者背景干扰严重，人工规则就很难覆盖所有情况，导致漏检和误检率上升。
深度学习方法则通过卷积神经网络自动从大量样本中学习缺陷特征。以卷积层为例，它通过局部感受野和权值共享，逐层提取从边缘、纹理到部件结构的层级化特征，无需人工设计规则。深度学习方案的检测精度和鲁棒性通常显著优于传统方法，尤其在缺陷形态多样的复杂场景下优势明显。其代价是需要较多的标注数据和GPU算力，且模型推理速度需要针对产线节拍做优化。实际工程中，常见的做法是两者结合：先用传统方法做粗筛和定位，再用深度模型做精细分类，兼顾速度与精度。
二、算法选择：分类、检测与分割如何对应不同质检需求
选定了技术路线之后，需要根据质检任务的具体输出要求来匹配合适的算法范式。缺陷质检需求通常可以分为三个层级。
第一层级是缺陷分类，即只需判断图像中是否存在缺陷以及缺陷的类型，不关心具体位置。这类任务可以直接使用图像分类网络，如ResNet、EfficientNet、Vision Transformer等。典型应用是零件的整体良品判定，产线只需要给出合格与不合格的信号，用于分拣机构的动作控制。分类模型结构简单、推理速度快，非常适合高节拍产线。
第二层级是缺陷检测，需要框出缺陷的位置和类别。这对应目标检测算法，如Faster R-CNN、YOLO系列、SSD等。在钢材表面缺陷、纺织品瑕疵检测中，一张图像可能同时存在多处不同类型的缺陷，检测模型能够输出每个缺陷的边界框和类别置信度，方便后续统计分析缺陷的空间分布规律。YOLO系列凭借出色的速度精度平衡，是目前工业落地最广泛的检测框架之一。
第三层级是缺陷分割，要求像素级的精确定位，用于评估缺陷面积、形状和严重程度。这对应语义分割或实例分割算法，如U-Net、DeepLab系列、Mask R-CNN。例如玻璃面板上的气泡缺陷，需要计算气泡的面积占比来判定是否超差，此时只有像素级分割才能提供量化依据。分割模型的标注成本最高，一般只在有精确测量需求时才采用。
三、代码实战：基于卷积神经网络的缺陷分类模型
下面以PyTorch为例，构建一个用于工业缺陷分类的卷积神经网络。假设我们需要对产品图像进行四分类：正常、划痕、凹陷、污渍。模型主体采用多个卷积块堆叠，每个卷积块包含卷积层、批归一化、ReLU激活和最大池化。
import torch
import torch.nn as nn
class DefectCNN(nn.Module):
def __init__(self, num_classes=4):
super(DefectCNN, self).__init__()
# 特征提取部分：三个卷积块
self.features = nn.Sequential(
nn.Conv2d(3, 32, kernel_size=3, padding=1),
nn.BatchNorm2d(32),
nn.ReLU(inplace=True),
nn.MaxPool2d(2), # 尺寸减半
nn.Conv2d(32, 64, kernel_size=3, padding=1),
nn.BatchNorm2d(64),
nn.ReLU(inplace=True),
nn.MaxPool2d(2),
nn.Conv2d(64, 128, kernel_size=3, padding=1),
nn.BatchNorm2d(128),
nn.ReLU(inplace=True),
nn.AdaptiveMaxPool2d((4, 4)) # 自适应池化，兼容任意输入尺寸
)
# 分类部分：全连接层输出各类别概率
self.classifier = nn.Sequential(
nn.Flatten(),
nn.Linear(128 * 4 * 4, 256),
nn.ReLU(inplace=True),
nn.Dropout(0.5), # 缓解过拟合
nn.Linear(256, num_classes)
)
def forward(self, x):
x = self.features(x)
return self.classifier(x)
# 模拟一个批次：batch为16张RGB图像，尺寸128x128
model = DefectCNN(num_classes=4)
dummy_input = torch.randn(16, 3, 128, 128)
output = model(dummy_input)
print("输出形状:", output.shape) # 期望输出 torch.Size([16, 4])
上述代码中使用了批归一化来加速收敛并提升稳定性，使用Dropout来抑制小数据集下的过拟合，使用自适应池化层使得网络可以接受任意尺寸的输入图像，这在工业现场的相机分辨率不统一时非常实用。训练时建议采用交叉熵损失配合Adam优化器，初始学习率设置为0.001，并配合学习率衰减策略。
四、工程落地的关键难点与应对策略
算法模型只是质检系统的一部分，真正落地时还会遇到一系列工程难题，其中最突出的三个是样本不平衡、缺陷样本稀缺和光照干扰。
首先是样本不平衡问题。工业产线上良品数量远多于缺陷品，某些罕见缺陷可能只有几十张样本。应对方法包括数据层面的过采样、欠采样、SMOTE以及损失函数层面的Focal Loss、类别加权交叉熵。Focal Loss通过降低易分类样本的损失权重，让模型更关注困难样本，在缺陷检测中被广泛使用。
其次是缺陷样本稀缺。深度学习依赖大量标注数据，但新产线往往积累不足。这时可以采用数据增强手段扩充样本，例如随机旋转、翻转、亮度扰动、添加高斯噪声，以及缺陷仿真技术，即在良品图像上人工合成划痕、污点等缺陷纹理。此外，迁移学习也是有效手段，先在大规模公开数据集上预训练，再用少量工业数据微调，通常能获得明显的精度提升。小样本学习与异常检测方法（如自编码器重构、PaDiM等无监督异常检测算法）则适用于缺陷类别完全未知的场景，只需用良品数据训练即可发现异常。
最后是成像质量与部署优化。工业质检对成像环境要求苛刻，需要稳定的环形光源或同轴光源来凸显缺陷特征，同时通过遮光罩屏蔽环境光干扰。部署层面，模型往往需要经过TensorRT、ONNX Runtime等工具的量化加速，才能满足产线毫秒级的推理要求。整套系统还应包含图像采集、缺陷报警、统计数据看板和缺陷追溯数据库，形成闭环的质量管理体系。
总结来看，工业缺陷检测与分类系统的构建是一个系统工程，需要根据质检需求选择合适的算法范式，用工程手段解决数据难题，并配合可靠的成像硬件与部署优化。随着视觉大模型和少样本学习技术的成熟，缺陷检测的落地门槛正在不断降低，值得每一位从事智能制造的技术人员持续关注和实践。