机器视觉在缺陷检测中的算法选择

工业生产中，快速准确地识别产品缺陷是质量控制的核心。面对多样的缺陷形态和复杂的现场环境，选择合适的视觉算法直接决定检测系统的成败。本指南将带你通过五个步骤，完成从需求分析到算法落地的全过程，确保检测方案稳定可靠。

1. 明确缺陷特征与检测目标

分析产品表面可能出现的缺陷类型，并定义合格的判定标准。不同的缺陷形态对应不同的图像处理逻辑，盲目选择算法会导致漏检或过杀。

参照下表，将实际生产中的缺陷归类到对应的技术范畴：

记录缺陷的最小尺寸（例如 0.1mm）和允许的最大漏检率（例如 0.1%）。这些数据将作为后续相机选型和算法参数调整的基准。

2. 评估成像环境与硬件配置

检查现场光照条件，确定是否需要额外光源。算法的效果上限由图像质量决定，模糊或光照不均的图像无法通过软件完全修复。

执行以下光照测试步骤：

1. 关闭车间顶灯，排除环境光干扰。
2. 安装条形光或环形光，调整光源角度使缺陷对比度最大化。
3. 采集至少 50 张包含缺陷的样本图像和 50 张合格品图像。
4. 观察图像直方图，确保灰度分布未出现大面积截断（过曝或欠曝）。

若缺陷与背景灰度差异明显，传统算法即可胜任；若背景纹理复杂（如拉丝金属、织物），则准备采用深度学习方案。

3. 选择核心算法架构

根据缺陷特征和成像质量，决定采用传统视觉算法还是深度学习算法。传统算法速度快、可解释性强，但依赖人工特征；深度学习适应性强，但需要大量数据和算力。

参考以下决策流程，锁定技术路线：

注意流程图中所有判断节点。若选择深度学习方案，需确认现场是否具备 GPU 加速硬件或云端推理条件。若选择传统方案，需确保图像预处理步骤稳定。

4. 配置传统算法参数

若选择传统视觉方案，需调整关键算子参数以提取有效特征。以 OpenCV 库为例，通过阈值分割和形态学操作去除噪声。

编写如下处理逻辑脚本：

import cv2
import numpy as np

# 1. 读取图像并灰度化
image = cv2.imread('sample.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 2. 高斯模糊去除噪声，内核大小设为 (5, 5)
blur = cv2.GaussianBlur(gray, (5, 5), 0)

# 3. 自适应阈值分割，块大小设为 11，常数 C 设为 2
thresh = cv2.adaptiveThreshold(blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                               cv2.THRESH_BINARY_INV, 11, 2)

# 4. 形态学开运算去除细小噪点
kernel = np.ones((3,3), np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)

# 5. 查找轮廓并计算面积
contours, _ = cv2.findContours(opening, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
defect_count = 0
for cnt in contours:
    area = cv2.contourArea(cnt)
    # 6. 设定最小缺陷面积阈值，小于 50 像素视为噪声
    if area > 50:
        defect_count += 1

print(f"检测到缺陷数量：{defect_count}")

调整代码中的 内核大小、块大小 和 最小缺陷面积阈值。若误检率高，增大面积阈值；若漏检率高，减小面积阈值或调整光照。

5. 设定深度学习置信度阈值

若选择深度学习方案，需设定置信度阈值以平衡召回率与准确率。模型输出的概率值低于阈值时，视为背景或噪声。

计算最佳阈值通常依据验证集的表现。假设模型输出概率为 $p$，判定公式如下：

$$ Result = \begin{cases} \text{Defect}, & \text{if } p \ge threshold \\ \text{OK}, & \text{if } p < threshold \end{cases} $$

执行以下调优步骤：

1. 加载预训练模型（如 YOLOv8 或 U-Net）。
2. 运行验证集图像，记录每个样本的预测概率 $p$。
3. 绘制 Precision-Recall 曲线，找到平衡点。
4. 设置初始 threshold 为 0.5。
5. 观察漏检情况，若漏检多，降低阈值至 0.3；若误报多，提高阈值至 0.7。
6. 保存最终配置文件，锁定参数防止被意外修改。

对于定位类任务，还需关注交并比指标 $IoU$，计算公式为：

$$ IoU = \frac{Area_{overlap}}{Area_{union}} $$

确保测试集的 $IoU$ 平均值大于 0.5，否则需重新标注数据或增加训练轮次。

6. 现场部署与持续验证

完成算法选型与参数调优后，部署至生产线工控机，并进行长时间稳定性测试。

实施以下验证计划：

1. 连续运行系统 24 小时，监控内存占用与帧率 FPS。
2. 每间隔 2 小时，人工抽检 10 个产品，核对系统判定结果。
3. 记录所有误判案例，保存对应图像至“困难样本库”。
4. 每周使用新积累的困难样本重新训练或微调模型。
5. 更新版本时，备份旧版配置文件，确保可快速回滚。

建立报警机制，当连续发现 5 个漏检产品时，触发停机信号并通知工程师介入。定期清理镜头灰尘，检查光源亮度衰减情况，防止硬件老化导致算法失效。