1. 工业缺陷检测的技术演进史十年前我刚入行时工厂里的老师傅还拿着放大镜在流水线旁检查产品。如今走进现代化车间摄像头和AI模型已经替代了90%的人工检测。这个转变背后是图像处理技术经历了三次关键跃迁第一代像素级手工特征2010年前就像用放大镜数格子工程师需要手动设计像元搜索算法。我处理过最复杂的案例是汽车齿轮检测要写200多行代码计算每个区域的灰度方差再结合形态学处理判断划痕。这种方法对光照敏感得像老式胶片相机换个车间就得重新调参数。第二代传统机器视觉2010-2016OpenCV成为我们的瑞士军刀。记得2014年做PCB板检测时我开发了一套组合拳先用CLAHE增强对比度接着用Canny算子找边缘最后用连通域分析筛选缺陷。这种方法的瓶颈在于特征设计——有次为了检测金属表面的微小气孔我试了17种滤波器组合。第三代深度学习时代2017至今当第一次用YOLOv3检测出布料瑕疵时整个团队都沸腾了。现在的FCDD算法甚至能在无缺陷样本上训练就像让AI自学什么是正常再揪出异常。去年我们给电池厂部署的PatchCore系统检测速度达到500帧/秒比老师傅眨眼还快。2. 传统图像处理的实战技巧2.1 像元搜索算法的精妙之处在低对比度场景下像元搜索算法仍是性价比最高的选择。去年我们改进的分块方差筛选法成功应用在液晶屏检测中def defect_detection(image): # 分块处理 blocks divide_into_blocks(image, block_size32) variances [cv2.meanStdDev(block)[1][0][0] for block in blocks] # 筛选高方差区域 threshold np.percentile(variances, 75) candidate_blocks [block for block, var in zip(blocks, variances) if var threshold] # 连通性分析 mask np.zeros_like(image) for block in candidate_blocks: contours, _ cv2.findContours(block, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) cv2.drawContours(mask, contours, -1, 255, -1) return mask这个方法的关键在于分块策略32x32像素的块大小能平衡检测精度和计算量动态阈值使用75分位数而非固定值适应不同光照条件形态学后处理用闭运算填充微小空洞避免误检2.2 光照不均问题的破解之道在金属件检测中我们常遇到阴阳脸问题。通过实验对比我发现同轴光源Retinex算法组合效果最佳方案成本检测率误检率环形光源低78%15%穹顶光源中85%10%同轴光源Retinex高96%3%具体操作步骤安装0.5mm孔径的同轴光源使用MSRCR算法进行光照补偿def msrcr(image, sigma_list[15,80,250]): retinex np.zeros_like(image, dtypefloat) for sigma in sigma_list: blur cv2.GaussianBlur(image, (0,0), sigma) retinex np.log(image.astype(float)1) - np.log(blur.astype(float)1) return cv2.normalize(retinex/3, None, 0, 255, cv2.NORM_MINMAX)3. 深度学习的工业落地实践3.1 小样本场景的解决方案当标注数据不足时我们采用缺陷合成迁移学习的组合拳。以铝材表面检测为例数据生成用Blender制作3D缺陷模型渲染1000变体特征提取使用ResNet18预训练模型提取特征异常检测训练OC-SVM分类器核心代码如下from sklearn.svm import OneClassSVM def train_ocsvm(features): clf OneClassSVM(nu0.1, kernelrbf, gamma0.1) clf.fit(features) return clf def predict_defect(model, test_feature): distance model.decision_function(test_feature) return 1 if distance -0.5 else 03.2 实时性优化技巧在部署YOLOX模型时我们通过以下手段将推理速度提升3倍TensorRT优化FP16量化层融合ROI裁剪先定位产品区域再检测多尺度融合调整neck结构减少计算量实测效果对比优化手段延迟(ms)显存占用(MB)原始模型451240FP16量化28680裁剪量化153204. 技术选型指南根据项目需求我总结出这个决策树缺陷尺寸5像素传统算法5像素深度学习样本数量1000张有监督学习100张无监督学习实时要求30FPS轻量级模型(YOLO系列)10FPS两阶段检测(Faster R-CNN)最近在光伏板检测项目中我们最终采用FCDD形态学后处理的混合方案。因为电池片缺陷既需要深度学习识别微裂纹又需要传统算法定位栅线偏移这种组合使误检率从6%降到了1.2%。记得第一次看到AI系统连续工作24小时零漏检时现场的老师傅盯着屏幕看了好久。技术演进的意义或许就是让机器去做那些费眼睛的事而把人解放出来做更有创造性的工作。
从像素搜索到深度学习：工业表面缺陷检测的图像处理演进与实践
1. 工业缺陷检测的技术演进史十年前我刚入行时工厂里的老师傅还拿着放大镜在流水线旁检查产品。如今走进现代化车间摄像头和AI模型已经替代了90%的人工检测。这个转变背后是图像处理技术经历了三次关键跃迁第一代像素级手工特征2010年前就像用放大镜数格子工程师需要手动设计像元搜索算法。我处理过最复杂的案例是汽车齿轮检测要写200多行代码计算每个区域的灰度方差再结合形态学处理判断划痕。这种方法对光照敏感得像老式胶片相机换个车间就得重新调参数。第二代传统机器视觉2010-2016OpenCV成为我们的瑞士军刀。记得2014年做PCB板检测时我开发了一套组合拳先用CLAHE增强对比度接着用Canny算子找边缘最后用连通域分析筛选缺陷。这种方法的瓶颈在于特征设计——有次为了检测金属表面的微小气孔我试了17种滤波器组合。第三代深度学习时代2017至今当第一次用YOLOv3检测出布料瑕疵时整个团队都沸腾了。现在的FCDD算法甚至能在无缺陷样本上训练就像让AI自学什么是正常再揪出异常。去年我们给电池厂部署的PatchCore系统检测速度达到500帧/秒比老师傅眨眼还快。2. 传统图像处理的实战技巧2.1 像元搜索算法的精妙之处在低对比度场景下像元搜索算法仍是性价比最高的选择。去年我们改进的分块方差筛选法成功应用在液晶屏检测中def defect_detection(image): # 分块处理 blocks divide_into_blocks(image, block_size32) variances [cv2.meanStdDev(block)[1][0][0] for block in blocks] # 筛选高方差区域 threshold np.percentile(variances, 75) candidate_blocks [block for block, var in zip(blocks, variances) if var threshold] # 连通性分析 mask np.zeros_like(image) for block in candidate_blocks: contours, _ cv2.findContours(block, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) cv2.drawContours(mask, contours, -1, 255, -1) return mask这个方法的关键在于分块策略32x32像素的块大小能平衡检测精度和计算量动态阈值使用75分位数而非固定值适应不同光照条件形态学后处理用闭运算填充微小空洞避免误检2.2 光照不均问题的破解之道在金属件检测中我们常遇到阴阳脸问题。通过实验对比我发现同轴光源Retinex算法组合效果最佳方案成本检测率误检率环形光源低78%15%穹顶光源中85%10%同轴光源Retinex高96%3%具体操作步骤安装0.5mm孔径的同轴光源使用MSRCR算法进行光照补偿def msrcr(image, sigma_list[15,80,250]): retinex np.zeros_like(image, dtypefloat) for sigma in sigma_list: blur cv2.GaussianBlur(image, (0,0), sigma) retinex np.log(image.astype(float)1) - np.log(blur.astype(float)1) return cv2.normalize(retinex/3, None, 0, 255, cv2.NORM_MINMAX)3. 深度学习的工业落地实践3.1 小样本场景的解决方案当标注数据不足时我们采用缺陷合成迁移学习的组合拳。以铝材表面检测为例数据生成用Blender制作3D缺陷模型渲染1000变体特征提取使用ResNet18预训练模型提取特征异常检测训练OC-SVM分类器核心代码如下from sklearn.svm import OneClassSVM def train_ocsvm(features): clf OneClassSVM(nu0.1, kernelrbf, gamma0.1) clf.fit(features) return clf def predict_defect(model, test_feature): distance model.decision_function(test_feature) return 1 if distance -0.5 else 03.2 实时性优化技巧在部署YOLOX模型时我们通过以下手段将推理速度提升3倍TensorRT优化FP16量化层融合ROI裁剪先定位产品区域再检测多尺度融合调整neck结构减少计算量实测效果对比优化手段延迟(ms)显存占用(MB)原始模型451240FP16量化28680裁剪量化153204. 技术选型指南根据项目需求我总结出这个决策树缺陷尺寸5像素传统算法5像素深度学习样本数量1000张有监督学习100张无监督学习实时要求30FPS轻量级模型(YOLO系列)10FPS两阶段检测(Faster R-CNN)最近在光伏板检测项目中我们最终采用FCDD形态学后处理的混合方案。因为电池片缺陷既需要深度学习识别微裂纹又需要传统算法定位栅线偏移这种组合使误检率从6%降到了1.2%。记得第一次看到AI系统连续工作24小时零漏检时现场的老师傅盯着屏幕看了好久。技术演进的意义或许就是让机器去做那些费眼睛的事而把人解放出来做更有创造性的工作。
