工业视觉缺陷检测算法

针对工业现场复杂的表面缺陷问题，提供从底层打光方案、数据标注到深度学习模型训练的端到端算法解析。突破传统视觉极限，实现微米级缺陷的全检与分类。

传统机器视觉 vs 深度学习算法

为什么传统视觉无法解决现代工业的复杂缺陷？

传统规则式视觉痛点	天创科林深度学习算法
环境敏感：依赖人工设定灰度阈值，环境光一变就误报。	自适应泛化：基于海量图像训练，自适应复杂光照与环境变化。
缺陷限制：无法检测不规则缺陷（如微细划痕、脏污、色差）。	不规则识别：精准识别不规则微小缺陷，泛化能力极强。
复杂背景失效：遇到复杂背景或反光材质直接失效。	抗干扰强：无惧复杂纹理与反光，稳定输出检测结果。
换产繁琐：换产新产品必须重新调整算法规则，费时费力。	柔性化换产：换产只需导入新模型，实现柔性化在线检测。

针对工业场景深度优化的底层引擎

✓

工厂极难收集大量不良品样本。天创科林的算法通过数据增强与特征提取，仅需 几十张乃至几张 缺陷图片即可完成模型冷启动。

✓

不仅判断“有没有缺陷”，还能精准描绘出“缺陷的轮廓与面积”，为后续的自动剔除与质量评级提供精确数据。

✓

配合高分辨率工业相机与远心镜头，可稳定检出 0.01mm 级别的微小划痕与裂纹。

✓

算法模型针对边缘算力盒子（如RK3588）深度量化加速，单张图像推理延迟 < 50ms，满足高速流水线节拍。

90%的视觉检测失败源于打光与图像采集，算法只是最后一步

第一阶段：光学打光	根据工件材质（金属/塑料/玻璃）选择环形光、同轴光、背光或 Dome 穹顶光，最大化凸显缺陷对比度。
第二阶段：数据采集	使用高分辨率工业相机，采集不同光照、不同工位的样本图片（OK/NG 图像）。
第三阶段：数据标注	使用专业标注工具，框选缺陷位置并进行分类（划痕/凹坑/脏污）。
第四阶段：模型训练	基于天创科林视觉中台进行模型训练，并在验证集上评估漏检率与误报率。
第五阶段：边缘部署	将量化后的模型下发至产线边缘算力盒子，对接 PLC 实现自动剔除。

工厂没有不良品图片，只有几万张良品图片，能训练算法吗？

可以，采用“无监督异常检测”算法即可。 针对这种情况，天创科林提供无监督异常检测算法。算法只需学习“良品”的长相，一旦产线上出现与良品特征不符的图像（即使没见过的缺陷），系统也会判定为 NG 并报警。后期再配合少样本学习逐步优化。

反光强烈的金属表面，算法能检测出划痕吗？

可以，但需配合特定的光学方案。 单纯依靠算法无法解决反光问题，必须依赖光学方案。我们会针对高反光金属，采用“同轴光源”或“无影环形光”配合偏振镜进行图像采集，把划痕凸显为暗线后，再交由深度学习算法进行高精度识别。

系统误报率（Overkill）太高怎么办？

通过“困难负样本”迭代训练可大幅降低。 深度学习最大的优势在于迭代。我们将误报的图片收集起来，作为“困难负样本”重新加入模型进行二次微调训练。通常经过2-3轮的迭代，误报率可以降至万分之五以下。

算法可以检测多小的缺陷？

检测极限取决于“硬件分辨率”。 配合天创科林提供的 1200万像素以上工业相机及远心镜头，通常可以稳定检出 0.01mm ~ 0.05mm 级别的微小瑕疵。

我们的产线速度很快，视觉检测能跟得上节拍吗？

能，毫秒级边缘推理满足高速产线需求。 天创科林的算法模型针对边缘算力盒子进行了深度量化加速。单张图像在端侧的推理延迟小于50ms，完全可以匹配绝大多数高速流水线的生产节拍，实现实时在线全检。