缺陷检测是工业视觉领域中极为重要的应用之一。几乎所有工业产品在流入市场前，均设有缺陷检测环节，其目的在于确保产品符合质量标准。
对产品进行缺陷检测时，主要分为人工目视检测和工业视觉检测两种方式。运用工业视觉进行缺陷检测时，常用的解决思路如下：
Ⅰ、传统图像算法
采用传统图像算法进行缺陷检测时，主要有以下两种方法：
①特征工程
特征工程是缺陷检测中最为常用的方法之一。它通过运用传统图像算法，对图像的灰度值、方差、均值、颜色、形状、轮廓、面积等特征进行分析，从而实现对缺陷的检测。该方法具有较高的灵活性，开发速度较快。在应用层面，通常会将与缺陷特征相关的参数开放至软件端，以便使用者根据实际需求进行灵活调整。
②模板匹配
模板匹配是通过预先设置一些图像模板，将这些模板与待测图像进行比对，进而实现对缺陷的识别。然而，这种算法的应用存在一定局限性。例如，在对某品牌饮料瓶标签进行缺陷检测时，会运用特征工程技术识别部分缺陷类型，同时也会采用模板匹配方法，通过预设一些标签图像模板与待测图像进行匹配，以判断标签是否存在缺陷。
Ⅱ、CV 算法
计算机视觉算法，即 CV（Computer Vision）算法，是一种使计算机能够理解图像的技术，属于 AI（Artificial Intelligence）算法的一个分支。
在工业视觉领域，由于处理对象主要为图像，因此在该领域提及 AI 算法时，通常指的就是 CV 算法。尽管 AI 算法听起来较为先进，但在工业视觉领域，人们更习惯使用 AI 算法这一称谓，而较少提及 CV 算法。
图像分类、目标检测、语义分割、实例分割、目标跟踪、OCR、人脸识别、图像生成、异常检测等均属于 CV 算法范畴。其中，在工业视觉缺陷检测领域应用较为广泛的 CV 算法包括图像分类、目标检测和实例分割。
①图像分类
图像分类，从字面意义理解，是一种对图像进行分类并确定其所属类别的算法。根据分类任务的不同，图像分类可进一步分为单标签分类和多标签分类。常用的分类网络有 ResNet、MobileNet、EfficientNet 等。
在工业视觉领域，从理论上讲，可以运用图像分类算法对整张图像进行直接分类，以确定其缺陷类别。然而，由于工业相机拍摄视野的问题，所拍摄的整张图像除目标区域外，往往还包含大量无关的背景信息。这些无关背景会对图像分类模型的训练产生干扰，导致图像分类算法的准确率降低。因此，在实际项目中，很少直接使用图像分类算法对整张图像进行分类。
②目标检测
目标检测算法旨在图像中对所有感兴趣的目标，使用检测框对目标的位置和类别进行定位，如图 1 所示。这种方法较为直接，通过标注大量缺陷数据集，训练出一个具备缺陷检测能力的目标检测模型。
最经典的目标检测算法当属 YOLO 系列，该系列算法具有准确率高、推理速度快等优点，是性能非常优异的算法。在实际应用中，需要对图像进行尺寸缩放，使图像大小符合目标检测模型所要求的尺寸。若原图尺寸较大，而缺陷较小，导致缺陷在原图中所占比例极小，例如点状的微小缺陷，可能会在图像预处理的缩放过程中丢失。因此，若存在此类问题的风险，通常会将原图裁剪为多份，例如将分辨率为 10000×5000 的图像拆分为 10 张分辨率为 2000×2500 的图像，然后对这 10 张图像分别进行检测，最后将检测结果进行汇总。
此类方法也存在一定弊端，即对数据集的依赖程度较高。因为目标检测算法属于有监督学习，需要大量的数据集作为支撑。若数据集不够充足，会导致算法的准确率降低。在实际项目中，往往需要持续收集数据，并对模型进行多次迭代训练，才能达到理想的效果。
③实例分割
实例分割是目标检测的进阶版本，它在目标检测的基础上，采用更为精细的 mask 进行定位，而非使用检测框，如图 2 所示。
将实例分割算法应用于缺陷检测，能够获得比目标检测算法更为精准的缺陷定位，这对于缺陷检测具有积极意义。另一方面，当不同的缺陷距离较近，且出现交叉或包含的情况时，目标检测算法在类别区分上可能会面临困难，而实例分割算法则不存在这一问题。若使用实例分割算法在尺寸较大的图像上进行缺陷检测，其处理方法与目标检测算法相同，即也需要将图像进行拆分。
实例分割算法与目标检测算法一样，均属于有监督学习，需要依赖大量的数据集。与目标检测算法的拉框式标注相比，实例分割算法的标注更为精确，因此标注工作量也更大。在实际项目中，实例分割算法通常也需要持续收集图像数据，并对模型进行多次迭代训练，才能达到理想的效果。
Ⅲ、传统图像算法 + CV 算法
这种方法将传统图像算法与 CV 算法相结合，是一种常用的策略。
通常是先利用传统图像算法对缺陷进行定位，然后将缺陷的 ROI 图像传输给 AI 分类算法进行分类。这种方法有效解决了传统图像算法定位相对容易，但分类较为困难的问题。
结束语
工业视觉缺陷检测算法种类繁多，本文列举了三大类主流方法。除上述三大类外，还存在无监督学习算法、图像异常检测算法等，若读者对此感兴趣，可自行进行检索和研究。
任何一种缺陷检测算法都存在其技术局限性，在实际应用过程中，需根据具体情况进行具体分析。较为理想的策略是将多种不同的算法组合使用，以实现 “绝对检测”。
