什么是工业外观缺陷检测

通过机器视觉检测系统对产品表面进行检测，‌以识别出不符合质量要求的表面缺陷。‌这种检测方法在确保产品的外观质量和功能性满足客户要求的前提下，‌提高产品的整体质量和客户满意度。‌

工业外观缺陷检测涵盖了多种行业，‌包括但不限于对检测物体表面的斑点、凹坑、‌划痕、‌缺损等缺陷进行检测。‌这种检测通常采用机器视觉检测技术，‌通过获取产品的表面图像，‌并利用相应的图像处理算法提取图像的特征信息。‌随后，‌根据这些特征信息进行表面缺陷的定位、‌识别等。

工业外观缺陷检测有什么特点

工业缺陷检测场景的特点主要包括多样性、‌复杂性以及高精度要求。‌

多样性：工业产品的缺陷种类繁多，‌包括外观缺陷和功能性缺陷等，‌每种缺陷的形态和特征都有所不同，‌这增加了检测的难度和复杂性。

复杂性：不同类别的缺陷之间可能存在较大的形态差异，‌同时，‌某些缺陷之间的表观特征具有一定的相似性，‌这增加了准确识别的难度。‌此外，‌产品背景的复杂性也使得缺陷特征不明显，‌需要设计者充分了解被检测产品的特性和加工工艺，‌以确保检测方案的可行性和可靠性。

高精度要求：工业缺陷检测对精度要求极高，‌因为即使是微小的缺陷也可能导致产品性能下降或安全隐患。‌因此，‌检测系统需要能够准确地识别和分类各种缺陷，‌确保产品质量。

工业外观缺陷检测的四大主要类别

分类：自定义标准，按图像类型分类，能够正确判别出NG和OK图像。

检测：用矩形框标记出缺陷位置，根据每个缺陷的类别进行归类。

分割：图像上的缺陷以像素单位检测，定位缺陷的精确位置和每一个缺陷的类别。

无监督学习：只提供一些正常样本，模型在仅有的正常样本上训练后，能够检测出实际生产环境中异常缺陷的样本。

工业外观缺陷检测的如何操作

工业外观缺陷检测整个流程如下图所示，一共经过6个阶段，分别是：需求阶段、打光阶段、数据收集阶段、训练评估阶段、部署阶段、运维阶段。

工业外观缺陷检测常用的深度学习算法

工业缺陷检测算法可分为监督学习与非监督学习。监督学习主要分为分类、检测、分割、图像增强、图像生成、字符识别；其中分类常用算法有Resnets 50、ShuffleNet等；检测常用算法有Faster R-CNN、 YOLO等；分割常用算法有FCN、Mask RCNN等；图像增强常用算法有BCNet、DSLR、WESPE等；图像生成常用算法有ProGAN、StyleGAN、Diffusion GAN等；字符识别常用算法有ABCNet、Deep TextSpotter、CRNN等。无监督学习主要使用基于重建的方法会应用到Autoencoder、Generative Adversarial Networks等算法。