INDUSTRIAL VISION
工业缺陷检测的关键问题
工业视觉不是把通用视觉模型搬到产线。真实系统同时受到成像条件、缺陷尺度、样本分布、节拍、误报成本和设备接口约束。
1. 成像质量通常先于模型
稳定的相机位置、合适的镜头、可控光源和一致的曝光能够减少大量无效变化。若缺陷在原始图像中不可分辨，单纯增加模型复杂度通常不能解决问题。工业视觉首先应保证目标在图像中“看得见、看得稳”。
2. 小缺陷为何难检测
- 下采样过程中，小目标特征容易消失。
- 缺陷像素占比低，损失函数容易被背景主导。
- 纹理、反光和脏污可能与真实缺陷相似。
- 不同批次、设备和光照造成数据分布变化。
3. 常见改进方向
| 问题 | 可考虑的方法 |
|---|---|
| 目标过小 | 提高输入分辨率、切片检测、保留浅层特征、小目标检测头 |
| 样本不足 | 迁移学习、针对性增强、难样本回流、合成数据辅助 |
| 类别不平衡 | 重采样、类别权重、Focal Loss、按缺陷类型评估 |
| 误报过多 | 改善成像、区域规则、二阶段复核、时序或多视角确认 |
4. 指标必须对应业务代价
漏检会让缺陷品流出，误报会增加人工复核和停线成本。阈值不能只按总体 mAP 决定，应分别观察各缺陷类别的召回率、精确率、误报分布和最差场景表现。
工程闭环：数据采集规范、标注规范、训练评估、现场测试、错误样本回流和版本追踪应形成连续流程。