工业视觉缺陷检测算法总结：从传统到深度学习，5 类核心算法
在工业视觉缺陷检测中，算法选不对会导致开发成本翻倍或误判率飙升。工业场景中没有万能算法，关键是让算法特性匹配缺陷特征：传统算法快、成本低，适合简单缺陷；深度学习擅处理复杂场景，但需数据支撑。本文拆解 5 类核心算法，讲清每类算法的原理、适用场景、优缺点，帮助快速选对不漏判、高效率的算法。
一、先明确：算法选型的核心逻辑——不是选先进，是选适配
工业缺陷检测算法的本质是从图像中提取缺陷特征并判断，选型时无需纠结技术新旧，重点看 3 个维度：
- 缺陷与背景的差异：比如漏涂和背景灰度差大，用简单算法就行；织物破洞藏在纹理里，需深度学习。
- 精度与速度需求：高速流水线（如每秒 500 件）要选快算法（如灰度阈值）；半导体微米级检测要选高精度算法（如深度学习 + 边缘检测）。
- 开发与维护成本：传统算法不用标注数据，深度学习需 1 万 + 张标注图，小项目选前者更划算。
工业中最常用的算法分两大阵营：传统视觉算法（适合简单缺陷，占 70% 场景）和深度学习算法（适合复杂缺陷，占 30% 场景），我们逐一拆解。
二、传统视觉算法：快、省、稳，70% 工业场景够用
传统算法基于人工设计特征，无需数据训练，开发快、成本低，适合缺陷特征明显、背景简单的场景，核心有 4 类：
1. 灰度阈值法：找明暗差，最简单高效
- 原理：用一个灰度值标准把图像分成两部分——缺陷区（灰度低于/高于标准）和背景区（灰度符合标准）。
- 适用场景：缺陷与背景灰度差异大、无复杂纹理的场景：新能源电池极片漏涂、隔膜破洞；包装塑料薄膜污渍；电子玻璃盖板杂质。
- 优点：速度最快（每秒处理 500-1000 张图）、开发成本最低（1-2 天就能调试好）。
- 缺点：对灰度差异小的缺陷无效（如金属表面轻微划痕）、受光照波动影响大。
- 实战案例：检测锂电池极片漏涂——用斜射光源让漏涂区呈暗区（灰度≤80），正常涂层呈亮区（灰度≥150），设阈值 120，低于 120 的区域标记为漏涂，误判率＜0.5%，每秒处理 600 张图，完全适配高速流水线。
2. 边缘检测法：找轮廓差，精准测尺寸
- 原理：提取图像中灰度突变的边缘（缺陷边缘会有明显灰度变化），通过边缘形状、长度、面积判断是否为缺陷。
- 适用场景：有明显边缘的缺陷，尤其需要测量尺寸的场景：汽车冲压件凹陷、轮毂划痕；电子 PCB 板线路毛刺、连接器针脚变形；机械轴承滚道磕碰。
- 优点：能精准定位缺陷边缘，支持尺寸测量（精度达 0.01mm）。
- 缺点：对无明显边缘的缺陷（如色差、污渍）无效、受噪声干扰大（需先去噪）。
- 实战案例：检测汽车发动机缸体凹陷——先对图像去噪，再用 Canny 边缘检测算法提取凹陷边缘，拟合出圆形轮廓，计算直径，若＞0.5mm 则判定不合格，测量误差≤0.02mm，满足汽车行业标准。
3. 模板匹配法：找差异，产品固定优先用
- 原理：先制作合格产品的标准模板，再将待检测图像与模板逐像素对比，差异超过阈值的区域就是缺陷。
- 适用场景：产品形状固定、缺陷位置不固定但特征明确的场景：消费电子手机外壳划痕、平板电脑边框凹陷；半导体芯片封装体裂纹、晶元表面污渍；五金螺丝头部十字槽残缺、螺母螺纹变形。
- ：识别准确率高（误判率＜0.1%）、无需复杂参数调试。
