外观缺陷检测

外观缺陷检测技术：方法、应用与标准体系

摘要：外观缺陷检测是工业生产中质量控制的关键环节，旨在通过自动化或半自动化手段识别产品表面的各类瑕疵，确保产品符合美学、功能和可靠性要求。随着机器视觉、深度学习等技术的进步，检测的精度、速度和适应性得到显著提升。轮廓的连续性、平滑度来检测划痕、崩边、毛刺等几何缺陷。

• 纹理分析法：通过灰度共生矩阵（GLCM）、Gabor滤波等方法量化纹理特征，有效检测织物纹理异常、皮革疤痕、金属表面粗糙度不均等。

• 傅里叶变换与频域分析：将图像转换至频域，周期性缺陷（如波纹、条纹）会呈现特定的频率特征，便于识别。

• 模板匹配与差分法：将标准无缺陷图像作为模板，与待检图像进行像素级或特征级比对，差异区域即可能为缺陷。对位置和光照变化敏感。

1.2 基于深度学习的方法
此类方法通过数据驱动自动学习缺陷特征，对复杂、多变缺陷的检测能力更强。

• 基于分类的网络：将整张图像或图像块输入卷积神经网络（CNN），输出有无缺陷或缺陷类别的判断。适用于缺陷区域明显的场景。

• 目标检测网络：如Faster R-CNN、YOLO系列，可定位并识别出图像中多个缺陷的位置及类别，适用于多缺陷、分散型检测。

• 语义分割网络：如U-Net、DeepLab，对图像进行像素级分类，精确勾勒出缺陷的轮廓和形状，适用于需要精细评估缺陷面积的场景。

• 生成对抗网络与异常检测：利用GAN等生成仅含正常样本的特征空间，将偏离该空间的样本判为异常。适用于缺陷样本稀少、难以收集全所有缺陷类型的场景。

1.3 多光谱与3D检测方法

• 多光谱/高光谱成像：获取物体在多个窄波段的光谱信息，利用缺陷与基材在不同波段的反射/吸收特性差异进行检测，特别适用于颜色相近但材质不同的异物、油污等检测。

• 3D轮廓测量：采用激光三角测量、结构光或立体视觉技术，获取物体表面的高度信息。可精确检测凹陷、凸起、高度差、平面度、装配间隙等与几何形状相关的缺陷，对颜色和纹理变化不敏感。

二、 检测范围与应用领域

外观缺陷检测已渗透到几乎所有制造业领域。

• 消费电子与半导体：检测手机外壳划痕、凹坑、涂层不均；PCB板上的焊点缺陷、线路短路/断路、污染物；芯片封装中的裂纹、翘曲、标记不清等。要求极高精度（微米级）和速度。

• 汽车制造：检测车身漆面杂质、橘皮、流痕；零部件（如齿轮、活塞）的加工纹路、锈蚀、缺料；内饰件的缝合线质量、皮革瑕疵等。

• 金属加工与机械：检测钢板、铝箔等金属材料的表面划伤、孔洞、辊印、氧化斑；轴承、刀具等工件的磨损、崩刃。

• 纺织与服装：检测布料上的断经、断纬、污渍、色差、纬斜；成衣的线头、破洞、印花错位等。

• 食品与包装：检测水果表皮损伤、霉变；罐头封口完整性；药品泡罩包装的缺粒、破损；包装盒印刷错误、脏污、条形码质量等。

• 光伏与新能源：检测太阳能电池片的隐裂、断栅、颜色不均；电池极片的涂覆缺陷、毛刺等。

三、 检测标准与规范

外观缺陷检测需遵循相关行业及国家标准，部分国际标准亦被广泛引用。

• 国内标准：

  • GB/T 34370-2017《机器视觉系统通用要求》：规定了机器视觉系统的性能、接口、环境适应性等通用技术要求。

  • GB/T 26111-2010《表面瑕疵检测系统通用规范》：定义了表面瑕疵检测系统的术语、组成、功能要求和测试方法。

  • 行业标准：如SJ/T 11699-2018《液晶显示面板外观缺陷在线测试方法》、QB/T 4838-2015《聚酯（PET）瓶坯外观缺陷检测》 等，针对特定产品提出了详细的缺陷分类、检测条件和判定准则。

• 国际与国外标准：

  • ISO/TS 23165:2006《产品几何技术规范（GPS）— 表面缺陷检测指南》：提供了表面缺陷分类、检测方法和报告的一般指导。

  • ASTM E2732-18《使用成像系统检测无缝钢管表面缺陷的标准指南》：特定材料领域的检测标准。

  • VDA 6.3（德国汽车工业联合会过程审核标准）：虽为过程审核，但其对产品外观质量的控制要求深刻影响了汽车行业的外观检测实践。

四、 主要检测仪器与设备

一套完整的外观缺陷检测系统通常由成像单元、处理单元和执行单元构成。

• 成像硬件：

  • 工业相机：根据检测速度和精度要求，选用线阵或面阵CMOS/CCD相机。高速检测常用线阵相机，高分辨率需求则选用高像素面阵相机。

  • 工业镜头：选择依据包括视场、工作距离、分辨率。远心镜头可消除透视误差，适合高精度尺寸测量。

  • 照明系统：是决定成像质量的关键。常用类型包括：环形光（提供均匀照明）、同轴光（突出表面平整度差异）、背光（用于轮廓测量）、穹顶光（消除表面反光）、结构光（用于3D成像）。光源颜色（白光、红光、蓝光等）也需根据被测物特性选择。

• 处理单元：

  • 工业计算机与图像采集卡：负责图像的高速采集、存储与处理运算。通常配备高性能CPU、GPU（用于加速深度学习推理）和稳定的图像采集接口（如Camera Link, CoaXPress）。

  • 图像处理与分析软件：核心是算法库。传统系统集成了滤波、形态学、 blob分析、几何测量等算子。现代系统则集成深度学习框架（如TensorRT, OpenVINO），提供模型训练、部署和推理环境。

• 辅助与执行设备：

  • 传感器：光电传感器、编码器等用于触发图像采集，实现与生产线节拍的同步。

  • 运动控制平台：用于精密定位，使相机能扫描待检物体全部区域。

  • 分选机构：机械手、气缸推杆、吹气阀等，根据检测结果自动剔除不合格品。

• 专用检测仪器：

  • 三维表面轮廓仪：基于白光干涉或共聚焦原理，实现纳米级精度的表面形貌和粗糙度测量。

  • 自动光学检测设备：高度集成的专业检测设备，常用于PCB、半导体、显示屏等行业，集成了高速高精成像、多角度光源和专用算法软件。

结论
外观缺陷检测技术正朝着高精度、高速度、智能化和柔性化的方向持续演进。传统算法与深度学习技术的融合，2D与3D视觉的互补，多光谱信息的加入，使得检测系统能够应对更加复杂、微妙的缺陷挑战。标准体系的完善为技术应用提供了规范和依据，而核心成像器件与计算硬件的进步则为技术落地提供了坚实支撑。未来，随着工业物联网和数字孪生的发展，外观检测数据将进一步融入全生命周期质量管理，成为智能制造不可或缺的感知中枢。