一、背景知识

自动化技术近年来发展迅猛，工业生产中原本需要人工监控和操作的环节，越来越多地被机器替代。简而言之，自动化不仅显著提升了生产效率，还将工人从重复枯燥的流水线作业中解放出来，使其能够从事更具价值的工作。

产品表面缺陷检测——即在生产线上判断产品表面是否存在瑕疵——在工业制造中至关重要，直接关系到质量控制的成效。借助先进的缺陷检测技术，生产质量与效率均能得到大幅提升。然而，由于设备、工艺等不可控因素，产品表面缺陷种类繁多：织物上可能出现污点、破洞；金属件上则可能表现为划痕、裂纹、凹凸不平等。同一张图像中可能同时存在多种缺陷，且每种缺陷的形态各异，这给自动化表面缺陷检测带来了巨大挑战。

二、传统算法

传统的表面缺陷检测思路较为直接：首先对图像进行预处理，提取易于分析的特征，然后利用统计机器学习方法提取特征，最终完成缺陷检测。预处理通常包括直方图均衡化、滤波去噪、灰度二值化以及再次滤波，目的是将前景与背景清晰分离；后续借助数学形态学、傅里叶变换、Gabor变换等算法，结合机器学习模型，对缺陷进行标记与检测。

传统算法在特定场景下确实能够发挥作用，但其短板也十分明显：预处理步骤繁琐且高度依赖场景，切换场景时需重新调整参数，鲁棒性较差；计算量往往较大，且难以精确检测缺陷的尺寸与形状。相比之下，深度学习通过数据驱动的方式自动学习参数，省去了人工设计复杂流程的麻烦，在鲁棒性和检测精度上均实现了显著提升。

三、深度学习

目前，基于深度学习的表面缺陷检测技术已在金属固件、布匹丝织物、建筑裂纹、钢筋裂纹等领域得到广泛应用，并取得了良好效果。下面结合具体案例，介绍其实现方法。

3.1 裂纹缺陷检测

建筑材料的表面变化，如磁瓦上的裂纹或腐蚀，直接关系到结构安全。传统依靠人工肉眼检查的方式局限性较大。相比之下，采用计算机视觉进行结构损伤检测，既可靠又高效。

本文采用Faster RCNN实现图像的准实时处理。整体架构分为两部分：RPN和Fast RCNN，二者共享同一个CNN网络从图像中提取特征。CNN的主要结构如下表所示。

RPN：候选目标提取

RPN负责生成候选目标，其结构示意图如下。实现流程清晰：输入图像，通过CNN获取特征图；随后，特征图上每个CONV滑动窗口映射为向量，送入Softmax和Regressor层；最终预测出缺陷边界框的坐标。

Fast RCNN：定位与分类

Fast RCNN的任务是对图像中的缺陷位置进行定位和分类。流程如下：从输入图像提取特征图，获取感兴趣区域（ROI）；在ROI池化中，预计算的兴趣区域覆盖在特征图上，提取固定大小的特征向量；随后将该向量输入全连接层，计算边界框位置，并对框内对象进行分类。

3.2 破损缺陷检测

在电气化铁路等工业场景中，存在许多关系安全的关键固件，例如紧固件。这些部件的缺陷检测不容忽视。

研究人员利用深度卷积神经网络（DCNNs），结合SSD、Yolo等网络，构建了一个从粗到细的级联检测网络。整个流程包括固件定位、缺陷检测与分类，具体实现如下图所示。

紧固件提取

采用SSD框架定位图像中的悬臂节点——SSD在速度与精度方面表现优异；随后利用Yolo的快速本地化架构，精确确定紧固件的位置。

固件缺陷检测与分类

基于第二阶段对紧固件的检测结果判断缺陷；再借助DCNN，通过4个卷积层对缺陷进行分类（分类网络结构如下图所示）。

DCNNs具有良好的鲁棒性和自适应性，能够支撑快速检测，因此该方法在紧固件缺陷检测与分类方面具有广阔前景。

3.3 斑点缺陷检测

斑点缺陷检测在纺织、木材、瓷砖等行业十分常见，通常通过纹理一致性来识别异常。近年来，利用深度学习视觉技术进行表面缺陷检测成为研究热点。

有学者提出结合图像金字塔层次结构思想与卷积去噪自编码器网络（CDAE）来检测布匹纹理缺陷。总体结构如下图所示。

训练阶段

图像预处理：光照归一化、高斯金字塔下采样、噪声降噪，以消除光照等因素的干扰；Patch提取：提取图像块用于训练各金字塔层的CDAE网络；模型训练：利用训练图像块的重构残差作为像素级缺陷预测指标；阈值确定：这是区分缺陷点与非缺陷点的关键参数。

模型测试阶段

图像预处理：仅需光照归一化和高斯金字塔下采样；Patch提取：提取图像块用于纹理检测；残差贴图构造：将局部感受野在训练后的模型上滑动，逐像素进行预测；缺陷分割：对每个金字塔层的残差图进行分割；合成：将多个金字塔级别的信息融合，提升缺陷检测的鲁棒性与准确性。

实验与分析表明，充分利用无监督学习和多模态结果融合策略，能够显著提升表面缺陷检测的鲁棒性和准确性。

3.4 划痕缺陷检测

划痕缺陷检测常见于金属产品的表面检测环节。随着人们对产品外观完整性和美观度要求的不断提高，在生产过程中精准检测划痕等缺陷显得尤为重要。

上图为采用的缺陷检测体系结构。下面重点介绍检测模块。

CASAE架构

将两个自动编码器（AE）级联起来。这里的AE结构实际上是FCN框架的迁移应用，由多层卷积、反卷积和跳跃连接组成，结构如下图所示。

阈值模块

这是一个连接在CASAE网络末端的独立模块，用于进一步细化预测掩码的结果。

缺陷区域检测

通过语义分割找出所有可能的缺陷区域，然后利用blob分析提取准确的缺陷轮廓，最后从图像中提取最小的外接矩形区域。

四、总结

结合前沿文献，本文梳理了几种当前主流的表面缺陷检测实现思路。总体而言，基于深度学习的算法能够快速、准确地完成缺陷检测，且适用范围广泛——建筑、金属固件、布匹丝织物等行业均可灵活嵌入，满足不同生产环节的质量检测需求。