01
表面划伤与污渍
检测金属、塑料、玻璃、包装表面的划痕、污点、脏污和色差。
返回产品方案
缺陷检测
外观缺陷检测解决方案
结合光学成像、规则算法和深度学习检测，识别划伤、污渍、缺口、变形、异物、毛刺等外观异常。
检测对象
缺陷
划伤、污渍、缺口、异物、变形和毛刺。
算法路线
规则/AI
按缺陷稳定性选择传统算法或深度学习。
验收重点
样本集
正常品、缺陷品和临界样本必须覆盖。
适用场景
适合人工复检成本高、缺陷形态复杂的场景
缺陷检测通常最依赖样本质量和验收口径，需要把可接受缺陷、不可接受缺陷和临界边界定义清楚。
02
缺口与变形
识别边缘缺口、压伤、翘曲、变形、缺料和装配异常。
03
异物与混料
在生产、包装或分拣工位识别异物、混料、错件和漏装。
系统组成
缺陷检测先解决看得见，再解决判得准
不同缺陷对光源、角度、背景和算法路线非常敏感，需要围绕缺陷特征设计成像方案。
01
光学成像方案
使用环形光、条形光、背光、同轴光、低角度光或线扫方案突出缺陷特征。
02
传统算法与深度学习
规则明确的缺陷优先使用可解释算法，复杂纹理和不规则缺陷可引入深度学习。
03
复检与样本管理
保存缺陷图片、类别、位置和复检结果，为后续参数优化和模型迭代提供依据。
技术流程
用样本和验收口径驱动算法路线
缺陷检测不能只看一两张样图，需要围绕产线真实波动建立验证样本集。
01
缺陷定义
明确缺陷类别、大小、位置、可接受范围、误检漏检要求和复检流程。
02
光学实验
通过不同光源、角度、背景和曝光方式，让缺陷稳定出现在图像中。
03
算法验证
比较规则算法、深度学习或混合方案在真实样本上的稳定性。
04
现场迭代
上线后持续收集误检、漏检和临界样本，优化规则或模型。
交付输出
把缺陷边界和复检机制沉淀下来
缺陷类项目上线后仍可能遇到新样本，因此交付时要预留复检、样本补充和迭代机制。
01
缺陷分类与验收口径
明确缺陷类别、尺寸阈值、区域规则和可接受边界。
02
样本库与复核记录
保存正常、异常、误检、漏检和临界样本，支持后续复盘。
03
迭代与维护策略
定义参数调整、模型更新、版本记录和现场问题闭环方式。
常见问题
缺陷检测最需要管理预期
缺陷形态、样本覆盖和验收边界会直接影响项目稳定性。
所有缺陷都能一次性稳定识别吗？
不一定。需要看缺陷是否能稳定成像、样本是否覆盖充分、验收边界是否明确。
什么时候适合用深度学习？
当缺陷形态复杂、传统规则难以描述，且有足够样本时，可以评估深度学习路线。
上线后出现新缺陷怎么办？
建议保留复检和样本补充流程，通过参数优化或模型迭代逐步覆盖新缺陷。