工业产品表面缺陷检测方法综述：从传统视觉到深度学习

工业产品表面缺陷检测方法综述：从传统视觉到深度学习

1 引言

工业产品的表面质量是衡量制造工艺水平、保障产品可靠性与使用寿命的关键指标。表面缺陷作为材料加工、储存和使用过程中非故意生成的不规则体，不仅影响产品外观，更可能引起应力集中、成为腐蚀起点，最终导致产品性能退化甚至失效。在现代工业制造中，对产品表面缺陷的精准检测已成为质量控制过程中不可或缺的环节，对于确保产品安全、降低售后风险、提升品牌声誉具有至关重要的意义。

表面缺陷种类繁多，特征各异，根据其形态特征可大致分为凹缺陷（如沟槽、砂眼、缩孔）、凸缺陷（如树瘤、疱疤、飞边）、混合表面缺陷（如环形坑、切削残余）以及区域缺陷（如磨蚀、腐蚀、麻点、裂纹）等。这些缺陷的形成机制复杂多样，可能源自原材料不均、加工工艺参数不当、模具设计缺陷或生产环境变化等多种因素。以金属制品为例，其表面缺陷可能包括铸态组织的缩孔 、锻造件的折叠 、焊接件的咬边等多种类型，而这些缺陷的检测与识别一直是工业质量管理中的难点。

传统的工业产品表面缺陷检测主要依赖人工目检 ，即通过专业质检人员在特定光照条件下对产品表面进行视觉检查。这种方法不仅效率低下、劳动强度大，而且受人员经验、主观判断和疲劳程度影响较大，检测的一致性和可靠性难以保证。例如，在新能源汽车电池底座的铝巴缺陷检测中，人工目检存在效率低下 、误检率高，且易受人的主观因素影响等问题。随着制造业向高速化、精密化、智能化方向不断发展，传统检测方法已难以满足现代工业对质量控制的严苛要求。

在此背景下，基于机器视觉 和人工智能 的自动表面缺陷检测技术应运而生，并迅速成为智能制造领域的研究热点。这些技术利用传感器、光学成像和计算机算法，实现对产品表面的快速 、精准 且无损的检测与评估，有效克服了人工检测的诸多局限性。特别是近年来深度学习技术的迅猛发展，极大地推动了表面缺陷检测方法的革新，使其在各种工业场景中得到了广泛应用。

本文旨在系统梳理工业产品表面缺陷检测方法的技术演进，全面分析基于深度学习的表面缺陷检测方法体系，并通过典型应用案例展示其在实践中的价值，同时探讨该领域面临的挑战与未来发展趋势，为相关研究和工业应用提供参考。

2 表面缺陷检测的技术演进

工业产品表面缺陷检测技术的演进经历了从人工检验到自动化、智能化的过程。这一变革主要分为三个阶段：传统图像处理 方法阶段、传统机器学习 方法阶段和深度学习方法阶段。每个阶段的技术发展都显著提升了检测的效率、准确性和适用性。

2.1 传统图像处理方法

传统基于图像处理的缺陷检测方法是机器视觉在工业检测中应用的早期形式。这类方法主要依赖数字图像处理技术 ，如图像增强、边缘检测、阈值分割和形态学操作等，来提取缺陷区域的视觉特征。例如，在铝巴表面缺陷检测系统中，研究者通过Halcon与C#实现混合编程，采用阈值分割 和特征提取的方式，依据正常与缺失铝巴间的差异选择特征向量，进而判断铝巴是否缺失。

这类方法的优势在于原理简单 、计算复杂度低 ，且在特定场景 下检测速度快。然而，它们通常需要人工设计特征提取规则 ，对光照变化、背景干扰和缺陷形态变化非常敏感，适应性较差。当出现新的缺陷类型或产品材质发生变化时，需要重新调整算法参数，限制了其在复杂工业环境中的广泛应用。

2.2 传统机器学习方法

随着机器学习理论的发展，表面缺陷检测进入了基于统计学习 和特征工程的阶段。这一阶段的方法包括支持向量机(SVM)、决策树、随机森林以及主成分分析(PCA)等。与传统图像处理方法相比，机器学习方法能够从样本数据中学习分类模型，而完全依赖人工设计的规则。

这些方法通常首先提取缺陷图像的尺度不变特征变换 (SIFT)、方向梯度直方图 (HOG)或局部二值模式 (LBP)等手工特征，然后利用训练好的分类器对特征进行分类，从而识别缺陷类型。机器学习方法在特定条件下取得了比传统图像处理更好的性能，但仍受限于手工特征的质量 。特征提取过程需要专业领域知识，且提取的特征对不同类型缺陷的区分能力有限，特别是在处理复杂背景、多类型缺陷和细微缺陷时表现不佳。

2.3 深度学习方法

近年来，基于深度学习 的表面缺陷检测方法已成为主流研究方向。深度学习方法通过多层神经网络自动学习数据的层次化特征表示，避免了复杂的手工特征设计过程，在检测准确率、泛化能力和适应性方面均表现出显著优势。

根据学习范式和数据标签的不同，基于深度学习的表面缺陷检测方法可分为全监督学习模型方法 、无监督学习模型方法和介于两者之间的其他方法。全监督方法如Faster R-CNN、YOLO(You Only Look Once)和DeepLab等，需要大量带有精确标注的训练数据，但通常能达到较高的检测精度；无监督方法则针对工业场景中缺陷样本稀少、标注成本高的实际问题，利用正常样本学习正常模式，将偏离该模式的区域识别为缺陷。

表：表面缺陷检测方法的技术演进比较

技术阶段	代表方法	优势	局限性	适用场景
传统图像处理	阈值分割、边缘检测、形态学操作	计算简单、速度快、可解释性强	依赖人工设计规则、适应性差	结构简单、背景可控的缺陷检测
传统机器学习	SVM、决策树、HOG+SVM	优于纯图像处理方法、有一定学习能力	依赖手工特征、特征设计复杂	中等复杂度、缺陷特征明显的场景
深度学习	CNN、YOLO、DeepLab、自编码器	高准确率、自动特征学习、强泛化能力	需要大量标注数据、计算资源要求高	复杂缺陷、高精度要求的大规模生产线

深度学习的兴起推动了表面缺陷检测技术的飞速发展。例如，陶显、侯伟、徐德等人在其综述文章中系统梳理了基于深度学习的表面缺陷检测方法，将其分为全监督学习模型、无监督学习模型和其他方法三大类，并对各种典型方法进行了细化和对比分析。随着工业数据的不断积累和计算能力的提升，深度学习已在多个行业的质量检测中发挥重要作用，成为推动工业智能化转型的关键技术之一。

3 基于深度学习的表面缺陷检测方法

深度学习技术作为人工智能领域的重要突破，已广泛应用于工业表面缺陷检测任务中，并展现出前所未有的性能。基于深度学习的检测方法通过多层次神经网络自动学习缺陷特征的层次化表示，取代了传统方法中复杂且依赖经验的手工特征设计过程。根据学习范式和数据需求的不同，这些方法可分为全监督学习、无监督学习以及轻量化与实时检测方法等几大类。

3.1 全监督检测方法

全监督学习方法是工业界应用最为广泛的深度学习检测方法，其核心在于使用大量标注数据 训练深度神经网络，使其能够从输入图像中直接预测缺陷的位置和类别。这类方法主要包括目标检测 和语义分割两大技术路线。

在目标检测方面，基于YOLO系列算法的方法因其在速度与精度间的优异平衡，受到了广泛关注。YOLO模型采用单阶段检测 策略，将目标检测视为回归问题，直接在网络输出中预测边界框和类别概率，实现了极高的处理速度。例如，在航空航天领域，研究人员基于YOLOv5开发了复合材料蒙皮表面缺陷检测算法，通过对训练数据集进行镜像旋转 、平移 和添加噪声等数据增强方法扩展样本，使系统能够在0.744秒内完成5496像素×3672像素的高分辨率图像检测，且检测精度达到96.35%。该技术已集成到基于机器人的检测平台中，创新性地融合了机械手模块、图像采集模块、激光测距模块和深度学习模块，实现了对各类复合材料蒙皮零件的在线、自动化检测。

在电池制造领域，最新研究提出了基于轻量化YOLOv11架构的实时缺陷检测系统。该研究构建了包含15,312张高分辨率图像(1024×1024像素)的数据集，并针对类不平衡 问题（如泄漏缺陷仅占8.8%的情况），采用了包括马赛克增强 、MixUp 和随机擦除在内的综合数据增强策略。通过系统的模型优化，包括全局通道宽度缩减、深度可分离残差块、轻量级空间金字塔池化和注意力模块的引入，最终模型在保持实时推理能力(9.43毫秒处理时间)的同时，实现了F1分数0.9791和mAP@0.5达到0.9883的高精度检测性能。

在语义分割方面，DeepLab系列模型表现出色，特别适用于需要精确缺陷形状信息的场景。针对钢板表面缺陷检测中存在的边缘分割粗糙、漏检和误检率高等问题，研究者提出了一种引入注意力机制 的多尺度特征融合DeepLabv3+检测方法。该方法在DeepLabv3+网络的解码区中，充分利用多尺度特征信息，对跃层特征融合进行优化，保留浅层特征并对深层特征进行细化的上采样操作，获得更精细的缺陷边缘；在编码区主干网络ResNet101中引入坐标注意力机制，增强特征提取能力，提高分割准确率。通过设计加权Dice损失和二元交叉熵损失结合的优化损失函数，有效缓解了样本不均衡的问题，使改进DeepLabv3+网络的Dice系数和mIoU值分别提高了6.0%和7.92%。

3.2 无监督与弱监督检测方法

尽管全监督方法性能优异，但其依赖大量标注数据的限制在工业实践中构成了重大挑战。缺陷样本稀少、标注成本高且周期长，以及新增缺陷类型难以快速标注等问题，促使无监督和弱监督学习方法的发展。

无监督学习方法主要利用正常样本学习正常模式，将显著偏离该模式的区域识别为缺陷。这类方法通常基于自编码器或生成对抗网络等架构，通过学习输入数据的紧凑表示来实现异常检测。其中，自编码器通过编码器将输入图像映射到潜在空间，再通过解码器重建图像，通过比较原始图像与重建图像的差异来识别缺陷区域------假设模型在仅使用正常样本训练后，无法准确重建未见过的缺陷模式。

弱监督学习方法则通过图像级标签 、点标注 或涂鸦标注等弱监督信息，减少对精细标注的依赖。这些方法利用多实例学习、注意力机制等技术，在只知图像是否包含缺陷而不确知缺陷具体位置的情况下，实现一定精度的缺陷定位。近年来，基于语义知识图谱和深度学习的工业产品表面缺陷分析与开集识别方法也显示出潜力，能够解决机器视觉无法充分识别的由不良设计与制造过程造成的表面质量问题和其他新类型的缺陷问题。

3.3 轻量化与实时检测方法

工业检测场景对算法的推理速度 和资源消耗有着严格的要求，促使了各种轻量级检测模型的发展。这些方法通过在保持精度的同时减少模型复杂度和计算量，使其能够部署在计算资源有限的边缘设备上。

轻量化模型主要采用网络架构优化 、剪枝 、量化 和知识蒸馏等技术实现。例如，在YOLOv11的轻量化设计中，研究者通过全局通道宽度缩减(0.75比例)、C2K深度可分离残差块、SPPF-Lite空间金字塔池化和C2PSA注意力模块等一系列优化，在保持高精度的同时显著提升了推理速度。此外，移除stride-32检测分支、基于幅度的权重剪枝(阈值为1×10⁻²)和混合精度优化(FP32到FP16)等技术也有效降低了模型复杂度和计算需求。

这些轻量化技术的应用使得深度学习模型能够在高速生产线上实现实时检测。例如，优化的YOLOv11n模型理论FPS可达106.1，比标准YOLOv12n模型快48.4%，仅牺牲了0.47个百分点的F1分数，较好地平衡了检测性能和计算效率，满足了工业现场对实时性的严苛要求。

4 工业应用案例研究

基于深度学习的表面缺陷检测技术已在众多工业领域展现出巨大价值，以下通过几个典型应用案例说明其实际实施方式和效果。

4.1 新能源电池缺陷检测

锂离子电池作为新能源汽车的核心部件，其表面质量直接影响电池的安全性和使用寿命。电池箔包装的表面常见缺陷包括泄漏 、针孔 、肿胀 和划痕等多种类型。传统的电池缺陷检测主要依赖人工目检，存在效率低、一致性差的问题。

针对这一挑战，研究者开发了基于YOLOv11轻量级架构的实时视觉检测系统。该系统构建了包含15,312张高分辨率图像的大规模数据集，并针对类别不平衡问题采用了多种数据增强策略。通过系统的模型优化，包括通道宽度缩减、深度可分离卷积、轻量级空间金字塔池化和注意力机制的引入，最终模型在保持高精度的同时实现了实时推理能力，理论FPS达到106.1。这种系统已成功应用于商业生产线，显著提升了电池缺陷检测的效率和准确性，减少了人工成本和质量风险。

4.2 航空航天复合材料检测

随着航空航天材料节能减重的发展趋势，高性能复合材料在飞机蒙皮中得到了广泛应用。然而，复合材料蒙皮零件的表面质量检测长期依赖人工方式，存在检测效率低、精度不稳定的问题。

为解决这一问题，研究团队搭建了基于机器人的自动化检测平台，创新性地集成了机械手模块 、图像采集模块 、激光测距模块 、深度学习模块以及配套的上位机软件。该系统采用基于YOLOv5的检测算法，通过对训练数据集进行镜像旋转、平移和添加噪声等方法扩展样本，有效提升了模型泛化能力。实验证明，该系统能够在0.744秒内完成尺寸为5496像素×3672像素的高分辨率图像检测，且检测精度达到96.35%，满足了航空航天领域对复合材料表面质量的严苛要求。

4.3 钢铁行业缺陷检测

钢板表面缺陷检测一直是工业质量控制的重要环节，针对检测中存在的边缘分割粗糙 、漏检 和误检率高等问题，研究者提出了一种引入注意力机制的多尺度特征融合DeepLabv3+检测方法。

该方法通过优化特征融合策略和引入坐标注意力机制，显著提升了刮痕、凹坑、边缘裂纹与氧化铁皮等缺陷的分割精度。同时，通过设计加权Dice损失和二元交叉熵损失结合的优化损失函数，有效缓解了样本不均衡的问题。实验结果表明，改进DeepLabv3+网络的Dice系数和mIoU值分别提高了6.0%和7.92%，对各类钢板表面缺陷的分割效果提升明显，满足了钢铁行业对缺陷精准检测的需求。

4.4 铝制品缺陷检测

在新能源汽车电池底座的铝巴缺陷检测中，传统人工目检方式效率低下、误检率高，且易受人的主观因素影响。为此，开发了基于Halcon与C#混合编程的机器视觉检测系统。

该系统通过工业相机采集铝巴图像进行相应的阈值分割，采用Halcon算法的图像处理方式，依据正常与缺失铝巴间的差异选择特征向量进行特征提取，进而判断铝巴是否缺失。该系统有效弥补了人工目检方式的不足，提高了检测效率和一致性，促进了产线升级和智能化转型。

表：工业表面缺陷检测典型应用案例比较

应用领域	技术方案	检测缺陷类型	检测性能	技术特点
新能源电池	轻量级YOLOv11	泄漏、针孔、肿胀、划痕	F1分数0.9791，实时推理9.43ms	针对类不平衡的数据增强，多重轻量化设计
航空航天复合材料	YOLOv5+机器人平台	表面裂纹、凹陷、异物等	精度96.35%，0.744s/图像	多模块集成系统，高分辨率图像处理
钢铁行业	改进DeepLabv3+	刮痕、凹坑、边缘裂纹、氧化铁皮	Dice系数提升6.0%	注意力机制，多尺度特征融合，针对样本不均衡的损失函数
铝制品	Halcon+C#混合编程	铝巴缺失、表面瑕疵	高效、误检率低	传统图像处理与现代编程结合，特征提取优化

5 挑战与未来发展趋势

尽管基于深度学习的表面缺陷检测技术已取得显著进展，但在实际工业应用中仍面临诸多挑战。同时，随着技术的不断演进，这一领域也呈现出明确的发展趋势。

5.1 当前面临的挑战

工业表面缺陷检测技术在实际应用中主要面临以下挑战：

• 数据限制与标注成本 ：深度学习模型通常需要大量标注数据进行训练，但工业场景中缺陷样本往往稀少且不平衡。此外，数据标注需要领域专家参与，成本高昂、周期长，成为模型开发的瓶颈。针对罕见缺陷类型的样本不足问题，虽然数据增强技术能在一定程度上缓解，但难以完全模拟真实的缺陷多样性。

• 模型泛化能力 ：在特定环境下训练的检测模型，当应用到不同设备、不同材质或不同成像条件的场景时，性能往往显著下降。这种领域适应性差的问题限制了模型的广泛部署。工业生产中的设备更替、工艺调整和产品换型都可能引起数据分布变化，导致原有模型失效。

• 复杂缺陷检测 ：对于细微缺陷 、低对比度缺陷 以及不规则形状缺陷，现有方法的检测精度仍有待提高。同时，类间差异小、类内差异大的缺陷，以及多种缺陷混合存在的情况，也给准确识别带来了挑战。

• 实时性与计算资源限制 ：工业检测通常需要在高速生产线上实现实时响应，这对模型的计算效率提出了极高要求。然而，高精度模型往往计算复杂度大，与工业现场的有限计算资源形成矛盾。如何在保持精度的同时实现轻量级模型设计，是实际部署中的关键问题。

• 缺陷解释与根源分析 ：现有检测方法大多能识别缺陷的存在，但难以提供关于缺陷成因的深入分析。工业生产更关注如何从缺陷信息反推工艺问题，这需要将视觉缺陷与制造过程参数相关联，目前这方面的研究尚不充分。

5.2 未来发展趋势

面对上述挑战，工业表面缺陷检测技术呈现出多个明显的发展趋势：

• 小样本与无监督学习：为了解决标注数据稀缺的问题，基于小样本学习和无监督学习的方法正受到越来越多关注。这些方法旨在利用大量正常样本和极少量的缺陷样本构建检测模型，降低对标注数据的依赖。例如，通过自编码器、生成对抗网络等技术学习正常样本的特征表示，将偏离正常模式的区域识别为缺陷。

• 跨领域自适应 ：提高模型在不同车间、不同设备、不同产品之间的泛化能力，是未来研究的重要方向。领域自适应技术通过在源领域上训练模型，并使其适应到目标领域，能够有效解决数据分布变化导致的模型性能下降问题。2025年成功立项的"基于语义知识图谱和深度学习的工业产品表面缺陷分析与开集识别方法研究"项目，正是为了解决机器视觉无法充分识别的表面质量问题和新类型缺陷问题。

• 深度融合多模态数据 ：未来的检测系统将不再局限于视觉数据，而是结合热成像 、激光测量 、工艺参数等多源信息，提升检测的可靠性和准确性。例如，航天科技八院802所的研究项目就将语义知识图谱与深度学习相结合，旨在更全面地分析和识别表面缺陷。

• 边缘-云计算协同架构 ：随着边缘计算技术的发展，表面缺陷检测正呈现出边缘轻量化 与云端深度分析相结合的架构趋势。轻量级模型部署在边缘设备负责实时检测，而云端负责模型训练更新、大数据分析和跨工厂知识共享，实现计算资源的优化分配。

• 标准化与系统集成 ：中国将于2025年11月1日实施GB/T 45575-2025标准，规范基于深度学习的工业缺陷检测系统技术要求。这表明表面缺陷检测技术正从研究方法向标准化、产业化应用转变。未来，更加模块化 、集成化的检测系统将成为工业现场的主流选择。

• 缺陷分析与过程控制闭环 ：未来的表面缺陷检测系统将不再局限于质量判别，而是与制造过程形成闭环，通过缺陷特征分析反推工艺参数调整，实现质量预警 与工艺优化的协同。这种一体化解决方案将成为智能制造质量控制系统的重要组成部分。

6 结论

本文系统综述了工业产品表面缺陷检测方法的技术演进、主要深度学习方案、典型应用案例以及未来发展趋势。从传统图像处理到深度学习，表面缺陷检测技术经历了革命性的变化，检测精度、效率和适应性得到了显著提升。

基于深度学习的检测方法，包括全监督学习、无监督学习和轻量化实时检测方法，已成为工业表面缺陷检测的主流技术，在新能源电池、航空航天复合材料、钢铁和铝制品等多个工业领域展现出巨大价值。这些技术不仅解决了传统人工检测效率低、一致性差的问题，还能发现人眼难以识别的细微缺陷，显著提升了产品质量控制的水平。

然而，工业表面缺陷检测技术仍面临数据限制、模型泛化能力不足、复杂缺陷检测精度不高以及实时性与计算资源矛盾等挑战。未来，随着小样本学习、跨领域自适应、多模态数据融合等技术的发展，以及标准化工作的推进和边缘-云计算协同架构的普及，表面缺陷检测技术将更加精准、高效和智能。

表面缺陷检测技术的进步不仅是工业质量控制的革新，更是制造业智能化转型的重要推动力。通过将先进的检测技术与工业实践深度融合，构建从缺陷发现到工艺优化的全链条质量控制系统，将为制造业高质量发展提供坚实保障。随着越来越多如GB/T 45575-2025这样的技术标准实施，基于深度学习的表面缺陷检测将在规范化道路上更好地服务于工业现场，推动智能制造迈向新高度。