工業產品表面缺陷檢測是機器視覺的典型應用場景。傳統規則算法（閾值分割、形態學運算）對缺陷類型固定、背景簡單的場景有效，但在多品種、缺陷形態多變（劃痕、凹坑、色差、異物等）的產線上泛化能力不足。深度學習方法通過數據驅動自動學習缺陷特征，在復雜場景下表現優異，但推理速度和部署成本是產線落地的關鍵瓶頸。

系統設計

系統面向3C產品金屬外殼的6面外觀檢測，檢測項目包括：劃痕（長度0.5到20mm）、凹坑（直徑0.3到5mm）、色差、絲印不良、毛刺、異物。每面由1臺500萬像素工業相機（線掃描加面陣組合）成像，6面共6臺相機并行采集，節拍要求不超過3秒每件（含傳送和翻轉時間）。

光源設計為多角度LED組合照明（0度和30度以及60度和90度同軸），通過PLC時序控制依次點亮采集4組圖像，合成高動態范圍圖，增強不同方向缺陷的對比度。圖像分辨率0.02mm每pixel，覆蓋最小0.5mm缺陷的檢測需求。

模型選擇與訓練

對比YOLOv8系列和Mask R-CNN以及SOLOv2等模型，綜合考量精度和速度，選擇YOLOv8s-Seg作為基線模型。訓練數據：某品牌手機金屬中板的缺陷圖像12000張（含8類缺陷），其中缺陷標注框加實例掩碼。數據增強：隨機旋轉正負15度、亮度抖動正負20%、高斯噪聲sigma等于5、CutMix、Mosaic。訓練超參：SGD，lr等于0.01，cosine decay，300 epochs，輸入640乘640。

訓練結果：mAP50等于94.3%，mAP50-95等于67.8%，每類AP大于90%（色差類最低90.1%，因色差邊界模糊）。模型參數量11.2M，FLOPs 28.6G，RTX 3060推理時間8ms每幀。

模型優化與邊緣部署

產線工控機要求成本小于5000元，GPU選擇Jetson Orin Nano（8GB，40TOPS INT8）。優化路徑：PyTorch到ONNX到TensorRT，三步優化。

1. 通道剪枝：對C2f模塊的中間通道以L1范數為準則剪枝30%，剪枝后mAP下降0.8%，微調10個epoch恢復至mAP93.9%。參數量降至7.8M，FLOPs 18.5G。

2. INT8量化：收集500張校準圖，TensorRT INT8量化后mAP等于92.7%（下降1.2%），推理速度3.2ms每幀（Jetson Orin Nano），滿足6面乘3.2ms等于19.2ms小于3000ms節拍要求。

3. 后處理優化：NMS改為Batch NMS，6面圖像統一batch推理，GPU利用率從45%提升到82%，6面總推理時間從19.2ms降低到15ms。

誤檢控制策略

工業場景中誤檢比漏檢更棘手——誤檢導致良品返工，增加成本。策略：置信度閾值分類設置——嚴重缺陷（凹坑、毛刺）閾值0.3，輕微缺陷（細劃痕、微色差）閾值0.6，可疑區域自動復檢（旋轉10度重新采集）；引入第二級分類器（ResNet18）對YOLO檢出區域做二次確認，誤檢率從4.5%降至0.8%。

產線效果

系統在3條檢測線穩定運行8個月，檢測速度15ms每6面，漏檢率0.3%（月度抽檢統計），誤檢率0.8%，良品誤判返工率從人工的2.1%降至0.5%。替代6名目檢員（3班乘2人），年節省人工成本約72萬元。系統單線硬件成本約4.5萬元（含相機、光源、工控機），投資回收期8個月。累計檢測產品380萬件，零重大漏檢事故。