缺陷检测的传统方法核心思路是**“把合格品的样子定义清楚任何不一样的地方就是缺陷”**。它不试图“认识缺陷”而是通过一系列数学变换把“异常”从图像中凸显出来。五大经典方法方法一Blob 分析 —— 找“不该有的斑”最基础的方法。通过阈值分割把图像变成黑白然后找连通域。如果合格品上不该有某个亮斑或暗斑那么这个 Blob 就是缺陷。适用脏污、异物、缺料、孔洞。局限只能检测与背景有灰度差异的缺陷对纹理表面的细微划痕无能为力。方法二模板比对 —— 找“和标准不一样的地方”先训练一张合格品的模板检测时把当前图像与模板逐像素相减。差值超过阈值的区域就是缺陷。关键在于必须先定位。用模板匹配找到零件的位置和角度把图像“对齐”到模板坐标系再做减法。否则零件稍微偏移减法结果全是差异。适用印刷品缺陷、包装完整性、装配缺件。局限对光照变化敏感需要非常稳定的成像条件。方法三边缘检测与测量 —— 找“尺寸不对的地方”用卡尺提取边缘拟合直线或圆测量尺寸。如果尺寸超出公差就是缺陷。适用崩边、缺角、尺寸偏差。局限只能检测几何形状的异常对表面瑕疵无效。方法四表面纹理分析 —— 找“纹理不对的地方”金属表面的磨砂纹理、纺织品的编织纹理、纸张的纤维纹理都有一个“正常”的统计特征。用灰度共生矩阵GLCM或局部二值模式LBP提取纹理特征如果某个区域的纹理统计量偏离正常范围就是缺陷。适用金属表面划痕、织物疵点、纸张纹理异常。局限需要大量正常样本建立统计基线参数调试复杂。方法五频域分析 —— 找“频率不对的地方”把图像从空间域变换到频率域傅里叶变换。正常的周期性纹理在频域表现为规则的峰值缺陷会破坏这种周期性在频域表现为异常的频谱分布。适用周期性纹理表面的缺陷检测如网格、阵列、编织物。局限计算量大对非周期性缺陷不敏感。传统方法的共同前提成像质量决定上限所有传统缺陷检测方法都建立在一个前提上缺陷必须在图像中产生足够的灰度差异。如果划痕在图像中只引起 2-3 个灰度级的变化而噪声也有 2-3 个灰度级的波动那么任何算法都无法稳定区分。这不是算法问题是成像问题。解决路径只有一条改进打光。低角度暗场照明能让划痕产生明显的散射光把灰度差异从 3 级提升到 50 级。同轴光能消除金属反光让表面缺陷不被高光淹没。传统方法 vs 深度学习传统方法在工业质检中依然大量使用原因很明确可解释。每一步变换都是透明的。检测失败时你能回看中间图像定位是哪一步出了问题——是阈值设错了还是打光变了还是模板过时了。数据需求低。不需要标注几千张图训练模型调几个参数就能上线。计算量小。CPU 就能跑不需要 GPU部署成本低。换型快。新产品来了改几个阈值和参数就行不需要重新训练。但传统方法有明确的边界当缺陷形态多变、无法用规则描述时如自然材质的纹理缺陷、复杂曲面的不规则瑕疵传统方法就力不从心需要深度学习补位。一句话总结传统缺陷检测的核心是**“定义正常找出异常”**。Blob 找斑模板比对找差异边缘测量找尺寸偏差纹理分析找统计异常频域分析找周期性破坏。所有方法的前提都是缺陷必须在图像中“看得见”。成像方案决定了检测的上限算法只是逼近这个上限。