缺陷检测是是视觉检测中最常见的需求，也是相对来说最复杂的需求。陷检测工业场景非常分散，特点难以归纳，不管用任何手段去描述缺陷，都不能做到明显可分。比如按照面积、灰度值等绘制其直方图，中间过渡区域永远存在一定量的样本，即缺陷特征处于灰色地带。

工业场景下的缺陷检测现状：

1、缺陷的界限难定，难以对一些轮廓不明显的缺陷做判别；

2、存在缺陷类间差距小，类内差距大的情况；

3、缺陷形态、纹理、位置不固定；

4、对于缺陷分类，高速节拍的需求越来越多

由于缺陷的多样性，缺陷特征不像颜色、面积、圆度、矩形度，角度、长度等等这些容易量化的指标，可以通过传统算法提取出特征形态，并实现较高的检测精度。在复杂的缺陷场景下，很难收集到全部形态的缺陷样本，且部分特征肉眼也难以区分。如下图八个特征中，只有红框标识的缺陷特征（4，6，8）是需要检出的，而且这三种都属于同一种类别的缺陷，这就导致传统算法无法灵活适用，项目优化的成本也高。

某项目缺陷检测缺陷和干扰项对比

传统算法的价值和不足：

1、对低级别的缺陷边缘信息做描述和表征，对成像质量稳定的场景，检出率高，配置简单，且不需要周期迭代，实施周期短。

2、对高级别的缺陷形态（如背景纹理复杂，缺陷异变，相似特征边缘交叉等情况），仅用传统算法难以做到准确的检出和分类

3、即便搭建了针对性的传统算法方案，仍是具有一定程度的误检率，且面对项目风险时，对算法或方案调优需耗费大量资源。

4、如图中的圆查找、匹配模板定位不准的情况，就需要提前对图像做预处理，但不一定适用于所有样本。

深度学习算法的价值和不足：

1、深度学习在描述图像中的高级信息，如多个缺陷特征边缘的交叉，局部缺陷外观的预测等都有着明显的优势，由于卷积核的特征提取方式，对缺陷特征的检出具备尺度不变性，无论缺陷位于区域的哪个位置具备准确识别的可能性。

2、前期需要收集缺陷样本迭代，从Demo到上线的周期较长；

3、端到端的算法，外部无法介入调整，复杂场景且样板不足的情况下，模型难以收敛；

个人思考：

缺陷检测项目的落地，不仅仅是算法的问题，而是整个系统方案的全局考虑，如光学设计，结构设计，软件设计及算法模型等，而且算法层面深度学习和传统算法部不是互斥的两个概念，而是相辅相成。