工业品细分领域的缺陷检测，本质上是把“通用视觉/传感技术”和“行业工艺知识”绑在一起，在不同场景下用不同打法。下面按典型行业拆开说，方便你对照自己所在领域选方案和关键词。

---

一、3C电子：微小+高速+多样

典型缺陷：​

• PCB：线路短路/断路、焊盘氧化、过孔不良

• 屏幕：亮点/暗点、线缺陷、Mura 不均

• 外壳：划痕、磕碰、脏污、装配不到位

常用技术组合：​

• 高分辨率工业相机 + 远心镜头 + 同轴光源

• 算法：传统（边缘检测、模板匹配）+ 深度学习（YOLO/SSD 做多类缺陷，U-Net 做分割）

• 产线节拍快，需要 GPU 推理 + 并行多工位检测

落地难点：​

• 微小缺陷（<0.1mm）对光学系统和标定要求极高

• 新机型/新材料上线，要能快速重训模型、少样本适配

---

二、汽车零部件：金属+橡胶+高反光

典型缺陷：​

• 冲压件：起皱、裂纹、压伤、孔位偏差

• 注塑件：缩水、飞边、熔接痕、气泡

• 表面处理：喷漆流挂、橘皮、色差、划伤

• 装配：漏装、错装、螺丝漏打/浮锁

常用技术组合：​

• 金属件：线阵/面阵相机 + 多角度光源（明场/暗场/偏振）抑制反光

• 软质/黑色件：红外或特殊波段成像 + 3D 结构光测形貌

• 算法：2D+3D 融合，3D 点云查形变/高度异常，2D 查纹理/颜色

落地难点：​

• 高反光曲面（如车灯、轮毂）容易“亮斑淹掉特征”

• 产线环境油泥、粉尘多，镜头与光源要频繁维护

---

三、光伏：大面积+重复纹理+微隐裂

典型缺陷：​

• 电池片：隐裂、断栅、虚焊、黑斑、污染

• 组件：EVA 气泡、背板划伤、接线盒偏移/漏打胶

• 玻璃：结石、气泡、钢化不良

常用技术组合：​

• 电池片：EL（电致发光）成像 + 高灵敏 CCD/CMOS 拍裂纹

• 组件外观：大视野线扫 + 多光谱/偏振，提高与背景衬度

• 算法：大图拼接 + 分块检测，用 CNN 做分类，再用形态学/连通域做精确定位

落地难点：​

• EL 图像对比度低，需要专门的图像增强和降噪

• 隐裂形态多变，标注样本不足，需要迁移学习/半监督方法

---

四、钢铁冶金：高温+连续+粉尘

典型缺陷：​

• 板材：夹杂、裂纹、辊印、氧化铁皮压入

• 卷材：边裂、卷取错位、塔形

• 长材：螺纹钢折叠、划伤、锈蚀

常用技术组合：​

• 热轧/冷轧：高温专用线阵相机 + 水冷/风冷防护 + 近红外/可见光

• 带钢：在线扫描，每米几百张图，用高速 GPU 流水线

• 算法：1D/2D 信号分析 + 轻量 CNN，侧重“实时+误报可控”

落地难点：​

• 环境恶劣，设备要抗高温、防尘、防振动

• 缺陷与工艺强相关，需要结合轧制参数做联合判断

---

五、锂电：极片+隔膜+壳体密封

典型缺陷：​

• 极片：涂布厚度不均、漏涂、颗粒、划痕、褶皱

• 隔膜：针孔、拉伸变形、异物嵌入

• 电芯：壳体焊缝气孔/裂纹、密封圈漏检、极耳焊接不良

常用技术组合：​

• 极片：β射线/激光测厚 + 高分辨面阵视觉查表面缺陷

• 焊接：高速摄像 + 脉冲光源抓飞溅、虚焊、炸点

• 密封：X-ray 查内部异物/焊渣，气密性检测查泄漏率

落地难点：​

• 极片幅宽大（>1m）、速度快，需要多相机拼接

• 缺陷容忍度极低，要求误检率、漏检率都压到 ppm 级

---

六、食品医药：安全+卫生+合规

典型缺陷：​

• 食品：异物（金属、塑料、毛发）、包装破损、封口不严、日期码错误

• 药品：药片缺角/裂纹、胶囊漏粉、泡罩缺粒、标签错印/漏印

常用技术组合：​

• 异物：X-ray + 金属探测 + 视觉多模态融合

• 包装：视觉查印刷缺陷、条码/二维码可读性、封口质量

• 药品：机器视觉 + 字符识别（OCR）+ 数据库比对批号/有效期

落地难点：​

• 卫生要求高，设备要 IP69K 级防护，易清洗

• 法规追溯要求强，检测系统要能留证、可审计

---

七、纺织：纹理+颜色+柔软变形

典型缺陷：​

• 坯布：断经/断纬、油污、破洞、色差、纬斜

• 印花/染色：色差、色斑、图案错位、浆斑

常用技术组合：​

• 坯布：线阵相机 + 均匀背光，检出经纬缺陷

• 印花：面阵相机 + 多角度光源 + 色彩校正

• 算法：纹理分析（GLCM、LBP）+ CNN，兼顾花纹对齐与瑕疵检测

落地难点：​

• 布料柔软易变形，需要张力控制和动态模板匹配

• 纹理本身有规律，容易和缺陷混淆，需要大量负样本训练

---

八、通用技术选型思路（给你一套可直接套用的框架）

做工业品缺陷检测时，可以按下面顺序思考：

1. 先定对象与缺陷类型​

   • 尺寸/形状？表面纹理？内部结构？材质属性（金属/塑料/织物…）？

2. 再选传感器模态​

   • 普通可见光：适用于外观缺陷、印刷、装配

   • 红外/紫外/特殊波段：适用于温度分布、荧光标记、异物区分

   • 3D（结构光/ToF/Lidar）：适用于形变、高度、翘曲、焊膏体积

   • X-ray / 超声：适用于内部空洞、裂纹、异物

3. 决定算法路线​

   • 缺陷种类少、规则清晰：传统 CV（阈值、边缘、形态学）足够，成本低、易部署

   • 缺陷多样、难以描述：深度学习为主（分类 + 检测 + 分割）

   • 样本少：迁移学习 / 小样本学习 / 合成数据增强

4. 考虑工程约束​

   • 节拍：决定是否需要 GPU、并行检测、边缘推理

   • 环境：粉尘、油污、水汽、高温决定防护等级和光源选型

   • 维护：镜头清洁频率、光源寿命、模型定期重训机制

---