内容摘要
缺陷检测项目的成败，通常取决于样本覆盖、成像稳定性和验收指标是否在立项阶段被讲清楚。
样本评估
需要覆盖正常样本、边界样本、典型缺陷和少量难例，避免只用理想图片判断模型效果。
正常样本和异常样本比例
缺陷尺寸、位置、形态变化
材料反光和背景干扰
不同批次、不同工况样本
光源与成像
光源、镜头和相机参数应先保证缺陷在图像中稳定可见，再进入算法开发。
漫反射、同轴、背光等光源方案
视野、分辨率和景深评估
触发方式与运动模糊控制
曝光、增益和安装角度固定
算法路线
规则算法、传统视觉和深度学习可以组合使用，路线选择应服务于缺陷形态和验收要求。
尺寸测量和边缘检测
分类、检测或分割模型
缺陷置信度与阈值策略
人工复核与持续迭代机制
验收指标
建议将误检率、漏检率、节拍、稳定性和可解释记录写入验收边界。
按缺陷类型统计准确率
按批量样本计算误检漏检
单件检测耗时和产线节拍
异常图片留存和追溯
常见问题
样本少能不能做缺陷检测？
可以先做可行性验证，但正式项目需要持续补充真实样本，否则模型泛化能力会不足。
视觉缺陷检测一定要用深度学习吗？
不一定。形态明确、规则稳定的缺陷可用传统视觉；复杂纹理和多形态缺陷更适合深度学习。