表面缺陷检测：限定范围的 AI 评估

目的与适用边界

建立一个经过配准的参考差分基线，并与已绑定的候选方案对比，同时不要把异常分数或 AI 建议当成已确认的缺陷答案。

本教程给出的是一种工程评估方法，而不是可直接运行的产品认证。Deyi Vision 目前公开的 PC 示例涵盖的是在已确认样品图像上运行的 EAN-13 流程。工程代码中的原生 OCR 与检测处理，使用前必须对照已安装的运行环境、已绑定的模型和任务逐一核对。浏览器模板并不证明可以在浏览器中执行：计划中的 OpenCV.js 后端需要单独验证。云端识别须事先明确批准图像范围、服务商、模型和费用。评审归档包不是可执行的发布包。相机、固件和驱动的兼容性需要另行检查。下文记录表中的所有数值均为假设值，不是 Deyi Vision 的测量结果，也不是客户的实际结果。

准备证据

把合格参考图、配准基准、排除掩膜和缺陷标签，分别放在各自独立版本管理的记录中。确认所选后端确实实现了每一个被请求的节点。先对照约定检查中间输出，再解读最终标志。缺失的区域、格式错误的文本字段、无效的坐标或非有限的数值，都必须保持为明确的失败，而不是默认的合格结果。记录该次运行实际使用的执行后端和依赖项；不要把另一个模板名称相同的后端上的验收结论沿用过来。如果选用了新的模型或预处理版本，要保留先前的版本，并重新运行固定的对比，而不是把不同标识的结果混在一起。要给出尝试的案例总数、其中有多少返回了可用的证据，以及对其余案例作出的判定。这些数量反映的是覆盖范围和失败处理，同样也反映识别质量。表面缺陷检测工位必须能区分材料本身的缺陷与观察条件的变化。划痕、凹坑、油污、纹理和反光都可能引起相似的灰度变化，但需要不同的处置。要按预期的表面加工状态范围准备合格件，并准备缺陷位置和方向均有记录的缺陷样品。选择的基准，在表面状态变化时仍须保持可见。参考图像只有在其位姿和照明与当前工件具有可比性之后才有用。图像差分并不是物理深度测量，检出的区域本身也不能说明缺陷的成因。在收集答案之前，先确定脏污应判为剔除、提出清洁请求，还是列为排除情形。对存在歧义的样品，保存其原始图像，不要臆造干净的参考图或修正过的标签。把工作流看作一连串有明确类型的判定，而不是单个模型给出的一个答案。运行实验之前，先绑定输入标识、区域变换、节点版本、预处理和模型包。把在开发图像上选择参数，与在冻结集上评估区分开来；冻结集的答案没有用于调参。每个案例的基线结果和候选方案结果都要保留，包括执行失败的案例。AI 的建议可以提出修订，但不能确认参考答案、授予数据上传权限，也不能批准投入生产使用。如果服务商调用的回执不明确，应保留请求标识，并先查清该回执，再考虑重发。运行环境是否可用、识别质量和发布批准，是三项相互独立的检查。

操作步骤

1. 相减之前，先用稳定的基准把源图与参考图配准；并在两张图像上检查变换结果。
2. 在阈值化和形态学处理之前，先检查差分图像，以免把配准边缘误认为划痕。
3. 先在开发数据上比较候选方案，然后将其冻结，再对未动过的缺陷件和合格件集合进行评估。
4. 配准缺失、依赖项缺少和无法观察的表面，要归入 Review 或 Error，绝不能给出默认的合格判定。

解读试验结果

在这组假设数据中，10 个缺陷件漏检 2 个，20 个合格件有 1 个被误拒。两个分母都要报告。异常分数不是缺陷概率；未绑定的分割模型或异常检测模型不在这次可执行试验的范围内。

记录表

两个工程视角

故障排查

• 工件轮廓周围出现一圈环形区域，提示的是配准或比例误差，而不是整个表面都有缺陷。
• 能滤除窄划痕的滤波核会让图像外观变好，却同时毁掉了检测证据。

验收与交接

如果候选方案没有表现出实际收益，就保留基线。批准之前，先冻结参考图、变换、掩膜、节点/模型标识和完整的混淆矩阵。

把源图像、预期判定、确切的版本和完整的结果记录放在一起保存。在选定最终参数之前，先冻结评估集。如果这些答案之后又被用于调整流程，就要把该集合标记为开发数据，并另行取得一套新的独立验收集。Review、NoResult、执行错误和采集缺失都要保留在分母中；不要靠滤掉数据行，把它们变成“通过”。把可复现的失败案例与成功样本一并保存。交接材料应写明谁有权更改配方、如何恢复先前已批准的版本，以及在验收之前哪些设备输出仍保持禁止。仅凭软件结果，并不能证明运动中的实物工件已到达正确的目的位置。