高反光工件的外观检测为什么打光比算法更重要先说一个我实际踩过的坑。有次客户送来一批拉丝铝合金外壳要求检测表面划痕、凹坑和脏污。我按常规思路上了高亮条形光加面阵相机结果采出来的图差点让我怀疑人生——整片白茫茫全是镜面反射的高光划痕被完全淹没。动态范围拉到顶也没救回来后来才知道高反光工件的机器视觉检测第一战场根本不在算法而在成像方案。这类工件在工业生产里非常常见抛光金属、镜面不锈钢、镀膜玻璃、陶瓷釉面、阳极氧化铝壳……它们共同的特点是表面以镜面反射为主对光线极其敏感。业内做视觉检测的都知道高反光工件一直是公认的“老大难”难到很多项目报价直接翻倍难到不少工程师一听到“镜面件”就头疼。这篇文章就围绕基于机器视觉的高反光工件外观瑕疵检测完整拆解一遍我这些年攒下来的经验为什么这类工件难检测、打光方案怎么选、图像预处理怎么做、传统视觉和深度学习两条路线怎么取舍以及实际项目里最容易翻车的几个隐蔽环节。如果你是正在做工业视觉项目的工程师或者刚走上机器视觉学习路线、被高反光样品折磨过的新手这篇应该能帮你少走不少弯路。1. 为什么高反光工件会成为视觉检测的“老大难”1.1 物理层面的困境镜面反射不是均匀散射要理解高反光工件为什么难检测先得从光的反射性质说起。大多数常规工件比如喷砂面、磨砂塑料、哑光漆面近似于“朗伯体”——光线打到表面上会向各个方向均匀散射相机的成像角度不影响灰度分布怎么拍都稳定。而高反光工件恰恰相反表面是镜面主导光线反射方向高度集中。按反射定律入射光角度一变反射光角度跟着变只有恰好落在反射方向上的相机才能接收到强光偏一点点可能就是一片死黑。这就带来了一个极端现象图像动态范围极大亮的地方溢成一片白暗的地方细节全无。普通8bit相机256个灰度级根本装不下这种对比度稍不留神就过曝或者欠曝。拉丝铝件尤其明显拉丝纹理本身就会把光线沿纹理方向“拖”开形成一条条亮线初次上手的人经常以为那是缺陷其实人家是正常的表面纹理。1.2 缺陷对比度不足划痕被强背景“吃”掉表面有一条细微划痕时它其实破坏了镜面结构把定向反射变成了散射——理论上划痕区域会比周围的镜面区暗。但问题在于周围背景的镜面反射光太强了划痕区相对背景的灰度差可能只有几个到十几个灰度级再叠加相机传感器噪声、环境杂散光、光源波动这点差异就被淹没了。反过来看凹坑、麻点这类缺陷在某些照明角度下它们反而可能把光反射进相机形成亮斑与暗背景形成高对比。同样是缺陷一个偏暗、一个偏亮算法侧就很难用一套固定参数同时抓住两类目标。我曾经见过一个团队用固定阈值检测不锈钢镜面划痕设定为“暗目标”结果凹坑缺陷全漏了因为凹坑在这个打光角度下是白点压根不在阈值范围内。1.3 曲率和立体结构让光路更混乱很多高反光工件根本就不是平面。手机中框带R角、卫浴龙头是弧面、螺栓有螺纹、金属壳体有台阶和凹槽——表面曲率一变反射方向跟着变。同一个光源打上去图像上会同时出现高光斑块、阴影区、渐变过渡带三种状态看起来像抹了层不均匀的油。再加上车间环境光的干扰——顶灯、窗户、操作员浅色衣服都会在镜面上反射出“伪缺陷”。这些伪缺陷在某些角度下和真实缺陷长得几乎一样传统算法很容易把高光边缘当成缺陷报警或者把真实缺陷放在暗区里漏检。有朋友会问既然这么复杂直接上深度学习端到端识别行不行实话实说不行。深度学习同样依赖稳定的成像质量。打光不稳定模型在训练时学到的全是光照伪影和反射变化而不是真正的缺陷特征。后面我会具体展开为什么。2. 打光方案是成败关键四种主流照明结构实测对比机器视觉圈子里有句话叫“灯光打好了项目就成功了一半”。对高反光工件来说打光不是成功一半而是决定性因素。下面是我实际测过、也在多个项目里落地过的四种方案各有适用场景也有各自的短板。2.1 低角度环形光暗场成像思路专治划痕原理上既然镜面反射是定向的那我们就让光源以非常低的角度照射工件表面保证背景的镜面反射光线不会进入相机镜头。而划痕、发丝纹这类区域破坏了镜面产生漫散射散射光恰好有分量进入镜头。于是呈现出来的图像是背景暗缺陷亮。这就是典型的暗场成像。实测下来低角度环形光在检测拉丝表面、透明薄膜、抛光金属上的浅划痕时效果非常出色。光源角度一般控制在10°到20°之间太高了会失去暗场效果太低了光线覆盖面又不够。这种方案对安装距离也敏感工作距离通常控制在20mm到80mm之间比较稳。2.2 同轴光源把镜面工件变成“自画像”同轴光源内部有一块半透半反镜光线从侧面进入后经过反射镜垂直打在工件表面再从原光路返回进入相机。对于平面镜面工件垂直的区域是亮的一旦有倾斜、凹陷、凸起等破坏垂直反射的区域反射光偏离原光路图像上就表现为暗色。所以同轴光源对平面镜面、镀膜玻璃、晶圆这类平整工件非常友好缺陷在图像上呈现为干净利落的暗块对比度高、边缘清晰。但它对弧面件就帮不上忙了——曲面上每个点的法线方向都在变图像会出现明显的渐变暗边容易造成误检。所以选同轴光源前先确认工件表面够不够“平”。2.3 球积分光源穹顶光暴力均匀适合强曲面球积分光源也叫穹顶光形状是一个半球形腔体光源安装在腔体内部光线在腔内经过多次反射后形成均匀漫射从各个角度照射工件。它的最大优点是均匀——不管你工件什么形状、什么姿态反光都相对柔和不会出现刺眼的亮斑曲面过渡也平滑。缺点是牺牲了对缺陷取向的敏感性。光线来自四面八方浅划痕的微小方向性差异会被均匀光照“抹平”细微缺陷容易看不清。所以穹顶光适合检测脏污、大块压伤、明显凹坑这类“大目标”不适合精细浅划痕。2.4 偏振光成像最被低估的方案偏振光方案是我个人最偏爱的一种。做法是在光源前面加一片偏振片起偏器在相机镜头前再加一片偏振片检偏器两片偏振方向互相垂直。原理是这样的当光线照射到光滑表面发生镜面反射时反射光会保持偏振状态而经过漫反射的光比如缺陷处的散射偏振方向会改变。正交的检偏器会把镜面反射光滤掉同时保留漫反射光。结果就是——背景反光被压制缺陷反而被保留图像干净得不像话。这招对金属抛光面、玻璃面上的浅划痕和脏污效果简直立竿见影。我自己做铝合金镜面件时加一组偏振片比改半天算法效果都明显。它的不足是光能损失大经过两片偏振片后到达传感器的光量可能只有原来的十分之一对相机灵敏度要求高需要更长的曝光时间选相机时优先考虑高灵敏度的机型。2.5 选型对照表别迷信单一方案照明方案适用工件最适合的缺陷主要风险实测表现低角度环形光平面为主、拉丝面浅划痕、发丝纹对弧面覆盖不足背景暗、缺陷亮对比度很高同轴光源平整镜面、镀膜件凹坑、压伤、脏污弧面渐变暗边严重缺陷呈暗块边缘锐利球积分光源强曲面、复杂外形脏污、大块损伤细微浅划痕易丢失图像均匀但细节表现一般偏振光成像金属抛光、玻璃、镜面浅划痕、脏污、残胶光能损失大、曝光变长背景干净缺陷保留非常推荐另外一个实用思路是双光源融合一个工位用低角度环形光抓划痕另一个工位用同轴光或偏振光抓凹坑脏污两个相机采集结果合并处理。高反光工件往往不是单一缺陷类型双工位方案比试图用一套光打天下要稳得多。3. 图像预处理策略压制反光不等于压制缺陷打光方案定下来之后图像质量已经有了质变但远没到能直接跑算法的程度。高反光图像依然存在光照不均、局部过曝、噪声偏多等问题预处理环节不能马虎。3.1 宽动态采集是地基先说最基础也最关键的一点尽可能在采集端解决问题。如果预算允许优先选择12bit或更高位深的宽动态相机。8bit相机只有256个灰度级高反光图像很容易在高光和暗部之间顾此失彼。12bit相机有4096个灰度级高光区域不容易饱和暗部细节也保得住。算法能处理的信息上限取决于图像采集时保留了多宽的动态范围事后再怎么拉对比度都弥补不了采集端丢失的信息。如果预算有限也可以考虑多曝光合成分别用短曝光采高光区细节、长曝光采暗部细节然后在软件里做HDR融合。这个方法效果不错但会增加节拍时间不适合高速产线。3.2 背景光照补偿去掉“不均匀的油”高反光图像即使用了穹顶光也难免有亮度不均。处理方法是用大尺度高斯滤波或形态学开运算估计背景光照图然后把原图除以背景图得到光照补偿后的均匀图。公式上就是I_comp I / I_bg * 均值实际操作中效果很直观背景变得平滑缺陷相对特征被放大。需要注意高斯核尺寸要选得足够大一般是缺陷尺寸的5到10倍。核太小会把缺陷本身当成背景抹掉核太大又估计不出光照变化趋势。这个参数我一般先根据工件尺寸估算再用几张图做网格搜索微调。3.3 过曝区域要用mask隔离别让它捣乱高反光图像上总有那么几块过曝区灰度值饱和在255细节信息彻底丢失。很多项目在这里翻车——把过曝区域的边缘当成缺陷或者让过曝区的高灰度值干扰全局阈值计算。我的做法是在预处理阶段就生成高光mask把灰度值高于某个阈值比如245的像素标记为“失效区域”。后续所有基于亮度阈值的判断在mask区域内一律跳过只允许基于纹理或频域特征的判断在这些区域执行如果缺陷恰好只存在于过曝区那就该考虑调整打光方案了别硬撑着用算法解决。3.4 方向性增强与形态学提取针对不同缺陷类型预处理要“对症下药”方向性划痕用Gabor滤波器在特定方向增强。比如拉丝纹沿0°方向那就用角度匹配的Gabor核把沿这个方向的线状特征加强同时抑制其他方向纹理。点状缺陷用Tophat变换白帽/黑帽提取。白帽变换提取暗背景上的亮点黑帽变换提取亮背景上的暗点对凹坑、麻点、脏污这类局部突变很有效。频域滤噪光晕属于低频成分传感器噪声属于高频成分缺陷通常落在中频段。用带通滤波把高低频同时去掉缺陷相对就凸显出来了。有一个必须反复强调的原则越早、越坚决地在成像和预处理环节压制反光算法端就越省事。如果预处理做完以后图像还是“花”的先回成像环节找问题不要指望算法是万能的。4. 缺陷检测的两条技术路线传统视觉与深度学习的取舍预处理做完正式进入缺陷提取和判定的环节。高反光工件项目里设备选型和方案设计时最纠结的问题就是用传统视觉还是深度学习我给出的判断标准很简单——工件缺陷类型能不能枚举。4.1 传统视觉路线缺陷类型明确时的稳定解如果缺陷种类清晰划痕、凹坑、脏污并且形状、灰度、面积范围相对稳定传统图像处理完全够用。它的优势是判定逻辑透明、可解释强、速度快、调参直接对产线工程师来说非常友好。工程实现上可以用OpenCV手写流程也可以用LabVIEW这类成熟的机器视觉环境。LabVIEW在工业视觉检测里使用非常广泛它的视觉开发模块集成了大量现成算子从图像采集、标定到模式匹配、缺陷检测都有封装适合快速搭建检测流程。我之前在一个汽车零部件项目里就是用LabVIEW搭的检测逻辑部署和联调都很顺畅产线工人现场培训成本也低。典型的传统视觉判定流程是预处理 → 高光mask隔离 → 缺陷增强 → 自适应阈值分割 → 连通域分析 → 特征过滤 → 判定。这一步的关键在于阈值分割不是一刀切一个阈值最好按图像分区分块计算自适应阈值因为高反光图像不同区域的背景灰度差异本来就很大。4.2 深度学习路线缺陷不可枚举时的“异常检测”高反光工件的痛点在于缺陷类型往往比想象中多。划痕有长短粗细深浅凹坑有大小形态明暗脏污有透明半透明不透明……如果客户自己也说不清楚到底要检出哪些缺陷那你很难靠人工特征穷举。这时候可以考虑深度学习。但注意我强烈不建议一上来就做分类或目标检测因为高反光图像的第一难点是光照扰动标注数据时很容易把光照伪影标成缺陷模型学到的是光照变化而不是真实缺陷。更稳妥的思路是无监督或半监督异常检测只用良品图训练让模型学习“正常表面”的分布推理时计算重建误差或特征距离偏离正常分布的区域就判定为异常。这样绕开了缺陷标注不稳定的问题对高反光表面的适应能力也更强。实测下来基于特征嵌入的异常检测思路在金属表面项目上效果比直接训练分类网络好不少。4.3 判定参数里的隐性细节忽略点数的设置二值化、连通域分析之后很多人习惯性把有连通区域的都判为NG这在大批量生产里是个大坑。良品表面也有微尘、夹具压痕、轻微抛光不均匀它们形成的连通域虽然存在但面积小、形状不规则、灰度差异深度不够。大多数成熟视觉软件里都有一个很实用的参数——忽略点数意思是小于指定像素数的连通域直接忽略不计。这个参数在高反光工件项目里特别关键。建议从3到5个像素开始调然后结合最小面积、长宽比、延伸率一起做过滤判断能显著降低过杀率。我经历过的实际情况是忽略点数设成0过杀率高达40%产线叫苦不迭调到5过杀率降到5%左右真实缺陷一个没漏。但这块不能照搬别人参数因为工件表面纹理、相机分辨率都会影响等效尺寸每次换工件样本都要重新标定一遍。5. 实际项目中的“坑位图”从环境光到参数漂移做高反光工件检测这几年吃过最多的亏不是算法选型而是那些容易被忽视的现场细节。下面这几条全是真金白银换来的教训。5.1 车间环境光是最大的隐形杀手很多项目在实验室调试时一切正常一上产线就误报频出。原因往往是车间顶灯、窗户、操作台照明在工件镜面上形成了反光这些反光在图像上形成一块块亮斑或虚影形态和真实缺陷高度相似。应对方法一是给检测工位加遮光罩把外部环境光隔离开二是在采图之前先采集一张没有光源照明的环境光背景图用当前图像减去背景图把环境光的贡献抠掉。这个“背景减除”操作看起来简单实际效果非常明显很多误报就是加这一步解决的。5.2 机械定位精度直接影响成像稳定高反光工件对打光角度的敏感性远超普通工件。工件在夹具上偏移哪怕0.5毫米反射角度就变了同一个缺陷可能从暗目标变成亮目标甚至完全消失在视野里。所以做这类项目的视觉部分之前一定要先确认机械定位和夹持的精度。如果工件在传送带上运动尽量加装止挡机构或到位检测传感器确保每次采图时工件停在同一个位置、同一姿态。我在一个项目里就是因为定位不准漏检率忽高忽低折腾了两周才发现是机械问题而不是算法问题。5.3 批次变化导致的参数漂移拉丝铝、阳极氧化件的表面状态每批次都会有细微差异。批次A的灰度分布可能整体偏亮批次B可能偏暗。同一套阈值参数A批次过杀率2%B批次可能飙升到20%——这不是算法写错而是参数没有自适应能力。解决思路是加一个“良品采样刷新”机制每隔若干件用确认过的良品图刷新背景模型自动重新计算阈值偏移量。听起来不复杂但很多项目没做这一层导致现场工程师只能频繁手动调参苦不堪言。5.4 高光工件的标定和光路校准要更仔细普通工件调光看平均灰度、看对比度差不多就行了。高反光工件不行还要关注图像边缘锐度是否一致、不同区域的过曝范围是否可控。我习惯用标准平面镜或棋盘格做光路校准观察各视场位置的清晰度变化确保照明结构没有让某些区域“发虚”。另外调光时保存中间图像是一个好习惯——把每次调整光源角度、偏振方向时的成像结果都留档方便追溯问题和对比优化效果。这个习惯让我在后续排查问题时省了很多时间。6. 一个项目实录铝合金壳体检测流程与指标前面讲了很多方法论最后用一个我实际参与的项目把整个流程串起来方便真正要动手的读者对照落地。6.1 需求定义与初步判断项目对象是某款铝合金外壳工件表面为拉丝加局部抛光属于典型的高反光件。需要检测的缺陷包括划痕长度大于0.5mm、宽度大于0.05mm、凹坑直径大于0.3mm、脏污面积大于0.1mm²。产线节拍要求每件3秒以内交付时漏检率要求低于2%过杀率要求低于8%。6.2 成像方案搭建考虑到工件有拉丝面也有抛光区单一光源搞定不现实我采用了双工位双相机方案工位一低角度环形光角度约15°抓拉丝面上的浅划痕工位二偏振光成像正交偏振片抓抛光区的凹坑和脏污相机选12bit面阵CMOS分辨率根据最小缺陷尺寸按“缺陷至少覆盖3×3像素”的原则反算实际选了500万像素级别整个检测工位加遮光罩隔绝车间环境光。选12bit相机算账很简单最小缺陷0.3mm要覆盖3个像素单像素物理尺寸就得做到0.1mm以内配合镜头视场和分辨率规格反算下来500万像素方案在成本和精度上正好平衡。6.3 算法流程串联每个工位的图像走统一的处理管线采集原始图扣除环境光背景高光mask生成标记饱和区域背景光照估计与补偿消除不均匀性按缺陷类型做增强——划痕用Gabor方向滤波凹坑脏污用Tophat变换自适应阈值分割连通域分析特征过滤面积、长宽比、延伸率配合忽略点数参数双工位结果联合判定任一工位检出缺陷即判NG。整套流程在工控机上用LabVIEW的视觉模块加OpenCV混合实现单件处理耗时约1.2秒节拍余量充足。6.4 初版结果与迭代过程初版上线时漏检率达标1.3%但过杀率到了11.3%超标了。排查发现主要问题集中在工件R角过渡区——曲面渐变导致高光mask边缘抖动把过渡带折射光当成了缺陷。后续两轮迭代解决了问题第一轮把高光mask的形态学闭运算核从3×3放大到7×7抑制边缘抖动第二轮在R角区域改用纹理特征判断不再依赖灰度阈值。最终过杀率压到4.6%漏检率维持1.1%满足交付指标。这个项目让我印象最深的不是最终指标而是整个过程中算法微调的成功率并不高——真正拉开差距的是成像方案搭得够不够稳、预处理把坑填得够不够干净。高反光工件的检测从来不是一个算法包打天下而是一场从光源、镜头、相机、机械定位到软件判定的系统工程。老实话高反光工件检测没有一劳永逸的万能参数每次换工件、换批次甚至换产线环境都得重新微调。但方法论是通用的先解决成像稳定性再做算法先压制反光再谈增强缺陷先用规则把坑填掉再用深度学习补漏。最后分享一个小技巧不要吝啬保存图像样本。每次调试、每次误报、每次漏检都把原始图和中间处理结果留档按时间、批次、参数版本归档。积累到几百张图以后你会发现排查问题不再是“猜原因”而是直接翻记录对比。这套带样本留档的习惯比我上面写的任何一个细节都更能让高反光检测项目长期稳定运行。 高反光工件外观检测：为什么打光方案比算法更关键？
高反光工件的外观检测为什么打光比算法更重要先说一个我实际踩过的坑。有次客户送来一批拉丝铝合金外壳要求检测表面划痕、凹坑和脏污。我按常规思路上了高亮条形光加面阵相机结果采出来的图差点让我怀疑人生——整片白茫茫全是镜面反射的高光划痕被完全淹没。动态范围拉到顶也没救回来后来才知道高反光工件的机器视觉检测第一战场根本不在算法而在成像方案。这类工件在工业生产里非常常见抛光金属、镜面不锈钢、镀膜玻璃、陶瓷釉面、阳极氧化铝壳……它们共同的特点是表面以镜面反射为主对光线极其敏感。业内做视觉检测的都知道高反光工件一直是公认的“老大难”难到很多项目报价直接翻倍难到不少工程师一听到“镜面件”就头疼。这篇文章就围绕基于机器视觉的高反光工件外观瑕疵检测完整拆解一遍我这些年攒下来的经验为什么这类工件难检测、打光方案怎么选、图像预处理怎么做、传统视觉和深度学习两条路线怎么取舍以及实际项目里最容易翻车的几个隐蔽环节。如果你是正在做工业视觉项目的工程师或者刚走上机器视觉学习路线、被高反光样品折磨过的新手这篇应该能帮你少走不少弯路。1. 为什么高反光工件会成为视觉检测的“老大难”1.1 物理层面的困境镜面反射不是均匀散射要理解高反光工件为什么难检测先得从光的反射性质说起。大多数常规工件比如喷砂面、磨砂塑料、哑光漆面近似于“朗伯体”——光线打到表面上会向各个方向均匀散射相机的成像角度不影响灰度分布怎么拍都稳定。而高反光工件恰恰相反表面是镜面主导光线反射方向高度集中。按反射定律入射光角度一变反射光角度跟着变只有恰好落在反射方向上的相机才能接收到强光偏一点点可能就是一片死黑。这就带来了一个极端现象图像动态范围极大亮的地方溢成一片白暗的地方细节全无。普通8bit相机256个灰度级根本装不下这种对比度稍不留神就过曝或者欠曝。拉丝铝件尤其明显拉丝纹理本身就会把光线沿纹理方向“拖”开形成一条条亮线初次上手的人经常以为那是缺陷其实人家是正常的表面纹理。1.2 缺陷对比度不足划痕被强背景“吃”掉表面有一条细微划痕时它其实破坏了镜面结构把定向反射变成了散射——理论上划痕区域会比周围的镜面区暗。但问题在于周围背景的镜面反射光太强了划痕区相对背景的灰度差可能只有几个到十几个灰度级再叠加相机传感器噪声、环境杂散光、光源波动这点差异就被淹没了。反过来看凹坑、麻点这类缺陷在某些照明角度下它们反而可能把光反射进相机形成亮斑与暗背景形成高对比。同样是缺陷一个偏暗、一个偏亮算法侧就很难用一套固定参数同时抓住两类目标。我曾经见过一个团队用固定阈值检测不锈钢镜面划痕设定为“暗目标”结果凹坑缺陷全漏了因为凹坑在这个打光角度下是白点压根不在阈值范围内。1.3 曲率和立体结构让光路更混乱很多高反光工件根本就不是平面。手机中框带R角、卫浴龙头是弧面、螺栓有螺纹、金属壳体有台阶和凹槽——表面曲率一变反射方向跟着变。同一个光源打上去图像上会同时出现高光斑块、阴影区、渐变过渡带三种状态看起来像抹了层不均匀的油。再加上车间环境光的干扰——顶灯、窗户、操作员浅色衣服都会在镜面上反射出“伪缺陷”。这些伪缺陷在某些角度下和真实缺陷长得几乎一样传统算法很容易把高光边缘当成缺陷报警或者把真实缺陷放在暗区里漏检。有朋友会问既然这么复杂直接上深度学习端到端识别行不行实话实说不行。深度学习同样依赖稳定的成像质量。打光不稳定模型在训练时学到的全是光照伪影和反射变化而不是真正的缺陷特征。后面我会具体展开为什么。2. 打光方案是成败关键四种主流照明结构实测对比机器视觉圈子里有句话叫“灯光打好了项目就成功了一半”。对高反光工件来说打光不是成功一半而是决定性因素。下面是我实际测过、也在多个项目里落地过的四种方案各有适用场景也有各自的短板。2.1 低角度环形光暗场成像思路专治划痕原理上既然镜面反射是定向的那我们就让光源以非常低的角度照射工件表面保证背景的镜面反射光线不会进入相机镜头。而划痕、发丝纹这类区域破坏了镜面产生漫散射散射光恰好有分量进入镜头。于是呈现出来的图像是背景暗缺陷亮。这就是典型的暗场成像。实测下来低角度环形光在检测拉丝表面、透明薄膜、抛光金属上的浅划痕时效果非常出色。光源角度一般控制在10°到20°之间太高了会失去暗场效果太低了光线覆盖面又不够。这种方案对安装距离也敏感工作距离通常控制在20mm到80mm之间比较稳。2.2 同轴光源把镜面工件变成“自画像”同轴光源内部有一块半透半反镜光线从侧面进入后经过反射镜垂直打在工件表面再从原光路返回进入相机。对于平面镜面工件垂直的区域是亮的一旦有倾斜、凹陷、凸起等破坏垂直反射的区域反射光偏离原光路图像上就表现为暗色。所以同轴光源对平面镜面、镀膜玻璃、晶圆这类平整工件非常友好缺陷在图像上呈现为干净利落的暗块对比度高、边缘清晰。但它对弧面件就帮不上忙了——曲面上每个点的法线方向都在变图像会出现明显的渐变暗边容易造成误检。所以选同轴光源前先确认工件表面够不够“平”。2.3 球积分光源穹顶光暴力均匀适合强曲面球积分光源也叫穹顶光形状是一个半球形腔体光源安装在腔体内部光线在腔内经过多次反射后形成均匀漫射从各个角度照射工件。它的最大优点是均匀——不管你工件什么形状、什么姿态反光都相对柔和不会出现刺眼的亮斑曲面过渡也平滑。缺点是牺牲了对缺陷取向的敏感性。光线来自四面八方浅划痕的微小方向性差异会被均匀光照“抹平”细微缺陷容易看不清。所以穹顶光适合检测脏污、大块压伤、明显凹坑这类“大目标”不适合精细浅划痕。2.4 偏振光成像最被低估的方案偏振光方案是我个人最偏爱的一种。做法是在光源前面加一片偏振片起偏器在相机镜头前再加一片偏振片检偏器两片偏振方向互相垂直。原理是这样的当光线照射到光滑表面发生镜面反射时反射光会保持偏振状态而经过漫反射的光比如缺陷处的散射偏振方向会改变。正交的检偏器会把镜面反射光滤掉同时保留漫反射光。结果就是——背景反光被压制缺陷反而被保留图像干净得不像话。这招对金属抛光面、玻璃面上的浅划痕和脏污效果简直立竿见影。我自己做铝合金镜面件时加一组偏振片比改半天算法效果都明显。它的不足是光能损失大经过两片偏振片后到达传感器的光量可能只有原来的十分之一对相机灵敏度要求高需要更长的曝光时间选相机时优先考虑高灵敏度的机型。2.5 选型对照表别迷信单一方案照明方案适用工件最适合的缺陷主要风险实测表现低角度环形光平面为主、拉丝面浅划痕、发丝纹对弧面覆盖不足背景暗、缺陷亮对比度很高同轴光源平整镜面、镀膜件凹坑、压伤、脏污弧面渐变暗边严重缺陷呈暗块边缘锐利球积分光源强曲面、复杂外形脏污、大块损伤细微浅划痕易丢失图像均匀但细节表现一般偏振光成像金属抛光、玻璃、镜面浅划痕、脏污、残胶光能损失大、曝光变长背景干净缺陷保留非常推荐另外一个实用思路是双光源融合一个工位用低角度环形光抓划痕另一个工位用同轴光或偏振光抓凹坑脏污两个相机采集结果合并处理。高反光工件往往不是单一缺陷类型双工位方案比试图用一套光打天下要稳得多。3. 图像预处理策略压制反光不等于压制缺陷打光方案定下来之后图像质量已经有了质变但远没到能直接跑算法的程度。高反光图像依然存在光照不均、局部过曝、噪声偏多等问题预处理环节不能马虎。3.1 宽动态采集是地基先说最基础也最关键的一点尽可能在采集端解决问题。如果预算允许优先选择12bit或更高位深的宽动态相机。8bit相机只有256个灰度级高反光图像很容易在高光和暗部之间顾此失彼。12bit相机有4096个灰度级高光区域不容易饱和暗部细节也保得住。算法能处理的信息上限取决于图像采集时保留了多宽的动态范围事后再怎么拉对比度都弥补不了采集端丢失的信息。如果预算有限也可以考虑多曝光合成分别用短曝光采高光区细节、长曝光采暗部细节然后在软件里做HDR融合。这个方法效果不错但会增加节拍时间不适合高速产线。3.2 背景光照补偿去掉“不均匀的油”高反光图像即使用了穹顶光也难免有亮度不均。处理方法是用大尺度高斯滤波或形态学开运算估计背景光照图然后把原图除以背景图得到光照补偿后的均匀图。公式上就是I_comp I / I_bg * 均值实际操作中效果很直观背景变得平滑缺陷相对特征被放大。需要注意高斯核尺寸要选得足够大一般是缺陷尺寸的5到10倍。核太小会把缺陷本身当成背景抹掉核太大又估计不出光照变化趋势。这个参数我一般先根据工件尺寸估算再用几张图做网格搜索微调。3.3 过曝区域要用mask隔离别让它捣乱高反光图像上总有那么几块过曝区灰度值饱和在255细节信息彻底丢失。很多项目在这里翻车——把过曝区域的边缘当成缺陷或者让过曝区的高灰度值干扰全局阈值计算。我的做法是在预处理阶段就生成高光mask把灰度值高于某个阈值比如245的像素标记为“失效区域”。后续所有基于亮度阈值的判断在mask区域内一律跳过只允许基于纹理或频域特征的判断在这些区域执行如果缺陷恰好只存在于过曝区那就该考虑调整打光方案了别硬撑着用算法解决。3.4 方向性增强与形态学提取针对不同缺陷类型预处理要“对症下药”方向性划痕用Gabor滤波器在特定方向增强。比如拉丝纹沿0°方向那就用角度匹配的Gabor核把沿这个方向的线状特征加强同时抑制其他方向纹理。点状缺陷用Tophat变换白帽/黑帽提取。白帽变换提取暗背景上的亮点黑帽变换提取亮背景上的暗点对凹坑、麻点、脏污这类局部突变很有效。频域滤噪光晕属于低频成分传感器噪声属于高频成分缺陷通常落在中频段。用带通滤波把高低频同时去掉缺陷相对就凸显出来了。有一个必须反复强调的原则越早、越坚决地在成像和预处理环节压制反光算法端就越省事。如果预处理做完以后图像还是“花”的先回成像环节找问题不要指望算法是万能的。4. 缺陷检测的两条技术路线传统视觉与深度学习的取舍预处理做完正式进入缺陷提取和判定的环节。高反光工件项目里设备选型和方案设计时最纠结的问题就是用传统视觉还是深度学习我给出的判断标准很简单——工件缺陷类型能不能枚举。4.1 传统视觉路线缺陷类型明确时的稳定解如果缺陷种类清晰划痕、凹坑、脏污并且形状、灰度、面积范围相对稳定传统图像处理完全够用。它的优势是判定逻辑透明、可解释强、速度快、调参直接对产线工程师来说非常友好。工程实现上可以用OpenCV手写流程也可以用LabVIEW这类成熟的机器视觉环境。LabVIEW在工业视觉检测里使用非常广泛它的视觉开发模块集成了大量现成算子从图像采集、标定到模式匹配、缺陷检测都有封装适合快速搭建检测流程。我之前在一个汽车零部件项目里就是用LabVIEW搭的检测逻辑部署和联调都很顺畅产线工人现场培训成本也低。典型的传统视觉判定流程是预处理 → 高光mask隔离 → 缺陷增强 → 自适应阈值分割 → 连通域分析 → 特征过滤 → 判定。这一步的关键在于阈值分割不是一刀切一个阈值最好按图像分区分块计算自适应阈值因为高反光图像不同区域的背景灰度差异本来就很大。4.2 深度学习路线缺陷不可枚举时的“异常检测”高反光工件的痛点在于缺陷类型往往比想象中多。划痕有长短粗细深浅凹坑有大小形态明暗脏污有透明半透明不透明……如果客户自己也说不清楚到底要检出哪些缺陷那你很难靠人工特征穷举。这时候可以考虑深度学习。但注意我强烈不建议一上来就做分类或目标检测因为高反光图像的第一难点是光照扰动标注数据时很容易把光照伪影标成缺陷模型学到的是光照变化而不是真实缺陷。更稳妥的思路是无监督或半监督异常检测只用良品图训练让模型学习“正常表面”的分布推理时计算重建误差或特征距离偏离正常分布的区域就判定为异常。这样绕开了缺陷标注不稳定的问题对高反光表面的适应能力也更强。实测下来基于特征嵌入的异常检测思路在金属表面项目上效果比直接训练分类网络好不少。4.3 判定参数里的隐性细节忽略点数的设置二值化、连通域分析之后很多人习惯性把有连通区域的都判为NG这在大批量生产里是个大坑。良品表面也有微尘、夹具压痕、轻微抛光不均匀它们形成的连通域虽然存在但面积小、形状不规则、灰度差异深度不够。大多数成熟视觉软件里都有一个很实用的参数——忽略点数意思是小于指定像素数的连通域直接忽略不计。这个参数在高反光工件项目里特别关键。建议从3到5个像素开始调然后结合最小面积、长宽比、延伸率一起做过滤判断能显著降低过杀率。我经历过的实际情况是忽略点数设成0过杀率高达40%产线叫苦不迭调到5过杀率降到5%左右真实缺陷一个没漏。但这块不能照搬别人参数因为工件表面纹理、相机分辨率都会影响等效尺寸每次换工件样本都要重新标定一遍。5. 实际项目中的“坑位图”从环境光到参数漂移做高反光工件检测这几年吃过最多的亏不是算法选型而是那些容易被忽视的现场细节。下面这几条全是真金白银换来的教训。5.1 车间环境光是最大的隐形杀手很多项目在实验室调试时一切正常一上产线就误报频出。原因往往是车间顶灯、窗户、操作台照明在工件镜面上形成了反光这些反光在图像上形成一块块亮斑或虚影形态和真实缺陷高度相似。应对方法一是给检测工位加遮光罩把外部环境光隔离开二是在采图之前先采集一张没有光源照明的环境光背景图用当前图像减去背景图把环境光的贡献抠掉。这个“背景减除”操作看起来简单实际效果非常明显很多误报就是加这一步解决的。5.2 机械定位精度直接影响成像稳定高反光工件对打光角度的敏感性远超普通工件。工件在夹具上偏移哪怕0.5毫米反射角度就变了同一个缺陷可能从暗目标变成亮目标甚至完全消失在视野里。所以做这类项目的视觉部分之前一定要先确认机械定位和夹持的精度。如果工件在传送带上运动尽量加装止挡机构或到位检测传感器确保每次采图时工件停在同一个位置、同一姿态。我在一个项目里就是因为定位不准漏检率忽高忽低折腾了两周才发现是机械问题而不是算法问题。5.3 批次变化导致的参数漂移拉丝铝、阳极氧化件的表面状态每批次都会有细微差异。批次A的灰度分布可能整体偏亮批次B可能偏暗。同一套阈值参数A批次过杀率2%B批次可能飙升到20%——这不是算法写错而是参数没有自适应能力。解决思路是加一个“良品采样刷新”机制每隔若干件用确认过的良品图刷新背景模型自动重新计算阈值偏移量。听起来不复杂但很多项目没做这一层导致现场工程师只能频繁手动调参苦不堪言。5.4 高光工件的标定和光路校准要更仔细普通工件调光看平均灰度、看对比度差不多就行了。高反光工件不行还要关注图像边缘锐度是否一致、不同区域的过曝范围是否可控。我习惯用标准平面镜或棋盘格做光路校准观察各视场位置的清晰度变化确保照明结构没有让某些区域“发虚”。另外调光时保存中间图像是一个好习惯——把每次调整光源角度、偏振方向时的成像结果都留档方便追溯问题和对比优化效果。这个习惯让我在后续排查问题时省了很多时间。6. 一个项目实录铝合金壳体检测流程与指标前面讲了很多方法论最后用一个我实际参与的项目把整个流程串起来方便真正要动手的读者对照落地。6.1 需求定义与初步判断项目对象是某款铝合金外壳工件表面为拉丝加局部抛光属于典型的高反光件。需要检测的缺陷包括划痕长度大于0.5mm、宽度大于0.05mm、凹坑直径大于0.3mm、脏污面积大于0.1mm²。产线节拍要求每件3秒以内交付时漏检率要求低于2%过杀率要求低于8%。6.2 成像方案搭建考虑到工件有拉丝面也有抛光区单一光源搞定不现实我采用了双工位双相机方案工位一低角度环形光角度约15°抓拉丝面上的浅划痕工位二偏振光成像正交偏振片抓抛光区的凹坑和脏污相机选12bit面阵CMOS分辨率根据最小缺陷尺寸按“缺陷至少覆盖3×3像素”的原则反算实际选了500万像素级别整个检测工位加遮光罩隔绝车间环境光。选12bit相机算账很简单最小缺陷0.3mm要覆盖3个像素单像素物理尺寸就得做到0.1mm以内配合镜头视场和分辨率规格反算下来500万像素方案在成本和精度上正好平衡。6.3 算法流程串联每个工位的图像走统一的处理管线采集原始图扣除环境光背景高光mask生成标记饱和区域背景光照估计与补偿消除不均匀性按缺陷类型做增强——划痕用Gabor方向滤波凹坑脏污用Tophat变换自适应阈值分割连通域分析特征过滤面积、长宽比、延伸率配合忽略点数参数双工位结果联合判定任一工位检出缺陷即判NG。整套流程在工控机上用LabVIEW的视觉模块加OpenCV混合实现单件处理耗时约1.2秒节拍余量充足。6.4 初版结果与迭代过程初版上线时漏检率达标1.3%但过杀率到了11.3%超标了。排查发现主要问题集中在工件R角过渡区——曲面渐变导致高光mask边缘抖动把过渡带折射光当成了缺陷。后续两轮迭代解决了问题第一轮把高光mask的形态学闭运算核从3×3放大到7×7抑制边缘抖动第二轮在R角区域改用纹理特征判断不再依赖灰度阈值。最终过杀率压到4.6%漏检率维持1.1%满足交付指标。这个项目让我印象最深的不是最终指标而是整个过程中算法微调的成功率并不高——真正拉开差距的是成像方案搭得够不够稳、预处理把坑填得够不够干净。高反光工件的检测从来不是一个算法包打天下而是一场从光源、镜头、相机、机械定位到软件判定的系统工程。老实话高反光工件检测没有一劳永逸的万能参数每次换工件、换批次甚至换产线环境都得重新微调。但方法论是通用的先解决成像稳定性再做算法先压制反光再谈增强缺陷先用规则把坑填掉再用深度学习补漏。最后分享一个小技巧不要吝啬保存图像样本。每次调试、每次误报、每次漏检都把原始图和中间处理结果留档按时间、批次、参数版本归档。积累到几百张图以后你会发现排查问题不再是“猜原因”而是直接翻记录对比。这套带样本留档的习惯比我上面写的任何一个细节都更能让高反光检测项目长期稳定运行。