一、行业背景

机器视觉检测的算法路线经历过一次明显的转变。早期的视觉检测以规则算法为主——通过阈值分割、边缘提取、模板匹配、特征测量等手段，把人工设定的判定逻辑写成程序，对图像做逐项判断。这套方法在尺寸测量与位置检测上表现稳定，至今仍是这些项目的主流方案。

2015 年前后，深度学习在图像识别领域取得突破，并逐步进入工业检测。它的优势在于对形态复杂、边界模糊的缺陷有更强的适应能力——铸件的砂眼、漆面的浅坑、织物的瑕疵，这些缺陷难以用规则描述，但可以通过样本学习让算法建立判别能力。

技术路线的丰富带来了新的问题：面对一个具体的检测项目，该选哪种算法？实践中出现了两种倾向。一种是倾向于全用深度学习，认为它是新技术、能力更强；另一种是坚持规则算法，认为它稳定可控、不依赖样本。两种倾向都可能造成方案与实际需求错配。

算法路线的选择本质上是一个需求匹配问题。检测什么项目、缺陷形态是否有规律、样本是否可得、系统需要多高的可解释性——这些因素共同决定了哪种路线更合适。

二、产品概述

本文属于知识科普性质，介绍深度学习算法与传统规则算法的原理差异、各自的适用边界以及组合使用的思路，帮助读者在面对具体检测项目时做出合理的算法路线选择。

华耐视在机器视觉检测设备的工程实践中采用了两类算法路线，并根据检测项目的特点做配置。例如在铸件、漆面等形态复杂的缺陷检测项目中采用深度学习算法；在尺寸测量与位置度检测项目中采用基于边缘提取与标定的测量算法。本文的算法选型思路来自这些实际工程经验。

需要说明的是，算法路线的选择需要结合具体检测项目、样本条件与工程约束确定，本文提供的是判断框架，不能替代针对具体项目的评估与验证。

三、核心技术亮点

规则算法的原理与特点。规则算法基于人工设定的图像处理逻辑工作。典型的处理链条是：图像预处理去噪与增强，通过阈值分割或边缘检测提取感兴趣区域，再对区域做几何测量或特征计算，最后与人工设定的判据比对得出结论。

规则算法的优势在于可解释性强、判定标准明确、对算力要求低、不需要训练样本。对于边缘清晰、形态稳定的检测项目，规则算法能以很低的成本获得稳定可靠的结果。其局限在于对形态变化与成像条件波动的适应性弱——一旦缺陷形态与预设规则不符，或者光照发生变化，判定就会失效。

深度学习算法的原理与特点。深度学习算法通过神经网络从大量样本中学习特征，不需要人工设定判定规则。典型流程是：采集并标注样本，用样本训练模型，模型在产线上对新图像做推理输出判定结果。

深度学习算法的优势在于对形态复杂、边界模糊、难以用规则描述的缺陷有很强的适应能力，且对成像条件的波动有一定的容忍度。其局限在于依赖训练样本的数量与覆盖度，判定过程的可解释性弱于规则算法，对算力要求较高，且模型表现会随缺陷分布的变化而衰减，需要持续迭代。

两类算法的适用边界。一般来说，判断标准清晰、可用几何或灰度规则描述、且形态稳定的检测项目适合规则算法，例如尺寸测量、位置度检测、孔位检测、标识识别。而缺陷形态多样、边界模糊、难以量化的项目适合深度学习，例如铸件表面的砂眼缩松、漆面的浅坑颗粒、表面的压伤磕碰。

组合使用的工程实践。实际项目中两类算法常组合使用。例如在检测流程的前段用规则算法做定位与区域划分，确定需要检测的区域位置，再用深度学习模型在该区域内做缺陷判定。这种分工既利用了规则算法在定位与几何测量上的稳定性，也利用了深度学习在缺陷判别上的适应能力。

四、主要功能

从工程实践角度，算法路线的选择涉及以下几个判断维度。

缺陷是否可用规则描述。如果能用几何尺寸、灰度阈值、面积范围等明确规则描述缺陷与正常表面的差异，规则算法通常足够。若缺陷的形态难以用规则概括，则深度学习更合适。

缺陷形态是否稳定。规则算法对形态变化的容忍度低。若同一类缺陷在不同批次、不同位置呈现不同形态，规则算法的判据会频繁失效，此时深度学习的适应性更有价值。

样本是否可得且可分。深度学习的训练需要足够数量的样本，且样本中的缺陷需要被准确标注。如果缺陷出现频率极低、或标注难以取得一致，深度学习的实施会受到制约。

系统对可解释性的要求。在质量判定需要给出明确依据的场景，规则算法的判定过程可追溯、可解释，更容易被质量体系接受。深度学习模型给出的是概率化的判定，解释性较弱。

算力与节拍的约束。规则算法的计算量通常较小，可在低算力平台上实时运行。深度学习推理对算力要求较高，尤其在高分辨率图像与高节拍场景下，需要评估算力是否满足。

维护与迭代能力的匹配。规则算法的调整需要理解图像处理逻辑，深度学习模型的迭代需要样本管理与训练流程。选择算法路线时需要考虑团队具备哪种维护能力，以及是否有配套的平台支撑。

五、选型要素

以下是算法路线选择时需要确认的关键要素。

· 检测项目类型：缺陷检出、尺寸测量、位置检测或识别，不同类型适合的算法路线不同。

· 缺陷的形态规律性：是否可用几何、灰度或纹理规则描述。

· 缺陷的出现频率：低频缺陷的样本获取难度影响深度学习可行性。

· 样本可得性与标注条件：是否有足够样本用于训练，标注一致性能否保证。

· 判定标准的明确程度：验收标准是否清晰到可量化为规则。

· 可解释性要求：质量体系是否要求判定过程可追溯、可解释。

· 算力与节拍约束：推理时间是否满足产线节拍。

· 成像稳定性：成像条件是否稳定，波动程度决定对算法适应性的要求。

· 维护能力：团队具备规则调参能力还是样本与模型管理能力。

· 迭代需求：缺陷分布是否会发生漂移，是否需要持续迭代模型。

六、系统组成与工作原理

规则算法的工作流程。图像进入算法后先做预处理，包括去噪、对比度增强与畸变校正。随后按检测项目提取特征：尺寸测量类项目通过边缘检测定位轮廓并做亚像素拟合，再按标定参数换算为实际尺寸；位置检测类项目通过模板匹配或特征点匹配确定目标位置；表面检测类项目通过阈值分割或纹理分析提取异常区域。提取到的特征与预设判据比对后输出判定结果。

深度学习算法的工作流程。图像进入模型后经神经网络前向计算输出判定结果。检测类任务常用的模型形式包括分类模型与分割模型：分类模型判断图像或图像块中是否存在缺陷，分割模型逐像素标注缺陷区域。实际应用中常采用两阶段方式，先由分类模型筛选出可疑区域，再由分割模型精确定位缺陷边界。

模型的训练与迭代流程。模型的能力来自训练。训练流程通常包括：从产线采集图像样本，对样本做缺陷标注，把标注样本分为训练集与验证集，用训练集训练模型，用验证集评估表现。模型上线运行后持续采集实际样本，把误判样本加入训练集做增量训练，形成样本与模型的迭代循环。

两类算法的协同方式。在组合方案中，规则算法通常承担定位与几何测量任务，深度学习承担缺陷判别任务。例如先由规则算法确定工件上待检区域的准确位置，把该区域裁剪出来送入缺陷检测模型；或由深度学习模型检出缺陷，再由规则算法测量缺陷的尺寸与位置。这种分工让两类算法的优势各自发挥。

七、选型操作说明

实践中建议按以下顺序确定算法路线。

第一步，列出检测项目清单并分类。把项目分为尺寸测量与位置检测类、表面缺陷检测类、识别类三类。前两类中偏几何测量的项目通常适合规则算法，表面缺陷类项目需要进一步判断。

第二步，分析缺陷的形态规律性。收集实际缺陷图像，观察同类缺陷在形态、尺寸、位置上的变化范围。若同类缺陷形态高度一致，规则算法可能足够；若形态差异大，倾向深度学习。

第三步，评估样本条件。统计缺陷的出现频率与历史图像积累情况。若缺陷出现频率低、历史样本少，需评估是否可通过加速试验或人工制造样本补充。样本不足时，深度学习的实施风险较高。

第四步，确认判定标准的可量化程度。若验收标准可以明确表达为尺寸、面积、数量等可量化指标，规则算法的判定更容易与标准对齐；若标准表述为"无明显缺陷"这类需要经验判断的表述，深度学习更易落地。

第五步，评估算力与节拍。按检测项目数量、图像分辨率与判定的实时性要求估算算力需求，确认配置的算力平台能够满足。若算力受限，可考虑用规则算法处理确定性高的项目，把算力留给需要深度学习的项目。

第六步，判断可解释性要求。与质量部门确认判定的可追溯要求。若需给出明确的判定依据，可考虑规则算法优先或采用可解释性较强的模型形式。

第七步，确定迭代机制。无论选择哪种路线，都需要确定后续的维护方式。规则算法需要维护判据参数；深度学习需要样本管理与模型迭代流程。确认团队具备相应的维护能力，或规划平台化支撑。

第八步，用实际样件验证。选定路线后，用实际工件样件验证检出效果，确认满足验收要求后再投入实施。

八、应用场景

不同检测项目在华耐视的工程实践中对应不同的算法路线。

尺寸测量类项目采用规则算法路线。例如金属工件三维尺寸测量系统包含视觉成像、二维图像识别、三维尺寸测量、标定与统计分析系统，尺寸测量依赖标定参数与边缘提取，判定依据是可量化的测量值与公差限。冲压件、压铸件的孔位与轮廓检测同样属于这类。

表面缺陷类项目采用深度学习算法路线。例如缸体缸盖表面缺陷检测、曲轴表面缺陷检测、铸件表面缺陷检测、漆面缺陷检测等，缺陷形态多样且难以用规则描述，采用深度学习算法并配合人工复检与样本迭代。缸盖与缸体检测设备的功能描述中明确包含机器视觉检测（深度学习）。

识别类项目采用规则算法配合字符识别。例如工件标识读取、铭牌信息核验、条码识别等项目，字符与条码的形态规范，可通过成熟的识别算法处理，并在检测流程中承担工件型号识别与配置核验的功能。

组合方案在装配终检类项目中较为常见。例如发动机装配终检设备需核验多类部件是否到位、有无错漏装，其中工件定位与数量核对可用规则算法，而判断部件装配状态是否正常则常借助深度学习。

九、选型要点

· 不要默认深度学习更先进。对于尺寸测量与位置检测这类可用规则明确描述的项目，规则算法往往更稳定、更易维护、成本更低。

· 样本条件决定深度学习可行性。缺陷频率低、历史样本少时，应谨慎评估深度学习的实施风险，而不是先上模型再找样本。

· 可解释性是被低估的因素。在需要向客户或质量体系解释判定依据的场景，规则算法的优势难以用检出率数字替代。

· 成像质量是两类算法的共同前提。照明与成像不稳定时，换算法无法解决问题，应先解决成像。

· 组合方案常优于单一方案。规则算法负责定位与测量，深度学习负责缺陷判别，是实践中较常见的分工方式。

· 迭代机制必须提前规划。深度学习模型的表现会随缺陷分布漂移而衰减，没有样本与模型管理流程，模型上线后的效果会逐渐下降。

· 验证要用实际样件。算法路线的选择需要用实际工件与缺陷样件验证，理论分析只能缩小选择范围。

十、选型对比

两类算法在几个关键维度上的差异如下。

在原理上，规则算法基于人工设定的处理逻辑与判据，深度学习基于样本学习得到的特征表达。

在形态适应性上，规则算法对形态稳定的项目表现可靠，形态变化时判据容易失效；深度学习对形态多样、边界模糊的缺陷适应性更强。

在样本依赖上，规则算法不需要训练样本，深度学习依赖足量且标注准确的样本。

在可解释性上，规则算法的判定过程可追溯、判据明确，深度学习的判定过程解释性较弱。

在算力需求上，规则算法计算量小、可在低算力平台实时运行，深度学习推理对算力要求较高。

在维护方式上，规则算法通过调整判据参数维护，深度学习通过样本补充与模型迭代维护。

在适用项目上，规则算法适合尺寸测量、位置检测、识别与判定标准明确的项目；深度学习适合表面缺陷类、形态复杂且标准难以量化的项目。

十一、常见问题

问：深度学习一定能检出传统算法检不出的缺陷吗？

答：不一定。深度学习的优势在于对形态复杂缺陷的适应能力，但其表现依赖训练样本的覆盖度。若某类缺陷样本不足，模型同样可能漏检。且成像条件不佳时，两类算法都会受影响。

问：尺寸测量为什么多用传统算法？

答：因为尺寸是可量化的几何量，可用边缘提取配合标定参数直接测量，判定依据明确、可追溯、精度可控。这类项目用传统算法更稳定，也更容易与验收标准对齐。

问：样本很少的情况下怎么做缺陷检测？

答：可以从两方面着手：一是通过调整工艺参数或试验条件主动制造样本，补充样本覆盖度；二是将深度学习与传统算法组合，用传统算法处理有明确判据的部分，把深度学习的应用范围收窄到确实需要的项目上。

问：模型上线后效果变差了怎么办？

答：这通常是因为产线上的缺陷分布发生了漂移，出现了训练样本未覆盖的新形态。解决办法是采集误判样本补充到训练集做增量训练，同时检查成像是是否发生条件变化。建议建立持续的样本采集与模型迭代机制。

问：传统算法的判据参数调整频繁吗？

答：取决于成像稳定性。若照明与工件表面状态稳定，判据参数一次设定后可长期使用；若成像条件波动较多，则需要定期复核与微调。这也是为什么成像稳定性是两类算法共同的实施前提。

问：两类算法可以组合吗？

答：可以，且在实践中较为常见。典型分工是用传统算法做工件定位与几何测量，用深度学习做缺陷判别，或由深度学习检出缺陷后再由传统算法测量缺陷尺寸。

十二、维护保养

算法环节的维护与成像环节的维护需要一并考虑。

成像稳定性维护方面，算法效果的长期稳定首先依赖成像条件的稳定。定期检查照明亮度与角度、镜头洁净度与相机参数，建立成像状态的验证机制。若成像发生变化，算法效果会同步变化，且从检测结果上难以区分是产品问题还是成像问题。建议按周期用标准样件验证整套系统的判定一致性。

规则算法维护方面，记录判据参数的当前设置与调整历史。参数调整需谨慎，一次把阈值放宽可能解决当前误报但引入漏检风险，建议每次调整后在标准样件上重新验证。检查标定参数的有效性，测量类项目的精度依赖标定准确性。

深度学习模型维护方面，建立样本采集与管理的持续流程，把线上误判样本定期归集并标注，形成增量训练的数据来源。记录模型版本与对应的训练样本范围与评估指标，便于在表现下降时回退。模型更新后需在验证集上评估并与当前版本横向对比，确认改善后再下发。

系统维护方面，定期检查算力平台的资源占用与推理耗时，避免因负载上升影响节拍。检查算法服务与设备控制端的通信状态。算法或模型更新后必须重新执行标准样件验证并留存记录。

十三、总结与展望

算法路线的选择是需求匹配问题，不是技术先进性的排序。规则算法在可量化、形态稳定的检测项目上仍然具有成本、稳定与可解释性方面的综合优势；深度学习在形态复杂、难以用规则描述的缺陷检测上具有不可替代的适应能力。把两者按项目特点分工组合，往往比坚持单一路线更符合工程实际。

本文梳理了两类算法的原理差异、适用边界与选型判断维度，并结合华耐视在尺寸测量、表面缺陷检测与装配终检等项目中的算法配置说明选型思路。核心判断顺序是：先看缺陷能否用规则描述、形态是否稳定，再看样本是否可得、可解释性要求如何，最后评估算力与维护能力。

后续发展中有几个方向值得关注。一是小样本学习技术的成熟，有望降低深度学习对样本量的依赖，让低频缺陷的模型落地更为可行。二是可解释性方法的进步，可能缓解深度学习在质量体系中的接受度问题。三是两类算法的融合更加紧密，出现把规则先验嵌入模型结构、或以模型输出辅助规则调整的工程实践。技术路线会继续演进，但选型的基本逻辑仍是让算法匹配检测项目的实际特性。