机器视觉项目里“高反光工件”这几个字一出现整个项目周期大概率要比看起来多出两三倍。金属抛光件、镀铬装饰条、高光注塑件、拉丝铝壳表面亮得能照出人影而我们真正要检的划痕、凹坑、麻点恰恰就藏在这个“人影”里。很多跨行转机器视觉方向的朋友或者刚接手这类项目的工程师第一反应通常是“拍完照直接交给深度学习”结果模型在样品上效果还行一上线误检率反而高得离谱。问题大多不在算法而在于从光路到成像再到判定的整个链路没有打通。这篇文章就是一套从光路设计、偏振消光、图像算法到量产验收的完整检测方法专治高反光工件的外观瑕疵检测。它不是某个软件的官方教程也不是对着PPT讲概念而是我实际调试过金属件检测项目后觉得最值得写下来的方法路径。你可以把它当作一条可以直接照着走的流程也可以当作遇到反光排查时的参考手册。1. 为什么高反光工件难检测核心难点拆解1.1 镜面反射让缺陷“隐身”高反光工件之所以棘手是因为它的表面遵守严格的镜面反射规律。光线打到光滑表面上会以与入射角相等的反射角弹出去一旦这个反射角恰好对着镜头画面里就会出现一片高亮的反光斑。缺陷区域本身改变了局部表面的法线方向反射方向被打乱按理说会产生灰度差异但如果背景已经亮到接近饱和这个差异就完全被淹没了。打个比方晚上开车对向车灯一照眼前白茫茫一片路面上有个坑洼根本看不见。等对向车过去侧面灯光打过来坑洼才通过阴影显形。高反光工件的检测困境就是这种“对向车灯”状态——反光区域的动态范围极高正常区域可能只有几十的灰度反光区却直接冲到两百多甚至饱和而缺陷灰度变化可能只有十几个灰度级被白亮背景吞得干干净净。在实际项目里这类问题表现得更具体同一条划痕工件放正一个角度能看到转个5度就完全消失同一个凹坑在反光斑中心位置时几乎隐身等反光斑偏移开才显出真身。这给后面算法带来的直接麻烦就是缺陷是否可见取决于工件相对光路的角度而不是缺陷本身有没有。1.2 背景灰度不均让传统算法失灵很多高反光工件并不是标准平面而是弧面、圆角、不规则曲面组合体。比如手机中框、镀铬拉手、发动机缸盖罩盖表面各处对光源的反射关系完全不同。反应在图像上就是背景灰度从几十到两百多剧烈跃变整幅图看起来像一块亮一块暗的拼图。这种情况下所有依赖“全局阈值”的传统检测方法都会当场失效。阈值设低一点反光区域和暗区边缘全部被判成缺陷阈值设高一点真正的细微划痕又因为灰度差不够被漏掉。更麻烦的是高光区边沿往往伴随强烈灰度梯度而形成一圈“伪缺陷带”用边缘检测或梯度算子扫一圈出来的结果密密麻麻跟缺陷混在一起根本无法区分。这也是为什么很多项目在样品阶段看着还行一到批量测试就疯狂误报。核心原因就是样品阶段工件摆放角度、光路状态都是“最佳状态”而产线工件角度略有波动反光斑位置随之漂移之前调好的阈值就完全不对了。1.3 方案设计的常见误区我见过的项目里最容易犯的两个错误一个是“先写算法再调光”另一个是“企图用一种光源检完所有缺陷”。先写算法再调光的后果是越调越痛苦。算法工程师在图像上发现反光区域干扰大就试图用各种滤波、形态学、边缘修补去“擦除”反光磨了两周还是不稳定。实际上反光问题应该在前端光源方案上解决后端算法永远只能处理前端已经形成的图像而不能凭空恢复被过曝抹掉的信息。企图用一种光源检完所有缺陷也很要命。划痕和凹坑是两类物理性质完全不同的表面缺陷划痕本质上是表层几何结构被拉开、边缘形成微小台阶凹坑则是表面材料缺失形成的凹陷。它们在光路中的响应机制不同所需的打光方式也不同。硬要用同一套方案兼顾结果就是两类都检不好。正确的设计顺序应该是先分析缺陷类型和表面反射特性再做光学方案设计确认图像上能看到缺陷最后才谈算法。这个顺序一旦颠倒后面的返工是必然的。我把这个认知放在最前面就是希望大家少走我当初走过的弯路。2. 光学方案设计把高反光变成可控的对比度2.1 几种主流打光方式怎么选高反光工件检测的核心不是让工件“更亮”而是让缺陷区域与正常区域形成尽量大的灰度对比。基于这个目标不同光源型式对应不同表面情况做项目时基本就靠下面这张表来选型光源类型打光角度与典型配置适合检测的缺陷效果机理低角度环形光入射角约15°–30°贴近工件表面划痕、拉伤、磨痕、凹坑缺陷微结构遮挡光线形成暗影背景呈中灰或暗色同轴光光源通过半反半透镜与镜头同轴平整镜面上的点、坑、异物、细微凹痕镜面反射光原路返回缺陷处反射方向偏离呈现暗点穹顶光/碗状光半球形漫射罩包围工件曲面复杂、曲率大的高反光件整体外观多角度光的平均积分削弱高光差异压住镜面反射条形光掠射条状光源以极小角度贴边照射长条状划痕、拉丝纹理异常低角度掠过表面几何台阶形成长线阴影条纹结构光投影条纹栅格或相位编码图像凹坑、压伤、变形等高程类缺陷条纹被表面高度调制通过相位分析还原缺陷形态低角度环形光是我在高反光划痕检测中最常用的一招。因为划痕两侧有微观凸起和台阶当光线以很小角度照过去时这些凸起会挡住光线在图像上形成干净的暗线。正常抛光表面虽然亮但灰度分布相对均匀暗线一出现就非常显眼。这个方案特别适合轴承滚珠、轴套、金属接头这类需要查拉伤和划痕的零件。同轴光则适合另一类缺陷。表面是镜面的、比较平的工件用同轴光照射时正常区域的光线沿原路返回镜头呈亮色一旦表面有小坑、麻点或者异物光线反射方向偏离同轴该处就会变暗。我调试过玻璃面板和镜面金属片同轴光对点状缺陷的检出能力确实强但它对划痕反而没那么敏感因为细线划痕不一定明显改变光的同轴反射。穹顶光很多人觉得只适合做外观颜色检测其实在高反光曲面件上它最大的价值是把整个表面照得均匀防止某一角出现刺眼反光。代价是缺陷对比度会比定向光弱一些适合做区域型成色异常、氧化斑、脏污的检测而不适合找极细划痕。条纹结构光属于进阶方案它会引入专门的投影单元和相位解码算法成本高、原理复杂但它有一个不可替代的优势——能看到缺陷的高度信息。凹坑是否真的凹陷、凸点是否真的凸起在普通二维图像里只能靠阴影猜结构光可以直接测出来。如果项目对凹坑深度有定量要求值得考虑。2.2 偏振片消除反光的原理与实操偏振片方案可以说是高反光工件检测的“救火队员”。原理其实不复杂光滑表面反射的光线在绝大部分角度下会带上明显的偏振特性而被缺陷散射的光线偏振态往往被打乱变成非偏振光。我们在光源前面加偏振片让入射光是特定偏振方向在镜头前面也加偏振片并旋转到与光源偏振方向接近垂直的位置镜面反射光就会被压在镜头之外缺陷散射光却有相当一部分能穿进来。实操时千万不要照本宣科地固定在90度正交就完事。不同材质、不同表面粗糙度反射光的偏振消光比并不一样。我自己的调试顺序是先把光源偏振片固定好然后一个手旋转镜头偏振片一个眼看着显示器直到反光压到最暗为止。有时候最佳位置在70度有时候在85度标定好后把角度锁死不要让别人乱碰。偏振片的副作用也要提前想清楚它会挡住一大半光量图像整体变暗所以要么加大光源功率、要么增加曝光时间。如果检测节拍紧张曝光时间不能随便加那就优先提高光源亮度。另外偏振片会有轻微色偏如果后面要用彩色相机做颜色类缺陷判断建议还是用黑白相机加单色偏振片避免引入干扰。2.3 多重曝光与HDR的适用边界如果打光方案已经做到位还是有些区域因为曲率关系不可避免出现反光高亮那可以考虑多重曝光合成。工业相机按不同曝光时间连续拍3到5帧短的保留高光区域细节长的保留暗区细节再用合成算法得到高动态范围图像。这个方法确实能缓解全局过曝但要问清楚三个问题再决定用不用。第一节拍允不允许。多帧曝光加合成采集时间、处理时间成倍增加如果产线节拍只有500毫秒很难跑得下来。第二运动状态允不允许。工件在传送带上连续走每一帧拍摄位置都不同靠多帧合成会出现边缘重影必须配位置触发或停歇机构。第三合成后的图像有没有引入伪影。Mertens这类融合算法在强边缘处偶尔会产生光晕而这些光晕在算法眼里和缺陷长得很像。我的习惯是先把光路方案吃透把光源角度、偏振、漫射这些手段都用尽最后才考虑HDR。因为HDR只是增强了图像信息的保存并没有真正提高缺陷对比度真正决定缺陷能不能看见的始终是打光方向和缺陷几何结构之间的关系。3. 图像处理与算法实现从预处理到缺陷提取3.1 预处理解决灰度不均光学方案把缺陷“显形”之后图像依然有一个明显问题背景灰度不均。高反光工件不可能做到整个画面灰度一致即便用穹顶光中心与边缘也总有差异。所以算法第一步不是直接阈值分割而是做背景校正。最实用的做法是背景估计差分。用一个大尺寸高斯滤波或中值滤波去估计背景亮度然后把原图与背景图相减得到只包含局部变化的残差图。这个步骤相当于把背景从几十到两百多的渐变全部摊平只留下真正的局部异常。再配合归一化操作把残差图拉伸到0到255的范围缺陷和背景的对比度就被放到最大。这里有一个参数细节值得说高斯核的尺寸必须明显大于目标缺陷尺寸。如果核太小滤波结果里会混入缺陷本身的信息背景估计被“污染”相减之后缺陷反而变弱。比如要检宽度2到5像素的划痕核直径至少取50像素以上。如果缺陷尺寸差异大可以分别做几个尺度的背景估计取残差最大值效果更好。3.2 缺陷提取区分划痕、凹坑、麻点不同缺陷在图像上的表现差异很大提取策略也要分开。划痕是线状暗影凹坑是块状暗斑麻点是密集细小颗粒氧化斑是区域性的灰度或纹理变化。后端特征筛选阶段要对不同的缺陷类型分别计算参数再汇总判定。划痕类缺陷最有效的是梯度分析或顶帽变换。顶帽变换就是原图减去形态学开运算结果能把细小的暗线从背景中剥离出来。配合方向滤波还能进一步区分横向划痕和纵向划痕。凹坑类缺陷如果用的是低角度光它会表现为局部暗块用底帽变换或区域灰度均值与邻域做差分即可。麻点类缺陷密集且细小单靠灰度阈值容易漏检取局部方差比背景区域明显偏高这个特征更靠谱。伪缺陷滤除是整个流程里最体现经验的部分。高反光工件上常见的伪缺陷来源有几个反光斑边缘的灰度过渡带、粉末或油渍造成的颗粒、工件边缘的倒角高光。我的处理方式是等缺陷区域出来之后逐条计算连通域的面积、长宽比、与ROI边界的距离、区域灰度均值与邻近背景的差然后用规则过滤。比如反光伪影通常呈条带状且长宽比极大油渍颗粒通常灰度与背景相差不大且形状不规则这些都能通过参数约束掉。3.3 深度学习方案如何切入我在很多项目里被问传统算法这么费劲为什么不直接用深度学习答案是可以用但前提是光路问题依然要先解决。如果输入图像里缺陷区域与背景根本没有任何灰度或纹理差异神经网络也没有办法凭空创造信息。深度学习解决的是“特征复杂、规则难写”的问题而不是“前端已经丢失对比度”的问题。适合上深度学习的场景有这么几种缺陷形态不规则比如铣刀崩刃留下的复杂痕迹背景纹理本身有随机性比如拉丝铝面本身丝纹就很多传统滤波根本分不清哪条是缺陷哪条是丝纹或者同类型缺陷呈现出多种灰度表现写阈值规则写到崩溃。模型选型上如果缺陷区域小我建议直接用分割网络而不是目标检测。YOLO这种目标检测框对大目标友好但对几个像素宽的细小划痕框的回归非常不稳定。U-Net类的分割网络可以输出逐像素缺陷概率后处理时再用连通域面积筛选既保留细小缺陷的检出能力又能滤除小噪点。速度上轻量版分割网络加TensorRT或OpenVINO量化在普通工控机上跑到30毫秒以内是能做到的。数据增强这块高反光工件有个天然困难真实NG样本太少了一个项目从试产到稳定可能也就攒了几百张缺陷图。我的做法是用3D渲染生成合成数据。把工件的CAD模型导入渲染软件贴金属材质设置环境光照用程序随机调整光源位置、角度、强度和相机视角渲染出大量虚拟缺陷样本。缺陷用贴图或模型扰动的方式植入这样模型能学到高反光工件在光照变化下的表现。实测下来用合成数据预训练再微调真实数据比只用真实数据硬训练泛化能力强很多。3.4 一段可以直接跑的OpenCV示例下面这段代码是传统视觉方案的最小可运行示例覆盖了背景估计、差分、自适应阈值、形态学清理和连通域筛选这几个核心步骤。它不针对某个具体工件但你可以拿它跑通自己采集的高反光工件图像再根据实际效果调整参数。import cv2 import numpy as np def detect_defects(image_path): img cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) if img is None: raise ValueError(image not found) # 1. 背景估计大核高斯滤波得到背景亮度 bg cv2.GaussianBlur(img, (101, 101), 0) # 2. 背景差分并归一化摊平灰度不均 diff cv2.subtract(img, bg) norm cv2.normalize(diff, None, 0, 255, cv2.NORM_MINMAX) # 3. 局部均值差分进一步增强局部异常 blur cv2.GaussianBlur(norm, (9, 9), 0) local_diff cv2.absdiff(norm, blur) # 4. 阈值分割阈值需要按样品实测调整 _, mask cv2.threshold(local_diff, 12, 255, cv2.THRESH_BINARY) # 5. 形态学清理开运算去掉孤立噪点闭运算连接断裂缺陷 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) mask cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, iterations1) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations1) # 6. 连通域筛选去掉小于设定面积的杂物 num_labels, labels, stats, centroids cv2.connectedComponentsWithStats(mask) defects [] for i in range(1, num_labels): area stats[i, cv2.CC_STAT_AREA] width stats[i, cv2.CC_STAT_WIDTH] height stats[i, cv2.CC_STAT_HEIGHT] if area 5: continue defects.append({ area: int(area), width: int(width), height: int(height), center: (int(centroids[i][0]), int(centroids[i][1])) }) return norm, mask, defects需要注意几个参数的调整方向。101的高斯核尺寸取决于缺陷大小缺陷越粗核越大。12的阈值取决于缺陷对比度实测发现背景残差波动大时可以改成自适应阈值或Otsu。3x3的形态学核适合细小划痕如果缺陷很大或很小按比例调整。最关键的是这套流程假设光路已经调好、缺陷在图像上肉眼可见如果输入图本身过曝任何参数都救不回来。4. 从样品到量产一套可执行的检测流程4.1 需求确认与指标定义拿到一个高反光检测项目第一步不是打开软件写算法而是先坐下来把指标谈清楚。要确认的东西包括最小缺陷尺寸是多少、缺陷类型有哪些、产线节拍多快、良品误检率允许多少、NG漏检率要求多低。这些指标直接决定相机分辨率、光源方案与算法复杂度的选择。相机分辨率可以用一个简单公式估算。假设视场宽度是80mm要稳定检出0.1mm的划痕缺陷至少要在图像上覆盖3x3像素以上。那么单个像素对应的物理尺寸就不能大于0.1/3也就是约0.033mm反过来计算横向至少需要80/0.033约2424像素。也就是说500万像素级相机2448x2048在这个视场下刚好够用。如果视场更大、缺陷更小就得加分辨率或缩小检测范围分多工位做。节拍同样要提前算清楚。比如产线1200件每小时的节拍是3秒一件采集、算法、PLC通信总共不能超过2秒否则机构就来不及分料。如果还要多角度拍摄多个工位每个工位的耗时必须并联或严格拆分时间片。我建议把算法耗时预算留出30%余量因为产线运行现场通常比实验室环境慢。4.2 光学调试的现场步骤光学调试是整个项目中最值得花时间的部分。我的标准动作是按照下面的顺序走一遍每步都记录参数最后对比选优。先准备一组有代表性的样品包括不同缺陷类型、不同严重程度的NG样还有一定数量的良品。把相机和镜头按工作距离架好确认对焦清晰。然后把光源放在一个极端角度拍一张再逐步改变角度和亮度每次拍一张同姿态的工件记录光源型号、角度、亮度电流、曝光时间。拍摄完毕后在电脑上对比所有图像的缺陷可见度重点关注两个指标缺陷区域与邻近背景的灰度差以及背景区域本身的均匀度。完成初步选型后再把偏振片加进来重复一遍角度扫描。这个阶段不要省时间我见过不少项目就是因为在光源角度选择上妥协导致后面算法怎么调都压不住误检。选定方案后把光源支架、相机支架全部机械锁死贴上标记防止产线调试或维保时被意外移动。最后跑一轮打样验证取30到50件工件一半NG一半OK用实拍图确认算法能达到目标漏检率。如果这一关过不了大概率要回到光源方案重新选而不是继续调算法。这一点请务必记牢。4.3 检测程序框架与判定逻辑一套完整的检测程序大体由这六块组成图像采集与触发、定位与ROI建立、预处理、缺陷提取、特征筛选、判定与通信输出。它们之间是串联关系每一级输出的质量直接影响下一级。采集触发这里的高反光工件检测特别强调“稳定成像”。工件到位信号一到相机就要在固定的位置、固定的光强下拍图。如果允许工件在视场内微小浮动必须通过定位模块先找到工件位置再在工件坐标系内做检测。定位可以用模板匹配或者边缘查找高反光工件上特征可能不明显建议给工件做一个明显的机械参考点比如倒角、定位孔或者直接在机构上加V形槽。判定逻辑不能只是“有缺陷就是NG”。实际产线上我们要对每个缺陷连通域做分级比如面积大于某个阈值判NG小于阈值但数量超过N个判NG某些特定的非关键区域缺陷判OK。这个逻辑务必写清楚否则产线会把可接受划痕全部误杀误检率高到产线根本不想用。如果你用的是LabVIEW加视觉模块整体流程和上面完全一致采集节点、定位节点、灰度校正节点、粒子分析节点最后汇总判定只是函数入口不同。核心思路是一样的——先把图像做成干净、稳定、有对比度的状态再做特征判断。我见过很多LabVIEW项目把粒子分析直接接到原始图像上反光区全被当成零件缺陷就是因为跳过了前面的预处理和定位环节。4.4 验收与鲁棒性验证项目验收不能只拿实验室的几十张图说事要按量产状态跑。我的验收清单包括漏检率复测、良品误检率测试、重复性测试、长时间稳定性测试。漏检和误检可以拿固定样本集跑重复性则是同一件工件多次放入检测位观察结果是否一致。长时间稳定性测试尤其容易被忽略。连续运行8小时光源会发热亮度可能衰减环境光随着太阳角度变化也会缓慢漂移传感器温度升高后噪声特性也会变化。所以量产前的稳定性验证至少要覆盖一个完整的白班周期过程中每小时记录一次判定结果和图像灰度统计。如果发现灰度基线漂移就要考虑在程序里加入动态灰度校准或者在机构上增加遮光罩把环境光影响压到最低。这里提醒一点判定是否NG的阈值尽量不要固定死而是做成基于背景统计的相对值。比如缺陷灰度必须比局部背景暗20个灰度级才判NG而不是绝对灰度小于80判NG。这样做的好处是当光源衰减、环境光变化导致整体灰度漂移时相对阈值会自动跟随误检率不会突然爆表。5. 生产线上的典型问题与排查技巧5.1 常见问题速查表现象可能原因快速排查动作处理方案画面大片过曝缺陷被白亮淹没光源反射角正好落入镜头视场拍图保存原图查看过曝区域位置降低光源入射角/改用漫射光/加偏振片同一缺陷时有时无工件摆放角度波动导致反射方向变化连续放10次工件观察缺陷可见性增加定位机构固定姿态/多角度补拍环境灯光变化导致误检飙升环境光干扰了成像灰度遮光帘遮蔽环境光统计灰度漂移加遮光罩光源频闪缩短曝光时间样品测试正常上线后误检增加样品集覆盖不足或工件批次反光特性不同用新批次工件复测对比灰度直方图持续收集现场NG图重建测试集/阈值改为相对值算法判出的缺陷大多是边缘亮带反光斑边缘或圆角高光被当作缺陷查看缺陷连通域的位置和长宽比在ROI中屏蔽边缘区域或增加长宽比限制5.2 一次高反光划痕漏检的排查记录用一个真实情况的变形案例说明排查思路。有个项目检镀铬拉手表面的划痕实验室调试时漏检率很低装机后第二天就开始陆续出现划痕漏检。我赶到现场后先做了一个动作把当天的NG漏检图调出来比较工件的摆放位置和实验室测试时的位置发现产线振动盘出来的工件在检测位有约正负3度的角度摆动。低角度光对这个摆动很敏感划痕角度一变反射关系变化对比度直接从25个灰度差掉到7个灰度差以下。然后我又检查了光源控制器电流发现光源亮度从额定值掉落了大约20%这进一步压缩了缺陷对比度。最终处理方案是三管齐下在检测位前增加一个V形定位槽把角度摆动控制在0.5度以内将光源控制器电流锁定在额定值并做了电流监测程序里把固定灰度阈值改成“相对背景暗26个灰度级”的自适应判据。改完后再跑一整天漏检归零误检也没上来。这个案例最值得学习的地方在于问题不是单一原因造成的而是多个小因素叠加。排查时不要只盯一个点要先看工件姿态再看光源状态最后看算法逻辑层层定位。5.3 几次踩坑换来的工程建议高反光工件检测项目做到后面决定项目成败的往往不是算法多高级而是一些看起来不起眼的工程细节。我总结几条踩过坑之后才想明白的经验。一定要建现场NG样品库。产线每次换料、修模、改工艺缺陷形态都会变没有持续更新的样品库算法就没有办法迭代。我会要求项目里放一个专门保存缺陷图的目录程序检测到NG时自动把原图和标注信息存下来每周复盘一次。光源和相机参数要固化并写入配置文件。包括光源电流、偏振片角度、曝光时间、增益、镜头光圈全部记录在项目文档里。这样即使出现设备重启、更换备件也能快速恢复到调好的状态。我见过因为现场人员无意动了一个旋钮整个检测系统误检率飙升折腾两天才找到原因的案例。程序界面要把当前图像、缺陷框、判定结果实时叠加显示。操作员看到的是可视结果而不是干巴巴的OK/NG灯出了问题他能第一时间描述而不是只知道“机器坏了”。这一点对维护效率提升非常大。同时如果程序能保存每件工件的检测压缩图产线出现质量争议时就能追溯省掉很多和客户扯皮的功夫。不要省定位机构的钱。高反光工件检测对工件位姿极其敏感与其在算法里做大量角度补偿不如在机构上用V槽、治具、压板把工件固定住。很多时候多花几千块钱做一套好的定位治具比多写几千行算法代码效果更明显。这是我做过几个高反光项目之后最深的一点体会。