作者简介
丁怡心
中国信息通信研究院人工智能研究所工程师，主要从事边缘人工智能相关技术及产业等方面的研究工作。
虞文明
联想（北京）有限公司人工智能实验室研发总监，主要负责联想边缘人工智能技术及解决方案等方面的工作。
董昊
中国信息通信研究院人工智能研究所工程师，长期从事科研智能、人工智能基础设施、人工智能工程化等方面的研究工作。
论文引用格式：
丁怡心, 虞文明, 董昊. 基于人工智能的工业产品缺陷检测关键技术与应用研究[J]. 信息通信技术与政策, 2025, 51(8): 71-77.
基于人工智能的工业产品缺陷检测关键技术与应用研究
丁怡心1 虞文明2 董昊1
（1.中国信息通信研究院人工智能研究所，北京 100191；
2.联想(北京)有限公司，北京 100080）
摘要：随着人工智能技术的快速发展，工业产品缺陷检测正从传统人工目检和图像处理方法向智能化、通用化方向演进。系统梳理了工业产品缺陷检测的类型与技术发展路径，对传统图像处理到深度学习再到基础模型阶段的技术演进进行了深入分析，重点探讨了当前在数据增强、小样本学习、模型轻量化及云边端协同等方面的关键技术突破，结合3C、钢铁、新能源电池、轮胎、纺织等行业的实际应用案例，展示了人工智能赋能缺陷检测所带来的效率提升、成本降低和质量保障等方面的显著成效，为制造业智能化转型提供了技术支撑与实践参考。
关键词：缺陷检测；基础模型；数据增强；小样本学习；云边端协同
0 引言
产品缺陷检测是工业质量控制的关键环节，传统缺陷检测主要依赖人工目检和传统机器视觉检测方法。然而，这些方法在实际应用中存在诸多问题。例如，人工目检效率低下、易受主观因素影响，导致检测容易存在疏漏、检测结果不稳定等问题；传统机器视觉检测对复杂缺陷的识别能力有限，难以满足产品复杂度、精细度的提升和市场需求的增长对检测效率及精确性的要求。随着人工智能技术的飞速发展，基础模型、数据增强、小样本学习、模型轻量化、云边端协同等技术不断突破，将这些技术应用于工业产品缺陷检测逐步成为解决上述问题的有效途径。本文系统梳理了工业产品缺陷检测类型与方法，重点分析了当前的关键技术与实际应用现状及案例，为相关领域的研究与实践提供参考。
1 发展路径
工业产品缺陷检测涵盖表面缺陷、内部缺陷和几何缺陷等方向。其中，表面缺陷检测指对待测样品表面的划痕、异物遮挡、颜色污染、孔洞等缺陷进行检测，获取待测样品表面缺陷的类别、轮廓、位置和大小等相关信息[1]；内部缺陷检测指对待检测样品内部的孔洞、夹杂物、材料分层疏松等缺陷进行检测；几何缺陷检测主要针对待测样品的尺寸偏差、形状偏差、位置偏差等问题进行检测。
从发展路径来看，工业产品缺陷智能检测技术发展经历了3个主要阶段：一是传统图像处理阶段，该阶段依赖人工特征设计提取，对样本量需求少但泛化性较差；二是基于深度学习阶段，该阶段通过深度神经网络模型自动构建特征，对缺陷预估更精准但需要较多的数据建模；三是基于基础模型阶段，该阶段模型通过大量数据和复杂结构学习到不同缺陷类型的表征信息，具有更强的泛化性，但对计算资源和训练时间有更高的要求。
1.1 传统图像处理阶段
传统图像处理对于不同的缺陷检测任务构建不同的检测模型，实现对某一特定类型的缺陷精准检测。首先，对采集设备收集到的图像数据进行预处理；其次，基于人工特征设计方法提取图像中的缺陷特征，依赖专家经验提取图像中的关键特征；最后，基于人工设计提取的特征进行分类、识别、定位和分割等操作[2]。在该阶段，缺陷检测最核心的步骤在于特征设计，具体方法包括统计、结构、滤波和模型[3]。统计方法通过计算图像各类统计量描述图像性质并提取特征，如直方图统计、共现矩阵等；结构方法重点关注图像像素的空间位置关系和几何结构，通过分析图像纹理、形状提取有效特征信息；滤波方法通过滤波操作增强图像中的部分频率成分、抑制其他频率成分，提取边缘、纹理等特征；模型方法基于先验知识和模型提取图像特征，假设图像目标或场景符合特定分布并进行拟合操作。
1.2 基于深度学习阶段
深度学习通过多层神经网络模型实现自动特征提取，从更高维度捕捉复杂的缺陷特征，进一步提升检测精度。模型通常采用端到端结构，同一个模型实现特征提取、特征融合及缺陷分类识别的功能，典型模型包括卷积神经网络（Convolutional Neural Network，CNN）、自编码器（Autoencoder，AE）、生成对抗网络（Generative Adversarial Networks，GAN）等[4]。CNN模型通过卷积层、池化层和全连接层等结构提取图像特征。其中，卷积层基于卷积核进行滑动卷积操作，提取图像中的边缘、纹理等局部特征；池化层对图像进行下采样，保留重要特征信息同时降低参数量；全连接层整合特征信息用于缺陷分类或识别任务。AE模型通常用于图像分割任务，通过编码器对输入图像编码提取图像特征并逐步降低特征维度，得到关于图像特征的稠密表征，再通过解码器将稠密特征逐步恢复至输入特征维度，预测每个像素类别实现缺陷区域和正常区域的划分。GAN模型通过生成额外的缺陷样本扩充训练数据集，提升模型泛化性；同时，GAN模型还能通过学习正常样本的分布，比较原始输入样本与重构样本之间的差异进行检测缺陷。
1.3 基于基础模型阶段
传统图像处理和深度学习方法通常需要针对不同类型的缺陷（如划痕、裂纹等）进行定制化模型训练开发，基础模型基于海量数据进行预训练，学习到工业产品缺陷统一的数据模式，具备更强的检测精度，更适合缺陷样本远少于良品样本的检测场景，对纹理复杂、结构复杂、柔性物体的检测更精准。其中，视觉基础模型基于大规模通用图像数据进行预训练，通过庞大的数据量和复杂的模型结构学习到更通用的视觉特征表示，在视觉理解方面具备较强的泛化性，能够识别未学习过的、形态各异的、模糊的或背景复杂的缺陷，适用于通用场景和长尾场景。将视觉基础模型应用于缺陷检测任务，基于特定场景下的少量缺陷样本提示或微调模型，能够实现精准识别上百种缺陷类型，如V-moE[5]、INTERN[6]等基于混合专家模型结构的视觉基础模型，以及Vision Transformer[7]、BEiT[8]等基于Transformer架构的视觉基础模型[9]。多模态基础模型融合并对齐视觉和语言信息，提升模型先验知识，如AnomalyGPT[10]、CLIP3D-AD[11]等基于视觉与语言基础模型开发的工业缺陷检测算法在2D和3D视觉场景中均取得了显著进展，特别是在数据有限的少样本和零样本场景中[12]。
2 关键技术
人工智能技术已深入缺陷检测场景，但在实际场景应用时，缺陷检测仍会面临如特定任务样本少、模型检测效果差、检测时间长等问题，产业界当前已经有相应的应对方法。在数据层面，通过基于传统图像处理方法、深度学习方法的数据增强技术，可以解决缺陷样本数据不足的问题。在模型层面，基于基础模型结合小样本学习等技术，可以提升不同缺陷检测任务的准确性。在应用层面，通过模型轻量化、云边端协同等技术，实现模型在实际工业场景中的有效应用。
2.1 数据增强
在实际工业场景中，由于产品和缺陷的多样性和复杂性，获取特定高质量的训练数据极具挑战性[13-14]。基于传统图像处理方法的数据增强技术通过对原始数据进行操作变换，增加数据的多样性和数量，缓解了特定缺陷检测任务样本少的问题，主要包括旋转、平移、缩放、镜像等几何变换，亮度调整、对比度增强等颜色变换，以及噪声添加等操作。例如，在电子元件表面缺陷检测中，对含有划痕的原始图像进行旋转、翻转，添加不同程度的高斯噪声生成新的图像样本，使模型学习到划痕在不同角度和干扰下的特征，提升模型对划痕缺陷的识别能力。基于深度学习方法的数据增强技术主要包括GAN模型和扩散模型。GAN模型由生成器和判别器两部分组成，生成器不断学习真实缺陷样本的特征分布，并尝试生成接近真实的缺陷图像，判别器对生成样本和真实样本进行区分，通过两者的对抗训练，生成器最终能够生成高度仿真的裂纹、凹痕等缺陷数据，有效扩充训练数据集，辅助模型更全面地学习缺陷特征。基于扩散模型的方法使用稳定扩散模型中文本生成图像的先验知识，通过优化模型结构和迭代算法，结合生成样本与真实样本分布相似度评估指标，使输入的文本表征与图像表征对齐程度提升，从而生成更精准的缺陷样本[15-16]。
2.2 小样本学习
在工业生产环境中，缺陷样本通常远少于良品样本，极端情况下某些特定类型的缺陷样本极度稀少或缺失，基于已经训练工业缺陷检测基础模型强大的泛化能力，利用相对较少的缺陷样本进行微调，就能达到更高的检测精度。小样本学习通过多种策略减少模型对大量标注数据的依赖，使模型能够在少量样本的条件下取得良好性能，具体方法包括迁移学习、元学习和无监督学习等。基于迁移学习的方法利用在大规模图像数据集上预训练得到的模型，使用少量缺陷样本进行有监督微调，或从预训练模型中提取缺陷样本多尺度特征，将知识迁移至特定缺陷检测任务中[17]。基于元学习的方法通过在多个相关任务上进行训练，使模型学习到任务的共性模式，获得优质的初始参数和更新策略，实现快速适应新任务，适合缺陷检测这类数据稀疏性较高的场景[18]。基于无监督学习的方法仅利用合格产品样本建模，如通过CNN模型提取合格样本的多尺度特征，并存储聚合后的特征，检测时将待测样本与合格样本特征进行比对，实现缺陷样本精准检测。
2.3 模型轻量化
在实际生产环境中，缺陷检测通常需要实时或近实时的响应，深度学习模型特别是基础模型不断突破检测精准上限，但模型存在计算复杂度高、计算资源需求量大等问题，难以满足实时性要求。模型轻量化技术通过压缩和优化方法，减少模型的参数量和计算量，在保证检测精度的前提下，降低模型的内存占用和推理时间，使模型能够在资源受限的环境中高效运行，常见的方法有模型架构优化、知识蒸馏、剪枝和量化等。
模型架构优化方法采用计算量更小的网络实现轻量化，缺陷检测任务常基于YOLO系列目标检测模型，使用GhostNet[19]、FasterNet[20]等轻量级网络结构代替骨干网络进行轻量化设计。知识蒸馏方法首先训练一个适配缺陷检测任务大参数量“教师模型”，然后小参数量“学生模型”通过模仿“教师模型”的预测来学习知识，最后得到的“学生模型”即为知识蒸馏后的预测模型。剪枝方法通过移除模型中不重要的参数或神经元来减小模型的大小。量化方法通过使用较低精度的数据类型代替高精度的浮点数来减少模型的存储需求和计算复杂度。
2.4 云边端协同
云边端协同技术是推动人工智能赋能工业产品缺陷检测应用落地的核心支撑，通过将云计算的强大计算能力与边缘计算的实时性、低延迟优势相结合，使用“云—边—端”架构实现数据处理、模型优化和决策执行的高效协同。在缺陷检测场景中，终端侧基于工业相机、传感器等设备进行工业产品全方位数据采集；边缘侧将轻量化后的模型部署在边缘设备上，进行数据处理分析及初步推理检测，实现局部决策与反馈；云侧则利用大规模计算资源进行复杂的模型训练和深度分析，并将优化后的模型和复检结果下发至边缘侧，边缘设备根据云侧反馈的结果实现对产品缺陷检测，标记出不合格产品，进而提升整体检测精度及效率[21-22]。
3 应用现状及案例
基于人工智能的工业产品缺陷检测应用呈现多维度快速发展态势。从市场规模来看，人工智能大模型将加速赋能新型工业化，预计2022—2032年，工业人工智能市场规模将以46%的年均复合增长率高速成长[23]；到2025年我国工业人工智能质检整体市场将达到9.58 亿美元，到2026年全球工业人工智能质检整体市场（含硬件）将达到13.35 亿美元，复合增速为33%[24]。从应用技术来看，基于机器视觉、神经网络、基础模型等人工智能技术，缺陷检测方案突破传统人工设计特征和规则的局限，实现从外观缺陷、尺寸到焊接质量等多维度检测。从应用趋势来看，人工智能赋能工业产品缺陷检测已开始规模化落地应用，覆盖计算机-通信-消费类电子产品（Computer-Communication-Consumer Electronics，3C）、钢铁、新能源电池、轮胎制造、纺织等众多行业，持续助力制造企业降本增效。
3.1 3C行业
3C行业由于电子产品零部件精密、过检和漏检指标严格且产线速度快，传统人工检测方案难以满足生产质量和高速产线节拍需求，基于人工智能技术则能快速精准识别微小瑕疵、线路缺陷等问题。例如，联想集团（简称“联想”）武汉产业基地面向手机、平板等装配产线，实现装配内观及胶路缺陷检测，降低了漏检率、过杀率和人力成本；联想南方制造基地和天津零碳工厂面向液晶屏幕显示缺陷检测场景，研发了融合高精度视觉系统、自适应分析诊断人工智能算法的静态及动态不良检测方法，支持对多种屏幕类型、多种缺陷（如亮点、亮线、暗点、暗线、色斑、水波纹等）进行多角度精准捕捉和识别[25]。
3.2 钢铁行业
钢铁行业存在生产环境恶劣复杂、产品体积大、缺陷复杂细微等问题，传统人工目检或光学检测等钢材缺陷检测方法检测效率低、不准确、不全面，通过高清摄像头采集钢材表面图像，结合人工智能模型分析识别裂纹、孔洞、氧化皮等缺陷，工业智能产品缺陷检测应用打破了传统检测的局限，且不受光线、环境温度等因素干扰。例如，宝山钢铁股份有限公司打造了钢铁产品表面缺陷检测系统，解决了传统小模型难以精准预测钢材表面复杂、细微、易混淆缺陷的问题。该系统基于大模型技术在云侧训练具备通用缺陷识别能力的领域模型，并通过精细化定向微调突破特定复杂缺陷检测能力。其重点缺陷识别准确率高达96%，漏检率降低35%，显著降低缺陷流入下道工序的比率，使人工二次检判率大幅下降，现场质检劳动强度降低50%[26]。
3.3 新能源电池行业
新能源电池对安全性和稳定性要求极高，人工智能通过分析电池生产过程中的图像、数据，实现精准检测电池极片划痕、褶皱、异物，以及电池组装后的尺寸偏差、密封不良等问题。例如，基于联想边缘大脑工业质检开发套件（Lizard）V3.0版本，构建了一套可以对新能源电池模组外观缺陷实现全面精准检测的方案。该套件中内置了行业领先小样本终身学习无监督建模算法，只需60~100 个良品建模，能够覆盖50 多个检测项，针对产品中80 多种常见缺陷进行检测[27]。在某新能源电池行业头部厂商的电池模组缺陷检测项目中，面向上盖脏污、划痕、裂痕、标签偏移、破损、底膜贴偏、破损、安装孔磕伤、溢胶、热压膜褶皱、翻卷、侧板凹坑、巴片露铜等80 种复杂缺陷类型，实现过杀率严格控制在3%以内，漏检率低于0.3%[27]。
3.4 轮胎制造行业
在轮胎制造行业，针对轮胎外观检测是确保产品符合质量标准的关键步骤。轮胎的外观质量直接影响到其性能和安全性，其表面的气泡、裂纹、缺胶等缺陷，可能会导致轮胎在使用过程中出现漏气、爆胎等安全隐患。同时，轮胎外观涵盖胎冠、沟槽、胎侧、胎肩、胎里、胎趾等多个部位，且有些微小缺陷难以被肉眼察觉，导致人工检测无法全面覆盖、漏检与误判风险居高不下。基于人工智能技术对轮胎表面缺陷、内部结构缺陷进行全面检测，能够有效提升检测精度和检测效率，降低检测成本。例如，联想涵盖“光、机、电、算、软”的轮胎表面缺陷全检、混检、精准检测设备，能够针对轮胎表面人眼可检的100 多种缺陷进行检测，对于关键缺陷项可实现接近0%的漏检率效果，相比人工质检其漏检率可下降30%~50%，过检率则控制在20%以内，单条半钢轮胎平均检测时长缩减30%，综合检测成本降低至少60%[28]。
3.5 纺织行业
在纺织行业，纺织品生产工艺复杂、品类繁多，为产品缺陷检测带来了诸多难题。在面料与成衣生产过程中，存在纱线断裂、织物瑕疵、印染不均、缝制缺陷等各种外观与内在质量问题；从纺织品的材料与款式来说，从棉、麻、丝、毛以及各类化纤产品，到不同款式、工艺的成衣，检测标准各异、检测难度也相应增加。基于人工智能技术的工业产品缺陷检测解决了传统人工检测效率低、主观性强的难题，通过图像识别技术，实现了纺织品表面的断纱、污渍、色差、孔洞等缺陷快速检测。例如，联想智能验布机能够针对布匹表面的各种瑕疵，如孔洞、破边、污渍、缎条等进行精准检测，仅通过少量无缺陷样本建模，模型便可快速适应不同布匹类型与生产环境，缺陷检出率高于95%，检测速度为人工的3 倍，最高可达100 m/min；细分行业验带机可实现本地训练、推理和自学习能力，仅基于20 m长度的布匹，平均10 min即可完成一项新类型松紧布的模型训练和上线工作[29]。
4 结束语
人工智能技术正在深刻改变工业产品缺陷检测的方式，推动制造企业迈向高效、智能、精准的质量管理新阶段。当前，基于人工智能的缺陷检测已在多个行业实现规模化落地，有效解决了传统方法效率低、漏检率高、标准不统一等问题。未来，为进一步释放人工智能在工业产品缺陷检测领域的潜力，建议从以下4个方面着手：一是加强跨行业共性技术的研发与推广，提升算法通用性和适应性；二是深化云边端协同体系，实现质检系统的实时响应与持续优化；三是推动工业产品缺陷检测数据及模型标准化建设，促进数据共享与模型复用；四是加快人才培养和技术培训，增强一线人员对智能质检产品工具的理解与使用能力。通过政策引导、技术创新与产业协同，推动我国工业产品缺陷智能化检测能力及国际影响力的稳步提升。
Research on key technologies and applications of AI-enabled industrial product defect detection
DING Yixin1, YU Wenming2, DONG Hao1
（1. Artificial Intelligence Institute, China Academy of Information and Communications Technology, Beijing 100191, China；
2. Lenovo (Beijing) Limited, Beijing 100080, China）
Abstract: With the rapid development of artificial intelligence (AI) technology, defect inspection for industrial products is evolving from traditional manual visual inspection and image processing methods towards intelligent and generalized approaches. This paper systematically reviews the types of industrial product defect detection and the path of technological development, makes an in-depth analysis of the technological evolution from traditional image processing to deep learning and then to the basic model stage, focuses on the current key technological breakthroughs in the areas of data augmentation, few-shot learning, model lightweight and cloud-edge-end collaboration. Through practical application cases in industries including consumer electronics, steel, new energy batteries, tires, and textiles, the paper demonstrates the significant effects of efficiency improvement, cost reduction and quality assurance brought by AI-enabled defect detection, providing technical support and practical reference for the intelligent transformation of the manufacturing industry.
Keywords: defect inspection; foundation models; data augmentation
本文刊于《信息通信技术与政策》2025年 第8期
公众号封面由AI生成
主办：中国信息通信研究院
《信息通信技术与政策》是工业和信息化部主管、中国信息通信研究院主办的专业学术期刊。本刊定位于“ 信息通信技术前沿的风向标，信息社会政策探究的思想库 ”，聚焦信息通信领域技术趋势、公共政策、 国家/产业/企业战略，发布前沿研究成果、焦点问题分析、热点政策解读等，推动5G、工业互联网、数字经济、人工智能、大数据、云计算等技术产业的创新与发展，引导国家技术战略选择与产业政策制定，搭建产、学、研、用的高端学术交流平台。
期刊荣誉与收录情况
AMI（2022版）A刊扩展期刊
RCCSE中国核心学术期刊
入选中国科协信息通信领域高质量科技期刊分级目录
为进一步提高期刊信息化建设水平，为广大学者提供更优质的服务，我刊官方网站（http://ictp.caict.ac.cn）已正式投入运行，欢迎投稿！
推荐阅读
