玻璃/无纺布表面缺陷检测：少样本上线，实现 94%+ 缺陷检出率

玻璃和无纺布作为重要的工业材料，其表面质量直接影响到产品的性能和应用。然而，由于材料特性和生产过程的复杂性，表面缺陷检测一直是行业内的难题。微链道爱（DaoAI）凭借先进的技术，为这一难题提供了有效的解决方案。

行业背景与用户场景：玻璃和无纺布在众多领域都有广泛的应用，如建筑、医疗、纺织等。在玻璃生产中，高质量的玻璃常用于建筑幕墙、汽车玻璃等，其表面的微小缺陷可能会影响到整体的安全性和美观度；在无纺布生产中，常用于医疗防护用品、过滤材料等，表面缺陷会降低其过滤性能、防护效果等。因此，对玻璃和无纺布的表面缺陷进行准确检测至关重要。对于生产企业来说，他们需要一种高效、准确的检测方案，能够在保证生产效率的同时，提高产品质量，减少次品率。

痛点深挖：为什么难

从量化角度来看，玻璃和无纺布的缺陷发生率较低，通常在 1% -5% 左右，这导致可用于训练的缺陷样本数量稀少。而且这些缺陷样本的形态多变，例如玻璃表面的气泡大小、结石形状、划伤长度和深度都各不相同；无纺布的破洞形状、异物的种类和大小也差异很大。在实际检测中，由于玻璃半透明的特性，其表面缺陷与背景的对比度微弱，据统计，缺陷信号与背景信号的对比度可能低于 10%，这使得缺陷很难被清晰识别。无纺布纤维分布天然杂乱，属于典型的弱纹理表面，缺陷与背景的分离难度极大，其纹理复杂度指数较高，达到 80 以上（满分为 100）。

造成这些难题的根因在于材料本身的特性和生产工艺。玻璃的半透明性使其在检测时容易受到背景和反光的干扰，光线的折射和反射会模糊缺陷的边界，增加了识别难度。而无纺布的生产过程中，纤维的随机排列形成了复杂的纹理，缺陷往往隐藏在这些纹理之中，难以与正常纹理区分开来。传统的检测方法对于这种复杂的情况往往无能为力。

技术原理

微链道爱（DaoAI）采用的是少样本学习与 APDT 正样本异常检测相结合的技术。在算法机制上，首先利用充足的良品图像建立正常基线，这就相当于为系统设定了一个正常的标准模板。然后使用极少量的缺陷样本对判据进行微调，使系统能够识别出与正常基线不同的异常情况。从成像和硬件机制来看，系统配备了高精度的图像采集设备，能够捕捉到玻璃和无纺布表面的细微特征，为后续的分析提供准确的数据。

与传统的监督式深度学习方法相比，传统方法需要大量的标注样本才能进行有效的训练，但在缺陷样本稀缺的现实情况下，根本无法凑齐足够的样本，项目往往会因数据不足而停滞。而 DaoAI 的方法只需要少量的缺陷样本就能上线，大大降低了对数据量的要求。同时，以良品正常基线为基础，能够兼顾对未见缺陷的检出，具有更强的泛化能力。

典型应用场景

• 玻璃气泡检测：在玻璃生产的成型工序中，可能会产生气泡缺陷。检测时，系统通过分析图像中灰度值的变化来识别气泡。难点在于玻璃的半透明性会使气泡的灰度值与背景接近，需要系统在弱对比条件下准确分离气泡信号。
• 玻璃结石检测：结石通常在玻璃原料熔化过程中形成。检测过程中，系统会根据结石与周围玻璃的纹理差异进行判断。由于结石的形状和大小不一，且与玻璃的对比度不高，准确识别结石是一大挑战。
• 玻璃划伤检测：划伤一般在玻璃的切割、搬运等过程中产生。系统通过检测图像中的线条特征来判断是否存在划伤。但玻璃表面的反光可能会干扰划伤的识别，需要对图像进行去噪和增强处理。
• 无纺布破洞检测：在无纺布的成型和加工过程中可能会出现破洞。系统通过分析图像的纹理连续性来识别破洞。由于无纺布本身纤维杂乱的特性，区分破洞和正常纹理较为困难。
• 无纺布异物检测：异物可能在原材料混入或生产过程中进入无纺布。检测时，系统会根据异物与无纺布的颜色、纹理差异进行识别。但当异物颜色和纹理与无纺布相近时，检测难度会增大。

落地案例

某中型材料生产企业，同时生产玻璃和无纺布两类产品。该企业之前一直采用人工目检的方式进行表面缺陷检测，但由于人工检测受半透明与弱纹理影响，长时间盯检易疲劳漏判，一致性差，导致产品次品率较高。在引入微链道爱（DaoAI）的检测方案后，上线过程较为顺利。首先，DaoAI 团队利用企业现有的少量缺陷样本和充足的良品样本进行模型训练。然后，将训练好的模型部署到生产线上进行测试和优化。经过一段时间的调试，系统正式上线。上线前，该企业的玻璃和无纺布缺陷漏检率分别达到 15% 和 12%，误报率分别为 10% 和 8%。上线后，缺陷漏检率分别降低至 5% 和 6%，误报率分别降低至 3% 和 2%。

缺陷样本越稀少，只学良品的价值越大——先建正常基线，再用少样本补齐判据。

微链道爱解决方案与产品

微链道爱（DaoAI）的解决方案主要基于少样本学习与 APDT 异常检测相结合的技术。产品包括高精度的图像采集设备和先进的数据分析软件。图像采集设备能够快速、准确地采集玻璃和无纺布表面的图像，为后续的分析提供数据支持。数据分析软件则利用少样本学习和 APDT 算法，对采集到的图像进行处理和分析，识别出表面的缺陷。该产品具有少样本即可上线、针对玻璃半透明和无纺布弱纹理优化等特点，能够有效提高检测的准确性和效率。

量化成效：通过使用微链道爱（DaoAI）的检测方案，该企业实现了玻璃和无纺布表面缺陷检出率达到 94% 以上。同时，缺陷漏检率分别降低了 10% 和 6%，误报率分别降低了 7% 和 6%。质检从依赖经验目检转为标准化在线判定，新缺陷类型可凭少量样本快速补充，检测的一致性和可维护性得到了同步提升，为企业提高产品质量、降低生产成本提供了有力支持。

本文由人工智能生成。文中客户案例为基于产品真实能力的模拟场景，成效数字为示例性质；官方标定口径以产品页为准。