2025-07-24 17:19 江苏
本文将深度解读一篇关于工业缺陷检测的最新综述论文《A Comprehensive Survey for Real-World Industrial Defect Detection: Challenges, Approaches, and Prospects》。该研究由来自华中科技大学、湖南大学、清华大学以及吉利汽车研究院(宁波)的学者们共同完成。
工业缺陷检测是现代制造业中保证产品质量的关键环节。随着工业界对精度、自动化和规模化要求的不断提高，传统检测方法已难以满足现实需求。这篇综述深入分析了2D和3D领域的封闭集（closed-set）和开放集（open-set）缺陷检测策略，系统梳理了近年来的技术演进，并重点探讨了开放集技术的崛起。文章提炼了真实检测环境中的关键挑战，并展望了新兴趋势，为这个快速发展的领域提供了全面而前沿的视角。
论文标题：A Comprehensive Survey for Real-World Industrial Defect Detection: Challenges, Approaches, and Prospects
作者：Yuqi Cheng, Yunkang Cao, Haiming Yao, Wei Luo, Cheng Jiang, Hui Zhang, Weiming Shen
机构：华中科技大学、湖南大学、清华大学、吉利汽车研究院(宁波)
研究背景与意义
在追求高精度、大规模定制生产的今天，高效、准确且适应性强的缺陷检测（Defect Detection, DD）系统已成为工业运营的核心需求。传统的人工目检或机械工具检测方式因其效率低下和对人力的依赖而逐渐被淘汰。
基于图像处理的自动化检测技术应运而生，但它们通常要求严格控制的成像环境，且对光照、物体方向和形状的变化非常敏感。真实工业环境的复杂性，如组件的复杂几何形状和多样的材料表面（如金属、透明或高反光表面），给成像带来了巨大挑战。
缺陷本身也表现出多样性，可以是2D图像上的纹理异常，也可以是3D结构上的几何形状偏差。因此，研究同时覆盖了2D和3D两种模态。
更重要的是，传统缺陷检测大多在“封闭集”假设下进行，即模型只能识别训练中已知的缺陷类型。然而，在实际生产中，新的、未知的缺陷类型会不断出现。为了解决这个问题，研究焦点逐渐转向“开放集”缺陷检测，特别是工业视觉异常检测（industrial visual anomaly detection），它旨在不依赖大量异常样本标注的情况下识别新奇缺陷。
这篇综述的价值在于，它首次系统性地梳理了从封闭集到开放集缺陷检测的转变，综合了2D和3D领域的见解，为学术界和工业界提供了该领域的全景图。
工业缺陷检测方案 (DD Scheme)
一个完整的缺陷检测方案包含三个核心维度：检测系统、数据集和挑战。
1. 检测系统 (Detection System)
一个典型的工业缺陷检测系统包含三大模块：检测设备、数据处理与分析系统和检测结果。下图清晰地展示了这三个主要组成部分及其相互关系。
2. 公共数据集 (Public Datasets)
论文系统总结了工业缺陷检测领域的代表性公共基准数据集。这些数据集的发展趋势反映了研究的演进：从封闭集到开放集，从单一模态到多模态（Multi-Modal），并且越来越关注真实世界应用中的视角和光照变化等挑战。
3. 核心挑战 (Defect Detection Challenges)
复杂工业对象的清晰成像：复杂几何体和多样的表面材质对成像构成挑战。
跨模态缺陷的可见性：2D图像擅长纹理但缺失深度，3D数据擅长几何但可能稀疏、有噪声。
缺陷类型的微小、多样和新颖：微小缺陷本身就难以察觉，且种类繁多、不可预测。
数据标注的挑战：缺陷数据标注成本高昂，且正常样本远多于缺陷样本，导致数据不平衡。
精度和速度的要求：工业检测线要求高精度和高帧率的实时性能。
2D缺陷检测技术
下图清晰对比了封闭集与开放集缺陷检测范式，包括监督式、无监督、半监督、少样本和零样本检测的训练和测试数据构成。
下图展示了2D缺陷检测代表性方法的时间线，从YOLO等封闭集方法到PatchCore、WinCLIP、AnomalyDiffusion等开放集方法的演进清晰可见。
1. 封闭集2D缺陷检测 (Close-Set 2D DD)
该方法假设所有缺陷类型在训练时都是已知的。其技术发展与主流计算机视觉一脉相承，从早期的CNN到最新的Vision Transformers（ViT）和基础模型。
2. 开放集2D缺陷检测 (Open-Set 2D DD)
开放集检测是本次综述的重点，它旨在识别训练期间未见过的“新”缺陷。
无监督异常检测 (Unsupervised Anomaly Detection) ：这是最主流的范式，仅使用正常样本进行训练。其核心在于特征提取和特征比较两个阶段。
半监督异常检测 (Semi-supervised Anomaly Detection) ：在训练中利用少量已知的异常样本，提升对已知异常的检测性能。
零/少样本异常检测 (Zero/Few-shot Anomaly Detection) ：旨在仅用极少量样本甚至不用目标样本的情况下完成检测。近年来，视觉语言模型（VLM）和多模态大语言模型（MLLM）的崛起极大地推动了这一方向的发展。
3D缺陷检测技术
点云数据能够捕捉物体的完整3D几何属性，尤其适合检查具有复杂曲面的物体。下图展示了3D缺陷检测代表性方法的时间线。
1. 封闭集3D缺陷检测 (Close-Set 3D DD)
主要将其视为一个语义分割任务，直接分割出缺陷区域。方法可分为基于点的方法（如PointNet系列）和基于其他格式的方法（如多视图或体素）。
2. 开放集3D缺陷检测 (Open-Set 3D DD)
同样，开放集也是3D检测的研究热点。下图展示了3D开放集检测的三种代表性方案。
基于参考的异常检测 (Reference-based) ：将待测点云与一个完美的数字模型（如CAD模型）进行配准，通过计算几何偏差来识别缺陷。
基于点云的异常检测 (Point Cloud-based) ：不依赖参考模型，直接从点云数据中学习“正常”的几何表示。
基于多模态的异常检测 (Multi-modal-based) ：融合点云、RGB图像等多种模态信息，以捕捉几何和外观特征，显著提升检测的鲁棒性。
未来方向与展望
论文为工业缺陷检测的未来发展指明了几个关键方向：
迈向统一的缺陷检测框架：开发能够无缝适应从开放集到封闭集动态变化的统一框架。
迈向可控的缺陷生成：研究可控的生成技术，以解决数据稀缺问题。
迈向可配置的检测系统：开发能自动优化成像参数的系统，降低部署成本。
迈向大规模真实世界数据集：通过产学研合作，构建更大规模、更多样化的真实世界数据集。
迈向高分辨率缺陷检测：开发高效的、能处理高分辨率输入的模型，以识别微米级的微小缺陷。
迈向高语义缺陷检测：利用先进架构，增强对错装等语义缺陷的理解能力。
迈向增强的可解释性：不仅是检测，更要利用MLLM等技术来追溯缺陷根源，为工艺优化提供决策支持。
论文贡献与价值
本篇综述论文为工业缺陷检测领域做出了重要贡献。它系统性地梳理了从2D到3D、从封闭集到开放集的技术全景，清晰地勾勒了该领域的技术演进脉络。通过对现有方法、挑战和数据集的全面总结，它为研究人员和工程师提供了一个宝贵的参考框架。更重要的是，文章对未来趋势的深刻洞见，无疑将推动该领域迈向更智能、更可靠的未来。
了解最新 AI 进展，欢迎关注公众号
投稿寻求报道请发邮件：amos@52cv.net
