光学表面缺陷的自动化检测与 AI 判级

一、表面疵病：从"老师傅目视"到"AI 判级"

光学元件的表面疵病（划痕、麻点、污渍、崩边）是最常见、也最"磨人"的检测项。长期以来，它依赖老师傅在强光灯下用肉眼对照标准样件判级——凭的是经验、手感，甚至是当天的心情。这种主观判级带来三大问题：结果不一致、无法追溯、速度慢，在量产和高端交付场景里越来越难以接受。

随着机器视觉和深度学习的发展，表面缺陷检测正在经历一场"自动化 + AI 判级"的变革：用暗场散射成像把缺陷"照亮"，用深度学习算法把缺陷"认出来、定级、归档"，把原本靠人的环节，变成可重复、可量化、可追溯的数据流程。

二、传统方法回顾：目视、数字显微、散射

三种方法各有侧重，但都难以同时满足"快、准、可追溯"。自动化检测的目标，就是把散射法的"快"和显微法的"准"结合起来，再用 AI 补上"自动分类判级"这最后一环。

三、暗场散射成像：让缺陷"自己发光"

自动化检测的物理基础是暗场成像。普通明场照明下，光滑表面的划痕麻点对比度很低、容易被淹没；而在暗场照明下，光线以大角度掠射，光滑表面几乎不反射光（呈黑暗背景），而缺陷处因散射而"亮"起来——缺陷在黑色背景上成为高亮目标，信噪比极高，特别适合机器视觉捕捉。

暗场成像的关键在于光源布局：环形或掠射光源让光滑表面反射光避开成像镜头，只有缺陷散射的光进入镜头。配合高分辨率相机，微米级甚至亚微米级的划痕、麻点都能清晰成像。

四、AI 判级：把"经验"变成"模型"

成像只是第一步，真正替代老师傅的是AI 判级。深度学习模型经过大量标注样本训练后，能自动完成：

• 缺陷检测与分割：从图像中自动找出缺陷，并精确勾勒其轮廓。

• 缺陷分类：区分划痕、麻点、污渍、崩边等不同类型。

• 尺寸与等级判定：测量缺陷尺寸，映射到 ISO 10110-7 的 5/N×A 记法，给出客观的判级结果。

• 数据归档：每片元件的缺陷图和判级结果自动存档，形成可追溯的质量记录。

AI 判级的价值不在于"比老师傅看得更清楚"，而在于"一致、可复现、可训练"——同一套标准，凌晨三点和上午十点判的结果一样；遇到新的缺陷类型，可以继续训练模型升级，而不是再培养一个十年经验的老师傅。

五、检测-数据闭环：从判级到质量管理

自动化检测的终极价值，是打通"检测—判级—统计—改进"的闭环：

• SPC 统计过程控制：缺陷率、缺陷类型的实时统计，及时发现工艺异常。

• 工艺追溯：缺陷数据关联到批次、工序、设备，定位问题根源。

• 验收一致性：供应商和客户用同一套 AI 判级标准，减少判定争议。

对镜头、窗口、棱镜等大批量元件，这套闭环能把表面质量从"事后挑废品"变成"过程可控、数据说话"。

表面疵病检测的自动化与 AI 判级，本质是把"人的经验"沉淀为"可复用的模型"，把"主观目视"升级为"客观数据"。暗场散射成像解决了"看得见"，深度学习解决了"认得出、判得准"，数据闭环解决了"管得住"。