夜雨聆风近日，中国智慧工程研究会发布《基于人工智能的机器视觉缺陷检测系统技术规范》（征求意见稿），该文件规定了基于人工智能的机器视觉缺陷检测系统的基本架构、功能要求、性能要求、试验方法和数据管理与安全，包括规定了误检率应≤5%、漏检率应≤0.05%、缺陷识别准确率应≥80%等性能要求。适用于生产、质量检测等领域中，利用机器视觉技术进行缺陷检测的系统的设计、开发、部署和应用。如下：
基于人工智能的机器视觉缺陷检测系统技术规范
1 范围
本文件规定了基于人工智能的机器视觉缺陷检测系统的基本架构、功能要求、性能要求、试验方法和数据管理与安全。
本文件适用于工业生产、质量检测等领域中，利用机器视觉技术进行缺陷检测的系统的设计、开发、部署和应用。
2 规范性引用文件
本文件没有规范性引用文件。
3 术语和定义
下列术语和定义适用于本文件。
3.1 正检 positive inspection
对于有缺陷的检测样本，准确识别为有缺陷的检测结果。
3.1 误检 false detection
对于无缺陷的检测样本，错误识别为有缺陷的检测结果。
3.2 漏检 missed detection
对于有缺陷的检测样本，错误识别为无缺陷的检测结果。
3.3 误判 misjudgment
系统对检测样本的缺陷存在性、缺陷类型或缺陷位置做出与实际情况不符的判断结果，包含误检、漏检及缺陷类型识别错误等情形。
3.4 系统检测速度 system detection speed
单个样品从到达系统指定位置触发图像采集开始，到AI图像处理输出检测结果所消耗的时间。
3.5 位置定位精度 position location accuracy
对缺陷位置定位的准确性度量，包含定位精确率、定位召回率和平均精度均值（mAP）。
3.6 缺陷识别精度 defect identification accuracy
对缺陷类型识别的准确性度量，包含误检率、漏检率、缺陷识别准确率。
3.7 重复精度 repeatability accuracy
在相同检测条件下，对同一缺陷样本进行多人多次连续检测时，系统输出的缺陷识别结果的一致性程度。
3.8 缺陷类型 defect type
缺陷类型通常可按形态、成因或影响程度划分，常见类别包括但不限于：形态类、成因类等。
3.9 检测精度 detection accuracy
系统对物体特征和缺陷的检测准确程度，通常以检测准确率、缺陷分辨率等指标衡量。
3.10 深度学习 deep learning
基于多层神经网络结构，通过自动学习图像多层特征实现缺陷检测、分类与定位的算法技术，是AI图像处理的核心实现方式之一。
4 基本架构
4.1 输入输出模块（I/O模块）
输入输出模块是系统与外部设备、用户及生产线联动的核心接口，承担信号交互、指令传输及结果反馈功能，具体要求如下：
a）输入功能：
1）触发信号输入：支持外部触发和内部触发两种模式，可接收开关量、模拟量或数字脉冲信号，触发精度误差不超过1 ms；
2）参数配置输入：支持通过硬件接口或软件界面接收用户配置指令，包括成像参数、检测参数、报警参数等，输入指令响应时间不超过500 ms；
3）外部数据输入：兼容生产线MES系统、ERP系统的数据对接，可接收产品批次信息、生产工艺参数、历史检测数据等结构化数据，支持JSON等通用数据格式，数据传输成功率不低于99.9%，且要有传输失败的故障处理机制。
b）输出功能：
1）检测结果输出：将AI图像处理模块生成的缺陷信息以电信号或网络信号形式输出，支持对接生产线分拣设备，输出延迟不超过100 ms；
2）报警信号输出：当触发缺陷超限或系统异常报警时，同步输出声光报警控制信号、网络报警指令，支持联动车间报警灯、蜂鸣器等设备，报警信号响应时间不超过200 ms；
3）数据交互输出：向外部系统推送检测报告、设备运行状态、缺陷统计数据等，支持FTP、HTTP/HTTPS等传输协议，数据输出完整性达100%，且具备数据校验机制（如：MD5校验）防止传输错误。
c）通讯兼容性：
1）支持工业常用通讯协议，如TCP/IP、Modbus等；
2）提供标准化硬件接口。
4.2 图像采集模块
应满足以下要求：
a）输出满足视觉缺陷检测要求的图像类型，如灰度图、彩色图、多光谱图或分时成像图等；
b）镜头应根据检测目标的大小、距离等因素合理选择，确保采集到清晰、完整的图像；
c）所采集图像用于传输至AI图像处理模块进行检测，并缓存于数据管理模块；
d）相机与镜头要接受数据管理模块的调控，动态调整参数与配置，如曝光时间、增益、焦距等；
e）光源、打光方式及其参数要满足凸显缺陷特征，淡化非缺陷特征的原则，光源亮度可调整；
f）采集的图像要满足实际项目所需的视野、分辨率以及帧率要求。
4.3 AI图像处理模块
应满足以下要求：
a）处理速度要满足项目的检测速度要求，检测精度及正确率要满足项目要求，支持深度学习算法作为核心处理方式，适配工业缺陷检测的特征提取与识别需求；
b）应包括模型的训练、验证、更新和部署，以及数据标注等功能；
c）利用深度学习算法与图像处理算法的结合应用对采集自目标物体的图像应进行特征提取、缺陷识别和分类，并将检测结果反馈至应用服务模块；
d）检测结果可缓存至数据管理模块，以供后续的统计与分析。
4.4 数据管理模块
数据管理模块应具备以下功能：
a）对图像采集模块、AI图像处理模块和应用服务模块应进行参数配置和管理，并提供数据缓存、检测结果的统计与分析、历史检测信息查询等功能；
b）对采集的图像数据、标注数据、模型数据等应进行有效存储、管理和维护；
c）对数据进行备份和恢复操作。
4.5 应用服务模块
应用服务模块应具备以下功能：
a）能根据AI图像处理模块的检测结果，面向用户提供缺陷检测报告、报警信息等功能；
b）能够将检测结果以直观的方式呈现给用户，如生成缺陷位置分布图、缺陷类型统计报表等；
c）其数据可缓存至数据管理模块以供统计与分析，并接受数据管理模块的调控以动态调整应用配置，如设置报警阈值、报告格式等。
5 功能要求
5.1 图像采集模块
5.1.1 成像方式
支持可见光成像、红外成像、紫外成像或多光谱成像方式，以适应项目检测产品的材质、颜色、表面特征的检测要求，能够根据检测需求自动或手动切换成像方式。
5.1.2 采集模式
采集方式有受控和自动图像采集模式，具体根据项目要求选择，采集间隔可根据生产速度等实际情况进行灵活设置，在自动采集模式下，系统能够与生产线联动，实现产品的实时在线检测。
5.1.3 图像传输
支持多种传输协议与传输接口，保障图像数据稳定、快速地传输至后续处理模块。
5.1.4 图像增强
支持强光抑制、背光补偿、图像降噪、电子去雾、居中对准、AI对焦变焦、自适应成像等多种图像增强方式，以提高采集图像的质量，确保缺陷特征能够清晰呈现。
5.1.5 图像分辨率与格式
可见光成像像素包括200W、500W、1200W等多种分辨率，线扫描相机成像分辨率包括2K、4K、8K、16K等，红外成像像素包括160×120、240×180、320×240、384×288、640×480等多种分辨率。图像成像文件格式包括PNG、JPEG、TIFF、BMP等多种格式，满足不同存储和处理需求，应根据项目要求选择匹配的分辨率及图像格式。
5.2 AI图像处理模块
5.2.1 数据准备与标注
能够方便地进行检测数据的准备工作，包括数据导入、数据清洗等。提供高效的数据标注工具，支持图像标注、语义分割标注等多种标注方式，便于标注人员准确标记缺陷位置、类型等信息，标注人员间要保持一致的标注标准，要保持持续一致的标注标准，不能因时或因人而变化。
5.2.2 AI模型训练与部署
应满足以下要求：
a）支持多种深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）及其变体等，以适应不同类型缺陷的检测需求；
b）能够根据标注数据对模型进行训练，训练过程中可实时监控模型的性能指标，如准确率、召回率等；
c）训练完成后，能够将模型快速部署到实际检测环境中；
d）应具备在线或离线的学习能力；
e）系统应能够根据检测结果自动不断优化和改进自身的性能，通过积累检测数据提高检测精度和适应性。
5.2.3 模型更新
模型更新应建立版本管控、过程留痕、追溯可查的全流程管理机制，支持自动更新与手动更新的可控性，同时保障模型迭代的追溯性与数据完备性。
5.2.4 缺陷识别
能够准确识别目标物体表面的各种缺陷，如划痕、裂纹、孔洞、变形、污渍等。
5.2.5 缺陷位置定位
能够精确定位缺陷在目标物体上的位置，定位精度应满足实际生产检测要求，为后续的修复或处理提供准确依据。
5.2.6 深度学习算法
支持深度学习算法在缺陷检测全流程的应用，可基于深度学习实现图像特征的自动提取、缺陷的智能识别与分类。
5.3 数据管理模块
5.3.1 参数配置与管理
能够对图像采集模块、AI图像处理模块和应用服务模块的各种参数进行统一配置和管理，如相机参数、模型参数、报警参数等，参数配置界面应简洁明了，易于操作。
5.3.2 数据缓存与存储
提供足够的缓存空间，确保图像数据、检测结果等能够及时缓存，避免数据丢失，能够将重要数据长期存储在可靠的存储介质中，支持数据的按时间、产品批次等多种方式进行存储和检索。
5.3.3 统计与分析
对检测结果进行多维度的统计与分析，如缺陷类型统计、缺陷数量统计、不同时间段的缺陷分布分析等。通过数据分析，能够为生产工艺改进、质量控制等提供决策支持。
5.3.4 历史信息查询
支持快速查询历史检测信息，包括图像数据、检测结果、处理记录等，可根据时间范围、产品编号、缺陷类型等条件进行精准查询。
5.4 应用服务模块
5.4.1 检测报告生成
报告应满足以下要求：
a）能够根据检测结果自动生成详细的检测报告，报告内容应包括产品信息、检测时间、检测结果（缺陷位置、类型、数量等）、处理建议等；
b）报告格式应符合行业标准和用户需求，支持PDF、Excel等多种格式导出。
5.4.2 报警功能
当检测到缺陷超过预设阈值时、系统运行异常等任何运行异常情况时，应及时发出报警信息，报警方式可包括声光报警、短信报警、邮件报警等，用户可根据实际情况设置报警阈值和报警方式。
5.4.3 用户管理
提供完善的用户管理功能，包括用户注册、登录、权限管理等，应设置三级以上（操作员、工程师、系统管理员）的权限管理，不同权限用户可根据其职责分配不同的操作权限。
5.4.4 可视化展示
通过直观的可视化界面，展示检测结果、统计分析图表、设备运行状态等信息，方便用户快速了解检测情况和系统运行状况。
5.4.5 远程监控
系统应支持远程监控和控制功能，方便用户远程查看检测结果和系统状态，便于系统的维护和管理。
5.4.6 多场景自适应切换
系统应支持多种检测场景的自适应切换，能够对多个类型的产品以及多种产品部件进行检测。
6 性能要求
6.1 系统检测速度
基于AI深度学习的机器视觉缺陷检测系统的单张图像平均检测耗时应从取图触发到出结果的时间间隔≤80%被检测产品的来料周期，以满足生产线的实时检测速度要求。对于高速生产线，系统应具备更高的检测速度，可通过优化算法、提高硬件性能等方式实现。
6.2 位置定位精度
在IoU（交并比）阈值为0.5时，系统的定位精确率应不低于85%，定位召回率应不低于85%，mAP应不低于80%。对于高精度检测需求的场景，定位精度指标应相应提高，如定位精确率不低于90%，定位召回率不低于90%，mAP不低于85%。
6.3 缺陷识别精度
缺陷识别精度应从缺陷类型识别准确性、缺陷存在性判断准确性及缺陷尺寸测量精度三个维度进行管控，通用场景要求如下：
a）误检率：应不高于5%（无缺陷样本被误判为有缺陷的比例）；
b）漏检率：应不高于0.05%（有缺陷样本被误判为无缺陷的比例）；
c）缺陷识别准确率：应不低于80%（正确识别缺陷类型的样本数占实际有缺陷样本总数的比例）；
d）缺陷尺寸测量精度：对于可量化尺寸的缺陷（如：划痕长度、孔洞直径等），测量值与实际尺寸的偏差应不大于两个像素。
6.4 数据存储与处理能力
数据管理模块应具备数据存储能力，包括图像数据、标注数据、检测结果等，针对不同行业宜按照以下要求：
a）军工、医疗等行业的检测数据存储时间应不低于3年；
b）车载工控等行业的检测数据存储时间应不低于2年；
c）消费电子等行业的检测数据存储时间应不低于2个月；
d）无数据追溯要求的行业的检测数据存储时间应不低于1周。
6.5 成像一致性
系统应对来源于不同设备不同相机的同一点位成像图片数据在旋转、偏移、缩放、亮度等参数上与标准黄金模板图片保持一致。
7 试验方法
7.1 功能测试
7.1.1 图像采集模块测试
具体测试步骤如下：
a）针对系统支持的成像方式（如：可见光成像、红外成像、紫外成像、多光谱等），分别检查对应成像模块的工作状态，确认图像采集功能正常；
b）分别设置受控和自动图像采集模式，调整采集间隔，检查系统是否按照设置进行图像采集；
c）启用强光抑制、背光补偿、图像降噪等图像增强功能，对比功能开启前后的图像效果，通过灰度值分析评估前景与背景的区分度；
d）针对系统支持的传输协议和物理接口，分别进行图像传输测试，记录传输过程中的丢包率、延迟时间；
e）设置不同的图像分辨率和文件格式，采集图像后检查保存文件的参数信息，确认与设置要求一致。
7.1.2 AI图像处理模块测试
具体测试步骤如下：
a）导入测试数据，使用数据标注工具进行标注，检查标注功能是否便捷、准确；
b）选择一种深度学习模型，使用标注数据进行训练，观察训练过程中模型性能指标的变化，检查训练是否正常进行，训练完成后，将模型部署到测试环境，进行缺陷检测测试，验证模型的检测效果；
c）模拟新的缺陷类型出现，检查系统是否能够自动收集数据并进行模型更新训练，或手动触发模型更新操作，验证更新后的模型性能；
d）使用带有已知缺陷的测试样本进行检测，检查系统是否能够准确识别缺陷类型并进行分类；
e）对测试样本中的缺陷位置进行标注，与系统检测出的缺陷位置进行对比，计算定位精度指标，验证缺陷位置定位功能；
f）准备含细微缺陷、复杂背景缺陷的测试样本集（不少于100张），分别采用纯深度学习算法、深度学习+传统机器视觉融合算法进行检测，对比两种算法模式的检测结果，验证系统是否能根据样本特征自适应选择最优算法组合，且融合算法检测精度较纯传统算法有明显提升。
7.1.3 数据管理模块测试
具体测试步骤如下：
a）进入参数配置界面，对图像采集模块、AI图像处理模块等的参数进行修改和保存，检查系统是否按照新参数运行；
b）进行大量图像数据采集和检测，观察数据缓存情况，检查数据是否能够及时缓存且不丢失，定期查看数据存储情况，确认数据是否正确存储在指定介质中；
c）选择一段时间内的检测数据，进行缺陷类型统计、缺陷数量统计等分析操作，检查统计结果是否准确；
d）根据不同的查询条件，如时间范围、产品编号等，查询历史检测信息，检查查询结果是否正确、查询速度是否满足要求。
7.1.4 应用服务模块测试
运行应用服务模块，检查其检测报告生成、报警功能、用户管理、可视化展示等功能是否正常，具体测试步骤如下：
a）完成一批产品的检测后，查看系统是否自动生成检测报告，报告内容是否完整、格式是否符合要求，尝试将报告导出为不同格式，检查导出是否成功；
b）设置报警阈值，当检测到缺陷超过阈值时，观察系统是否按照设置的报警方式发出报警信息；
c）进行用户注册、登录操作，为不同用户分配不同权限，使用不同用户账号登录系统，检查用户权限是否生效；
d）查看可视化界面，检查检测结果、统计分析图表等信息是否正确展示，界面是否友好、易于操作；
e）验证系统支持远程访问，能够实时查看检测状态、图像及运行信息，并执行参数配置等控制操作；
f）验证系统支持预设多种检测场景参数，能够通过自动或手动方式完成场景切换，切换后检测结果符合对应场景要求。
7.2 性能测试
7.2.1 系统检测速度测试
应根据以下规则进行：
a）需准备一定数量（如100张、500张等）的测试图像，记录每张图像从开始采集到AI图像处理模块输出检测结果的时间，计算平均检测耗时，与性能要求中的系统检测速度指标进行对比，判断是否满足要求；
b）测试过程中，应模拟不同的生产线速度和图像采集频率，以更全面地评估系统在实际应用中的检测速度性能。
7.2.2 位置定位精度测试
使用带有已知缺陷位置的测试样本，运行系统进行检测，将系统检测出的缺陷位置与实际标注的缺陷位置进行对比，计算IoU值，进而计算定位精确率、定位召回率和mAP，与性能要求中的位置定位精度指标进行对比，判断是否满足要求。测试样本应覆盖不同类型的缺陷和不同位置分布情况，以确保测试结果的准确性和全面性。
7.2.3 缺陷识别精度测试
准备一批包含不同类型缺陷和无缺陷的测试样本，运行系统进行检测，统计误检数量（将无缺陷样本误判为有缺陷的数量）、漏检数量（将有缺陷样本误判为无缺陷的数量）和正确检测的缺陷数量，计算误检率、漏检率和缺陷识别准确率，与性能要求中的缺陷识别精度指标进行对比，判断是否满足要求。测试样本的缺陷类型和数量应具有代表性，能够反映实际生产中可能出现的各种缺陷情况。
7.2.4 数据存储与处理能力测试
在一定时间内（如1天、7天等），持续进行大量的图像采集、检测和数据存储操作，检查数据管理模块是否能够正常存储所有数据，存储容量是否满足要求，在存储大量数据后，进行数据检索、统计分析等操作，记录操作所需时间，评估数据处理能力是否满足性能要求。测试过程中，可逐渐增加数据量，以测试系统在极限情况下的数据存储与处理能力。
8 数据管理与安全
8.1 数据管理
数据管理应满足以下要求：
a）建立完善的数据管理流程，对采集的图像数据、标注数据、模型数据等进行分类管理，确保数据的准确性、完整性和一致性，定期对数据进行备份，防止数据丢失；
b）数据备份应采用可靠的备份策略，如异地备份、定期全量备份和增量备份相结合等；
c）应对数据的访问和使用进行严格的权限控制，需经过授权的人员才能访问和使用相关数据。
8.2 数据安全
数据安全管理应包括以下内容：
a）采用加密技术对敏感数据进行加密存储和传输，防止数据被窃取或篡改；
b）加强系统的网络安全防护，部署防火墙、入侵检测系统等安全设备，防止外部非法攻击；
c）定期对系统进行安全漏洞扫描和修复，确保系统的安全性，对用户登录进行身份验证，采用用户名和密码、指纹识别、面部识别等多种身份验证方式，提高系统的安全性。
