缺陷检测是视觉需求中难度最大一类需求，主要是其稳定性和精度的保证。首先常见缺陷：凹凸、污点瑕疵、划痕、裂缝、探伤等。工业视觉缺陷检测常用的几种方法有哪些？

传统图像算法是基础且灵活的手段。特征工程通过分析图像灰度值、颜色、轮廓等特征来检测缺陷，方法灵活且开发速度快，还能将缺陷特征参数开放供使用者调整。模板匹配则是预设图像模板，与待测图像比较以识别缺陷，例如在饮料瓶标签检测中，会结合特征工程和模板匹配技术，先利用特征工程识别部分缺陷类型，再用模板匹配判断标签是否有缺陷。

计算机视觉（CV）算法属于AI算法分支，在工业视觉领域应用广泛。图像分类能对图像分类并确定类别，但在工业视觉中，因工业相机视野问题，很少直接对整张图分类。目标检测算法通过标注大量缺陷数据集，训练出具有缺陷检测能力的模型，像经典的YOLO系列算法，准确率高且推理速度快，不过它依赖大量数据集，若数据不足会影响准确率。实例分割是目标检测的升级版，用更精细的mask定位缺陷，能获得更精准的缺陷定位，在缺陷交叉或包含时优势明显，但它同样依赖大量数据集，且标注工作量更大。