企业官网建设流程全解析

干机器视觉这行时间长了，你会发现一个规律：越是看着不起眼的检测需求，越能把人折腾得够呛。金属表面缺陷检测就是这么个典型——听起来不就是看划痕、坑点吗？真做起来，光源怎么打、算法怎么选、良品率怎么控，一环扣一环，哪一步不到位，到了现场就是无休止的误报和漏检。这几年我从Halcon的传统算法一路做到YOLOv8的深度学习方案，经手的金属件、电机转子、PCBA板卡这些项目不在少数，今天就把这套东西从头到尾捋一遍，给准备入坑或者正在现场折腾的朋友一个完整参考。

这篇文章不聊虚的，全是实际项目里验证过的思路。你会看到我怎么做需求拆解、怎么选光源和相机、怎么在传统视觉和深度学习之间做取舍，以及那些只有到现场调试才会踩中的坑。不管是刚开始接触视觉检测的入门者，还是已经被过检率折磨到失眠的老手，这篇文章应该都能给你一些可落地的启发。

1. 项目概述与检测需求拆解

1.1 金属表面缺陷检测为什么难做

先泼一盆冷水：金属表面缺陷检测在机器视觉领域属于典型的“看着容易做着难”。为什么？因为金属表面本身就是一个极不稳定的成像对象。拉丝铝板的纹理方向、冷轧钢板的漫反射特性、镜面抛光件的强反光，这些材质差异直接决定了你用什么光源、什么角度、什么算法。同一个划痕，在磨砂面上是一道灰线，在镜面上可能只是一个微弱的影子，换个角度就消失了。

再加上缺陷本身的多样性——划伤、凹坑、麻点、锈蚀、氧化变色、压伤、脏污、镀层脱落，每种缺陷的灰度特征、形状特征、频率特征都不一样。这就导致一个很尴尬的现实：你很难设计出一套“通用”方案，能同时搞定所有缺陷类型。每个项目基本都要量身定制，而定制的第一步，就是把需求问清楚。

我在接到一个新的金属表面缺陷检测项目时，前三天基本不碰代码，也不碰硬件，就是在跟客户反复确认需求。不是拖延，而是需求不明确的话，后面的返工成本会成倍增加。

1.2 六类核心缺陷与检测指标定标

金属表面常见的缺陷，按形态和成因大致分六类：

• 划伤类：细长条状，深度和宽度变化大，方向随机，容易与拉丝纹理混淆
• 凹陷类：点状或块状的凹坑、压伤，表面有边缘阴影，但背景本身可能不平整
• 凸起类：毛刺、焊渣、凸点，特征与凹陷类似但灰度方向相反
• 异物类：锈斑、油污、灰尘、胶痕，颜色和灰度都与基底有差异
• 纹理异常：氧化不均匀、镀层色差、水渍痕迹，往往是低对比度渐变
• 裂纹类：细线状，通常最深，但容易被纹理覆盖，需要高分辨率才能看清

这几类缺陷的特性和检测难度完全不同。划伤和裂纹在特定打光条件下表现最好，凹坑和异物则对光源角度和均匀性要求更高。

在定标的时候，我跟客户聊的最多的是两个指标：过检率和漏检率。很多人上来就说“我们要求零漏检”，这个可以理解，但你得知道——在工业现场，漏检率和过检率是跷跷板。你把判定阈值压得太狠，漏检是少了，但过检会暴增，产线上天天挑出来的都是好料，操作工烦不烦？所以在项目启动前，一定要跟客户确认清楚：缺陷良率目标是多少？允许的过检率是多少？现场有没有复检工位来兜底？

提示：如果现场有二次人工复检，过检率可以适当放宽到3%~5%，换取更低的漏检率。如果没有复检工位，过检率必须控制在1%以内，否则生产根本跑不起来。

检测节拍也是必须提前定死的参数。产线节拍是每分钟60件还是120件，直接决定了你的相机帧率、算法耗时、硬件选型。我见过一个项目，客户做汽车零部件的在线全检，节拍要求4秒一件，但实际给了2秒多一点的拍照和检测窗口，那就必须选全局快门相机外加高速推理方案，CPU根本跑不动。

2. 成像方案设计与硬件选型解析

2.1 光源选型：决定成败的第一道关

如果只能给一个建议，我会说：把项目60%的精力花在成像上。算法再牛，图像里看不到缺陷，一切都白搭。金属表面检测的光源方案，基本就这几种，各有各的适用场景。

• 低角度环形光：这是划伤、压伤、凹坑类缺陷的首选。光线以接近水平的角度打在金属表面，遇到凹陷或划痕时，边缘会形成强烈的散射和阴影，缺陷一下就“跳”出来了。我做过一个不锈钢外壳划伤检测项目，用45度低角度环形光，之前用垂直光完全看不清的细微划痕，换光源后直接在暗背景上显示成亮线，对比度翻了几倍。

• 同轴光：适合高反光、镜面材质的表面检测。同轴光的特点是通过半反半透镜让光线垂直照射，镜头也从同一个方向接收反射光，能够消除金属表面的镜面反光干扰，让图像呈现均匀的底色，适合检测色差、氧化、脏污这类灰度渐变型缺陷。

• 穹顶光源：打光均匀，适合检测凹坑、麻点这类需要整体灰度特征的缺陷。穹顶光相当于给被测物罩了一个发光的半球，从各个方向均匀照明，缺点是对于方向性强的划伤来说对比度不足。

• 条光加多角度组合：对于有纹理的金属（拉丝铝、发纹不锈钢），单光源往往压不住纹理干扰，需要两组条光从不同角度组合打光，利用纹理的方向性来抑制背景、增强缺陷。

光源颜色也有讲究。彩色/黑白相机对蓝光的响应不同，用蓝色光在铝合金表面可以获得更好的对比度，而对表面发黄的氧化斑，又得换用白光才能还原真实颜色信息。不要迷信某一固定波长的光，现场试过才知道。

2.2 相机、镜头与分辨率计算：像素精度要多少才够

相机和镜头的选型，核心只有一个问题：你要看的缺陷最小是多大，需要多少像素精度才能稳定呈现？

这里有个经验公式：要稳定检测到某个最小尺寸的缺陷，像素精度（每个像素对应的实际物理尺寸）至少要达到缺陷尺寸的1/3到1/5。比如客户要求识别0.1mm以上的划痕，那像素精度最好在0.02~0.03mm/pixel以内。

举个例子，我做一个电机转子表面的检测项目，绕线后的金属表面要检查的缺陷最小尺寸就是0.15mm。视野范围大约40mm×30mm，像素精度按0.03mm/pixel来计算：

• 横向像素数 = 40 / 0.03 ≈ 1334 pixel
• 纵向像素数 = 30 / 0.03 = 1000 pixel

所以选择500万像素（2448×2048）的面阵相机就稳妥了，120万像素的相机只能勉强够，但稳定性会差很多。如果视野再大一些，比如一整块板材在产线上快速通过，那就得考虑线阵相机加编码器触发的方式，面阵相机的分辨率再高也覆盖不了这样的场景。

镜头的选择要匹配相机的芯片尺寸和接口类型，同时注意工作距离的限制。现场空间不够大的时候，可能得用短焦镜头，但短焦带来的畸变问题又要在标定阶段后期处理掉。这些都不是看参数表能拍板的，最好拿实际样件到现场试拍一下，看到的图像效果才是最终答案。

2.3 触发与安装结构：稳定图像的前提

图像稳定性是缺陷检测项目里最容易被低估的一环。很多项目在实验室里跑得好好的，一上产线就废了——不是算法变了，是图像变了。

原因往往出在触发和安装结构上。工件到位后，传感器触发信号到相机开始曝光，中间的延时如果抖动，工件在视野里的位置就会变化，拍出来的图像偏移哪怕两三个像素，缺陷在图像里的位置就可能出错。对于这点，我的做法是：选用带硬件触发输入的工业相机，用PLC信号直接触发，软件触发只作为调试用途。

安装结构上，要消除震动。产线设备高速运转时，底座的振动传到相机上，轻则图像模糊，重则每帧图像位置都不一样。相机固定支架要做减震处理，光源的固定位置要牢靠，避免调整之后就松动。

还有环境光的问题。金属车间里往往有大面积的焊接弧光、天车下方的高杆照明，这些都会对成像造成干扰。我的标准配置是在检测工位加遮光罩，把整个成像区域罩起来，只留工件进出的通道，保证内外部环境光尽量隔离。

3. 算法方案选型：传统视觉与深度学习的取舍

3.1 从Halcon到OpenCV：传统图像处理的优势区

金属表面缺陷检测的算法选型，一直在传统图像处理和深度学习两条路线之间摇摆。先说传统算法。

以Halcon为代表的传统机器视觉库，在处理规则形态缺陷时效率极高。Halcon里的Blob分析（连通域分析）、形态学处理、频域滤波，对于凹坑、污点、规则形状的缺陷，可以说是一把一个准。而且传统算法的优势在于速度极快——一个Halcon的快速阈值加Blob分析，处理一张500万像素的图，跑在普通工控机上也就20到40毫秒，完全可以满足高速产线的节拍要求。

另外，传统算法的可解释性非常强。检测逻辑是“灰度低于某个阈值的区域，面积超过N个像素就判为缺陷”，出了问题，工程师可以一行一行去查参数，改成别的工作站也能复现。这在现场维护时是巨大的优势。

但传统算法的短板也很明显：它对一致性太敏感。光源老化、环境光变化、来料颜色批次波动，都会导致灰度阈值失效。而且对于纹理背景中的缺陷，或者形状千变万化的缺陷，传统算法的泛化能力很差。拉丝铝面板上的一道划痕，如果没有和纹理方向形成对比，阈值分割基本无从下手。

3.2 YOLOv8等深度学习方案：哪些场景必须上AI

近两年，YOLOv8在缺陷检测领域的热度确实高。它本质是一个目标检测网络，能在一次前向推理中同时完成缺陷的定位和分类。我在实际项目里体会到，深度学习方案在下面几个场景里是绕不过去的：

• 缺陷形态多变，没有统一的灰度特征可提取
• 背景纹理强烈，传统方法无法在特征层面把缺陷和纹理分开
• 缺陷类型多且需要区分（比如同时输出“划伤”“凹坑”“异物”及坐标框）
• 现场来料一致性差，灰度波动大，传统阈值扛不住

YOLOv8对比此前几代版本的升级点也很实在：C2f结构的backbone更强了，能提取细粒度的纹理特征；支持anchor-free检测，省去了很多先验框设计的麻烦。同时它的训练和部署工具链很完善，从标注到导出ONNX再到TensorRT加速，整个流程已经很成熟。

实际测试中，我用YOLOv8s做金属表面的划伤和凹坑检测，在RTX 3060上单张推理时间大概12到18毫秒，用TensorRT优化后可以压到5毫秒以内。这个速度在线检测场景下完全是足够的。

3.3 混合方案：传统算法保底，深度学习攻坚

我自己的项目实践里，用得最多的其实不是“二选一”，而是混合策略。简单说就是：先用传统算法做快速初筛，把绝对良品快速放行，只把可疑区域交给深度学习模型做精细判断。

这样做有几个好处。第一是速度，传统算法初筛只处理模糊或区域特征，耗时极短，深度学习只需要处理少量候选框，整体帧率能提升近一倍。第二是误检率下降，深度模型只看可疑区域，不会在整幅图上“大海捞针”，减少了很多因为背景特征引起的误报。第三是逻辑清晰，现场解决过检问题时，可以快速判断是哪一级出的问题——是初筛阈值太严，还是模型把正常纹理当成了缺陷。

一个实际的配置可以是这样的：

• 处理层1：Halcon或OpenCV做快速阈值、背景抑制、区域定位，排除90%的良品
• 处理层2：候选区域统一缩放到固定尺寸，送入YOLOv8模型做分类和精确定位
• 处理层3：规则引擎对模型输出做后处理，按面积、长度、置信度等指标做最终判定

这个方案看着复杂，但实际部署下来，运行稳定性和可维护性都远高于单纯跑深度学习。而且客户更容易接受，因为每个判定都有据可查，不是“黑盒”。

4. 实操过程与核心环节实现

4.1 样品采集：数据是深度学习的生死线

如果你决定走深度学习路线，那就要认认真真准备数据，否则后面每一步都是空中楼阁。

我在项目启动时一般会跟客户提一个“样品清单”的要求：每种已知缺陷类型至少提供50到100个真实样本，同时提供不同批次的良品样本。这个数量听起来多，但在深度学习中真的不算充裕。缺陷样本如果少于50个，模型几乎学不到稳定的特征，泛化到现场必定翻车。

采集图像的时候，要注意几个要点：

• 覆盖不同角度和位置：缺陷在视野内的不同位置、不同姿态都要拍到，尤其是边缘区域，因为边缘的成像和中心差别很大
• 覆盖不同严重程度：轻度、中度、严重的缺陷都要有，否则模型只会识别最严重的，轻微缺陷容易漏
• 覆盖批次差异：不同日期、不同供应商的来料表面状态有差异，尽量都纳入数据范围
• 采集产线实际图像：如果条件允许，上线试跑几天，收集产线上的真实图像，这一步对校正模型至关重要

标注这块，我用的是LabelImg这类常见的矩形框标注工具。对于缺陷检测来说，矩形框就是给模型一个“这里有问题”的区域范围。注意缺陷通常很小，标注时不要手抖把框拉得过大——框太大了会把大量背景也包进去，模型就不知道到底学的是缺陷还是背景了。

提示：标注时必须处理样本不平衡问题。如果划伤样本有1000个，凹坑只有50个，模型最后基本只会学划伤。可以先用传统算法做初步的缺陷筛查，把可疑区域扩充进来，再人工确认，用这种方式快速扩充凹坑样本。

4.2 数据增强与预处理：把每一张图用到极致

在缺陷样本有限的情况下，数据增强是提升模型泛化能力最重要的手段。

我常用的增强操作包括：随机旋转（注意不要超过15度，否则缺陷形态失真）、裁剪缩放、亮度对比度扰动、高斯噪声、模糊。对于金属表面这种高光材质，我还习惯在增强时加上随机的高光模拟——在图像局部叠加不同的亮度区域，模拟实际产线上光源反射变化的情况。

另外一个容易忽略的预处理是图像归一化。金属表面的灰度范围波动很大，同一类型的金属，磨砂面和镜面灰度差异能差好几个级别。把图像做直方图均衡化或者均值方差归一化，可以显著提升模型对不同表面状态的适应力。

对于YOLOv8，训练前的自动预处理也很重要。模型的输入尺寸一般设置为640×640，如果你的原图是2448×2048，直接resize会丢失大量细节。所以我会先做切片——把大图切分成若干个子图，每个子图大小适合模型输入，并且确保一个缺陷完整落在某一子图中。切片策略需要谨慎设计，不能让缺陷被切到边缘。

4.3 YOLOv8训练与调参：关键参数怎么定

敲定数据之后，训练环节也有一堆门道。YOLOv8的ultralytics库把训练封装得很友好，我一般就改几个参数就能跑起来。

先用一个示例说明常用配置：

# dataset.yaml train: ./datasets/metal_defect/train/images val: ./datasets/metal_defect/val/images nc: 4 names: ['scratch', 'dent', 'rust', 'foreign_matter']

训练命令：

yolo detect train data=metal_defect.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 patience=30

几个关键参数我有自己的经验值：

• model：首选yolov8s。n太小容易欠拟合，m和l在这个任务上没必要，推理速度还会拖慢。我在一个焊点质量检测项目里对比过，s的精度已经超过了客户的要求，m仅提升0.5%左右的mAP，推理时间却多了40%
• imgsz：在标注框较小或者缺陷细长条状明显的情况下，建议用800或960，不要贪大，太大的输入尺寸会让小batch训练效率低下
• patience：设置早停，30到50即可，防止在验证集上过拟合后还继续傻跑
• batch：根据显卡显存调整，尽可能大，小batch在缺陷样本少的时候容易出现梯度的随机波动，收敛不稳定

训练过程中我会重点关注两个指标：一是训练集和验证集的loss曲线是否同步下降，如果训练loss下降而验证loss不降反升，就是过拟合，需要加增强或者减少训练轮数；二是各类别单独的召回率，不能只看整体mAP，因为可能某个类别的缺陷样本少，把整体mAP拖下去了，但实际那个类别才是你最在意的。

4.4 模型部署与推理加速：从PyTorch到TensorRT

模型训练好了，最终要跑到产线的工控机或者边缘设备上。这一步的推理性能优化，直接决定了你的算法能不能跑进节拍窗口。

我的标准部署路径是：

1. PyTorch模型导出为ONNX格式：yolo export model=best.pt format=onnx
2. ONNX模型用TensorRT转换为engine文件：在NVIDIA GPU上用trtexec --onnx=best.onnx --saveEngine=best.engine --fp16
3. 部署时加载engine文件进行推理

TensorRT的FP16推理相比PyTorch原生推理通常能提速3到5倍。我有一个项目，YOLOv8s在PyTorch下推理要32毫秒，转成TensorRT后直接压到6毫秒，完全满足了产线的节拍要求。

还有一个容易忽略的部署细节：在工业现场，工控机的GPU不一定是性能怪兽，可能只是一张普通的GTX 1660或RTX 3060。这时候可以牺牲一点输入分辨率换推理速度，比如用640的imgsz推理，速度和精度平衡比较好。如果缺陷非常小又需要大视野，那就加点预算上更高性能的显卡，不要在这里省钱——影响的是整条产线的产能和良率。

4.5 传统算法快速验证：先用Halcon摸清底牌

很多人上来就急着标注、训练深度学习模型，但我建议在项目初期，先用Halcon或OpenCV做一轮快速验证，摸清缺陷的成像表现。这不是浪费时间，恰恰是帮你判断“值不值得走深度学习”的关键步骤。

具体做法很简单：拿几张典型的缺陷图像，用Halcon的阈值分割、动态阈值、频域滤波分别试一下，看看缺陷和背景的灰度差异到底有多大。如果某些缺陷类型在这种粗糙的规则处理下已经有了不错的对比度和分割结果，那就可以考虑用传统算法去处理这一类，只把难啃的骨头交给深度学习。

比如在一个PCBA缺陷检测项目里，焊点上的桥连缺陷在环形光下呈明显的暗色桥状连通，用Halcon的局部阈值分割加形态学开运算就能稳定提取。但同板块上的微小锡珠缺陷，因为和焊盘的灰度接近，传统方法怎么调都容易误检，这部分才需要上模型。用小成本方案解决简单问题，用大投入攻克复杂问题，整体项目的性价比才能最大化。

5. 关键问题的排查与调试技巧

5.1 过检率居高不下：先查成像再看算法

现场上线调试时，过检率高是最常见的问题。我的排查习惯是：先查图像一致性，再做算法参数回退，最后看后处理逻辑。

图像一致性方面，最常见的问题是光源亮度漂移。新换的光源和旧光源亮度不一致，或者光源老化后亮度下降，原来设定的灰度阈值就会失效。这时需要做一个自校准流程：每天开机后采集标准样件的图像，计算灰度均值，如果偏移超过设定范围，就自动调整曝光时间或者算法里的灰度补偿参数。

还有一个极易被忽视的原因：工件的定位偏移。如果工件每次停的位置偏差过大，磁吸、气动夹具的重复精度差，会导致同一缺陷在图像中的位置忽左忽右。这种情况下，先做模板匹配定位，把图像通过仿射变换校正到统一坐标系，再去做检测，过检率能下降一大截。

算法层面的回退逻辑是这样的：先把判定阈值调到最宽松，看所有缺陷区域的置信度分布。如果良品的置信度普遍在0.7以下，那就把阈值定在0.8以上；如果良品和缺陷的置信度大量重叠在0.6~0.9之间，算法参数怎么调都不行，根源还是在成像上，需要回头找光源的问题。

5.2 微小缺陷漏检：都是分辨率与特征丢失惹的祸

漏检的问题，比过检更致命，也更难排查。我从实际项目里总结了几个最常见的漏检原因：

• 分辨率不足：这是最根本的原因。前面说过像素精度要达到缺陷最小尺寸的1/3到1/5，如果视野太大、相机像素不够，微小缺陷在图像上连几个像素都占不到，什么算法都白搭。先重新核算像素精度，必要时分割视野或换更高分辨率的相机。

• 缺陷对比度太低：有的缺陷在图像上几乎看不见，比如不锈钢表面的轻微氧化，灰度只比背景低10到20个灰度值。这时候选用的光源和角度就不合适。我试过用穹顶光源看不到的指纹印，换低角度条光之后，印记立刻显现。所以排查漏检时先把图像调出来做灰度拉伸和直方图增强，看到底有没有信号进去。

• 增强不足导致泛化差：模型只在特定亮度、位置下能检测到缺陷，换一个方向或换一批料就失灵。这就说明训练时的数据增强不够。增加亮度扰动、旋转角度、以及不同光照模拟的增强，很多情况下都能极大改善泛化。

• 标注漏标：训练集里的缺陷样本如果在标注时有大量遗漏，模型会认为这些区域也是正常表面，直接导致该类缺陷线上全漏。这种情况只能翻工，把训练集里的所有缺陷图像重新检查一遍标注，确保没有遗漏。

5.3 现场环境干扰：震动、反光、油雾三座大山

产线现场环境跟实验室完全是两个世界。电机转子绕线车间里的油雾、冲压车间的震动、抛光车间的粉尘和反光，都会直接影响检测系统的稳定性。

震动问题我在前面提过，物理减震是基础，另外算法层面也可以加一层措施：在每张图像上做一个简单的边缘清晰度判断，计算图像梯度强度，如果低于设定阈值，判定为模糊图并重新触发拍照。这个小逻辑虽然简单，却能挡掉相当一部分因为震动导致的误检。

油雾和水汽对镜头和光源的污染也是常见干扰。金属加工车间的油雾会逐渐在镜头保护玻璃上结膜，光源发光面也会被灰尘遮挡，图像质量肉眼可见地一步步下降。我的建议是：

• 镜头前加装保护玻璃或气刀，用压缩空气持续吹扫
• 光源选型时优先选择带防护罩的型号
• 维护计划里把镜头清洁作为每天必做的点检项目

5.4 常见问题速查表

整理一个平时调试时反复用到的问题对照表，方便大家直接对照方向：

提示：图像的干净比算法的复杂更重要。我做过一个很极端的测试，同一套算法，在镜头有油污的现场和清洗后的状态对比，过检率相差了将近一倍。所以现场点检不认真，再强的模型也白搭。

6. 项目落地的附加建议与后续规划

6.1 人机协检方案的过渡期设计

很多金属表面缺陷检测项目都做不到一步到位，客户内部的良率标准、缺陷定义、复检流程都需要有一个磨合过程。这时候做一个“人机协检”的过渡方案，远比强推全自动更稳妥。

具体做法是，前两周系统只做预筛，把检测结果和图像实时推送到复检工位，由人工确认。系统每天自动统计：机器判定的缺陷里，有多少是人工确认过的真缺陷，有多少是误报。用这一周的数据重新划一遍判定阈值和置信度边界，第二周再迭代一轮。两轮之后，系统基本就能贴合现场的实际良率标准了。

这种过渡方式的另一个好处是可以积累真实产线上的样本，不断补充到训练集里，让模型在下一次版本更新时变得更聪明。

6.2 数据管理体系建设不可忽视

这个可能很多小团队会忽略，但做久了你会发现，项目的长期价值几乎都沉淀在数据体系里。

每台检测设备的每次判定结果、对应的原因码、缺陷图像、复检结果，这些数据如果都能记录到数据库中，后续可以做很多事情。比如统计每天的缺陷分布趋势，哪种缺陷在增加，就说明上游工艺可能出现了波动；按时间段和班次对比缺陷率，找出环境或操作带来的差异。很多客户用着用着，会把检测系统变成工艺质量的数据中心，这也变相提升了项目的价值和不可替代性。

6.3 从检测到工艺反馈的长期方向

做缺陷检测做到后面，价值不仅仅在于“把坏的挑出来”，更在于“告诉工艺为什么会产生坏的”。

以电机转子绕线缺陷为例，当检测系统能稳定识别出不同绕线阶段的缺陷模式时，就可以进一步分析缺陷和绕线张力、漆包线品质、包胶工艺参数之间的相关性。把这些数据反馈给工艺工程师去调整参数，缺陷率才能从源头上降下来。这种从“质量检验”到“工艺优化”的演进，是我觉得这个领域最值得投入的方向，也是做一个缺陷检测项目最有成就感的阶段。

这几年的项目做下来，我最大的感受是：金属表面缺陷检测，真正考验人的不是算法本身，而是对整个系统的理解和把控能力。硬件、光源、算法、部署、现场维护、数据闭环，每一个环节都缺一不可，任何一处的偷懒都会在产线上放大成巨大的问题。如果你正在准备开启这样一个项目，希望这篇文章能帮你少走一些弯路。也欢迎有经验的朋友分享你们在项目中踩过的坑，大家一起把缺陷检测这件事做得更好。