在工业中经常使用高光面材质加工一些平整度较高，且表面要求较高的工件。
由于这些工件表面光滑，同时具有高反光等特性，导致缺陷表露不清晰，检测时会影响被测物的特征提取，降低表面缺陷检测成功率。
传统的检测方法仍然依靠大量人工凭借肉眼检测，不仅影响工作效率， 而且由于工人视觉疲劳、个人评判标准等因素存在， 直接影响零件的使用寿命和性能。除此之外， 还有采用激光探伤法、超声扫描检测法、红外检测法等无损检测方法，但因其检测成本较高，大多局限于部分高精密零件抽检。
为了解决高反光工件表面缺陷检测的问题，机器视觉的引入提高了金属表面缺陷检测的效率和精度，可以通过从图像中提取信息并处理后实现最终的智能检测与控制。
检测难点
圆柱类金属件表面缺陷分布具有随机性和多样性，而金属件的表面纹理分布无规律，在缺陷检测时容易产生干扰，使得工件图像中夹杂较多的高光噪声，从而提取出很多虚假的目标缺陷，最终造成误检。
检测方法
由于工业现场环境复杂，任何一个小的变动都可能会涉及到整个项目的改造，从而导致项目周期长，实施成本高。针对这一系列问题，可针对性设计专用光源系统和光照方式，加之以深度学习技术为基础的智能视觉算法，即使在光照有微小变化的同时，也能保证各种缺陷都能准确的被检测出来，完美地解决高反光造成的噪声问题。