光學表面瑕疵檢測廣泛使用于布匹瑕疵檢測、工件表面質量檢測、航空航天領域等。傳統的算法對規則缺陷以及場景比較簡單的場合，能夠很好工作，但是對特征不明顯的、形狀多樣、場景比較混亂的場合，則不再適用。近年來，基于深度學習的識別算法越來越成熟，把深度學習算法應用到工業場合中。

　　表面疵病作為一種加工過程中人為造成的微觀局部缺陷,對光學元件的表面性能有著輕微的影響,從而有可能造成光學儀器運行錯誤等嚴重的后果。總之,光學元件的表面疵病會對光學系統性能產生危害,其根本原因在于光的散射特性。

　　光學表面瑕疵檢測可避免以下危害：

　　(1)光束的質量下降。元件表面缺陷處會產生光的散射效應,使得光束在通過缺陷后能量被大量消耗,從而降低了光束的質量。

　　(2)缺陷的熱效應現象。由于表面缺陷所處區域比其他區域容易吸收更多的能量,產生的熱效應現象可能會使元件疵病發生局部變形、破壞膜層等,進而危害整個光學系統。

　　(3)損壞所處系統中其他光學元件。激光系統中,在強能量激光束的照射下,元件表面疵病產生的散射光會被系統內的其他光學元件吸收,從而造成元件的受光不均勻,當達到光學元件材料的損傷閥值時,會使傳播光線的質量受到影響,光學元件損壞,更有可能造成光學系統被嚴重的破壞。

　　(4)疵病會影響視場清潔。當光學元件上有過多的疵病時,會影響微觀的美觀度,另外,疵病還會殘留微小的灰塵、微生物、拋光粉等雜質,這將造成元件被腐蝕、生霉、生霧,會明顯影響元件的基本性能。