opencv+python机器视觉缺陷检测代码，课程代码，简单可用，记得要改图片路径，导包

根据红外成像特性及金属表面缺陷区域灰度分布变化缓慢的特点，提出了一种基于小波纹理特性统计分析的铜带表面缺陷视觉检测方法。利用CCD视觉传感器获取受检金属表面的红外影像资料，引入一阶Haar小波分解红外图像，抽取4个小波特性，然后分别使用Hotelling T2和X2多变量统计法融合4个小波特性。最后根据统计值判别图像是否存在缺陷，并使用支持向量机对缺陷进行分类。比较分析了两种小波域多变量统计方法检测缺陷的性能。实验结果表明，Hotelling T2统计法在缺陷检测和识别方面的性能较好，对微小缺陷可达到92.8%的检测率和95.42%的识别率。

附件为机器视觉领域中外观缺陷检测相关的一些论文，主要包括LCD屏幕缺陷、摄像头模组缺陷等方面的一些经典的缺陷检测算法，希望对感兴趣的人有些许启发。

1、瓷砖划痕检测 2、工件凹凸检测 3、工件毛刺检测

在基于机器视觉实现电机端盖裂纹缺陷检测过程中, 针对复杂背景下目标特征不明显的问题, 使用限制对比度的自适应直方图均衡化的方法加强目标特征. 针对机器视觉系统中训练数据量少且训练图片背景单一导致模型泛化性低的问题, 对比了Mosaic和CutMix数据增强方法, 并结合多种数据增强策略, 提出了系统的数据集构建方案. 针对使用YOLOv4进行单类检测和小目标检测时正负样本不平衡导致检测率低的问题, 提出了自适应多尺度焦点损失+CIoU损失的加权融合损失函数, 并通过实验得到最优超参数. 最后使用K-means算法初始化锚点框, 使模型更适应线状目标的预测. 结果表明, 该方法对于裂纹类别的检测达到了95.8%的平均精度(Average Precision, AP), 相较于改进前提升9.7%, 单张检测时间48 ms, 具有一定的工程应用价值.

表面缺陷检测是一种机器视觉技术，它由机器视觉模拟人的视觉来采集、处理、计算并最终应用于特定物体的实际检测、检验和应用组成。

计算机视觉-缺陷检测实战系列视频教程，2021最新课程，提供源码和数据集下载 项目实战主要基于两大模块： 1.基于深度学习的缺陷检测实战，主要讲解检测与分割算法并进行应用实战； 2.基于传统算法(opencv)进行缺陷检测与分析。

提出了一种基于机器视觉的包装袋缺陷检测方法。以冰棍包装袋缺陷检测为实例，提取了长度、宽度、面积、填充度和监测框与内部目标区域的位置关系5种特征值，经缺陷检测与分类，输出了连袋、外形尺寸错误、包装袋上有异物和包装版面移动4种缺陷类型。实验结果表明，算法缺陷识别成功率可达98.75%，满足生产过程对实时、快速、高精度的要求,已被应用于实际生产线，取得了良好效果。

分享一套课程，计算机视觉-缺陷检测实战系列，大家自行下载学习。

计算机视觉-缺陷检测实战系列视频教程分享，2021年7月最新课程。课程大纲： 章节1:物体检框架YOLO-V4版本算法解读 章节2:物体检测框架YOLOV5版本项目配置 章节3:物体检测框架YOLOV5项目工程源码解读 章节4:基于YOLOV5的钢材缺陷检测实战 章节5:Semi-supervised布料缺陷检测实战 章节6:Opnecv图像常用处理方法实例 章节7:Opencv梯度计算与边缘检测实例 章节8:Opencv轮廓检测与直方图 章节9:基于Opencv缺陷检测项目实战 章节10:基于视频流水线的Opnecv缺陷检测项目 章节11:图像分割deeplab系列算法 章节12:基于deeplabV3+版本进行VOC分割实战 章节13:DeepLab铁质材料缺陷检测与开源项目应用流程 章节14:基础补充-PyTorch框架基本处理操作 章节15:基础补充-PyTorch框架必备核心模块解读 章节16:基础补充-Resnet模型及其应用实例