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

针对零部件制造质量控制方面的缺陷检测，考虑到工业摄像头角度和零部件表面缺陷特征相对固定的特点，提出一种基于注意力机制的YOLO缺陷检测算法。围绕提升算法注意力，首先采用CZS算法，把图像上的缺陷区域剪切、缩放和拼接成新图像，使注意力集中于缺陷相关区域；然后采用裁减主干网络算法，裁减掉原版YOLOv3主干网络中无用的检测尺度层；最后使用数据增强算法增加训练样本量。实验案例结果表明：该算法检测精度99.2%,单帧图像检测时间0.01 s,性能均优于原版YOLOv3;该算法在固定摄像头场景下具有一定先进性，3项提升注意力的策略使算法训练精度收敛的更快、检测速度更快、检测性能更稳定。

本数据集专注于光伏电池板和太阳能电池板的缺陷检测，提供了各种类型缺陷的图像样本，这些缺陷在可见光下有划痕、雪覆盖、碎裂、鸟粪等，在红外光下有热斑以及二极管短路等。旨在帮助研究者开发更精确的缺陷检测算法，提高光伏电池板和太阳能电池板的性能和寿命。 数据集特点： 全面性：本数据集包含了各种类型的缺陷，覆盖了实际应用中可能遇到的各种情况。 多样性：数据集中的图像分别在可见光和红外光下采集，增加了缺陷检测的难度和挑战性。 真实性：所有图像均来源于真实场景，缺陷尺寸、形状、颜色等特性与实际情况相符。 标注完整：每个缺陷样本都有详细的标注信息，包括缺陷类型、位置、大小等，方便研究者进行训练和测试。 应用领域：本数据集适用于光伏电池板和太阳能电池板的缺陷检测算法研究和开发，也适用于计算机视觉和深度学习领域的相关研究。

数据集样本数量为5870，所有图片已标注为YOLO txt格式，划分为训练集、验证集和测试集，能直接用于YOLO算法的训练。可用于YOLO3d打印缺陷检测模型训练，机器学习，深度学习，人工智能，python，pycharm。

Halcon深度学习-企业项目实战（核酸管外观缺陷检测）已训练模型

Halcon深度学习-企业项目实战（核酸管外观缺陷检测）图片

精通GPU-利用CUDA加速图像处理，提升缺陷检测精度，CSDN CSDN组织关于GPU 方面的视频

机器视觉工业缺陷检测的那些事-20210817，涉及到机器视觉过程中的硬件设备的选型（包括如何选择光源、选择什么样的相机、镜头等）、常用的图像处理算法，以及市面上使用较多的算法库。相信肯定对大家有所帮助。

基于matlab平台的：水果分级系统（颜色，形状，大小，缺陷，方法bp，分级标准设置，带界面GUI，步骤详细）

绝缘子作为输电环节中的重要设备，在支撑固定导线，保障绝缘距离的方面有着重要作用。深度学习技术的大量应用，计算机运算性能的不断提高，为无人机准确识别和定位绝缘子，实时跟踪拍摄开辟了新的解决途径。本文对输电线路中绝缘子进行识别及定位，利用深度学习技术采取基于YOLOv5 算法的目标检测手段，结合绝缘子数据集的特点，对无人机拍摄图片进行训练，实现对绝缘子精准识别和定位，大幅提升无人机巡检时对绝缘子设备准确跟踪、判定的效率，具有十分重要的应用效果。本项目可以作为计算机专业毕业涉及，提供处理好的数据集、视频和三组训练好的模型，部署简单，并且具有可用于图片检测和视频检测的图形化界面，方便易用。