简介面向工业质检场景的OpenCV缺陷检测项目基于视频流水线实现产品表面缺陷识别覆盖帧捕获、灰度化与滤波、边缘特征提取、分类判别及结果可视化等完整流程。压缩包共72个文件含4个Python源码模块、4个pyc缓存、60张jpg样本图以及avi/mp4格式的演示视频整体大小26.49MB结构简洁可直接部署运行。目前已有586人学习下载适合具备Python基础、希望快速掌握OpenCV实时视觉检测的开发者学习热度也印证了其参考价值。项目提供了main.py、Defects.py、Products.py等模块化脚本并附有output.avi与mp4实测视频可直接运行观察检测效果也可在此基础上调整分类器或检测参数是一套能跑通全流程的工业质检实战参考。 以前做机器视觉项目时我一直觉得“能跑通的代码”和“能在产线现场扛得住的代码”是两回事。这套OpenCV缺陷检测项目就是我按后者标准改出来的一套视频流水线方案从视频文件或摄像头实时取帧逐帧做预处理、缺陷定位、轮廓过滤再把检测结果实时画到画面上配套源码和测试视频都给出了。它解决的是产线质检中最常见的问题——用单张图片做检测没法覆盖连续生产场景而你用OpenCV搭一条视频流水线就能持续盯着整条线看。如果你正在做表面缺陷检测、物料外观分拣或者想把手头静态图片检测改成在线视频检测这篇的内容基本可以直接拿过去用。1. 整体设计定位一条可落地的视频缺陷检测流水线很多人刚接触缺陷检测时第一反应就是上深度学习模型但实际做项目时我建议先冷静一下。固定产线、固定光源、固定拍摄角度这类场景用OpenCV经典图像处理往往就能解决大部分问题而且部署成本低、推理速度快。这个项目的设计初衷就是造一条轻量但完整的视频流水线摄像头或视频文件输入每一帧走“读取→预处理→阈值分割→形态学→轮廓分析→结果输出”中间任何一个环节都能单独调参。1.1 为什么选视频流水线而不是单张图片检测单张图片检测本质上是“抽检”假设缺陷会恰好出现在被拍到的某一帧里这在很多产线场景并不成立。比如传送带上的物料是连续运动的缺陷可能只在某几帧被拍到又比如无人机绕着绝缘子飞一圈关键缺陷画面可能一闪而过。视频流水线的思路是持续消费帧流不放过任何一个可疑画面同时还能利用帧间关系做去重和跟踪避免同一缺陷被重复报警。流水线还有一层好处代码结构天然解耦。采集、处理、输出分模块写既方便本地调试也方便以后把中间某一环节替换成更快或更准的方案。这个项目里我没做太复杂的帧间算法先保证每一帧都能稳定检出再谈帧数率优化。这是最稳妥的一条路。1.2 为什么用OpenCV而不是Halcon或其他商业库Halcon在工业缺陷检测里确实很强算子丰富、文档齐全但它有授权成本而且团队里每个人都要装环境。OpenCV的好处是开源、免费、生态大网上资料多遇到问题几乎都能搜到答案。对于规则类缺陷比如划痕、污点、边缘缺口、暗斑OpenCV的形态学和轮廓分析足够应对。至于CUDA加速OpenCV也有带CUDA的版本当你CPU推理跟不上的时候再编译一套带CUDA的OpenCV也不迟前期完全没必要纠结。1.3 交付文件与项目结构项目源码整理了这样一份结构opencv_defect_detection/ ├── main.py # 主程序负责视频读取和UI显示 ├── detector.py # 缺陷检测核心类 ├── config.py # 所有参数集中管理 ├── videos/ │ └── sample_01.mp4 # 测试视频包含缺陷画面 └── output/ └── result.avi # 检测后的输出视频运行时生成main.py 管流程detector.py 管算法config.py 管参数。这样哪怕换产线只需要改配置文件里的阈值和ROI区域不用改逻辑维护起来省心很多。2. 核心细节解析与实操要点这部分是整条流水线最值得琢磨的地方。检测效果稳不稳往往不看算法多花哨而是看每一个环节有没有处理到位。2.1 视频流的读取与帧处理策略OpenCV读取视频用 VideoCapture兼容摄像头 RTSP 流和本地视频文件。基本代码cap cv2.VideoCapture(videos/sample_01.mp4) if not cap.isOpened(): raise IOError(视频打开失败检查路径或解码器)读视频最常踩的坑是解码器缺失有些 mp4 编码格式在没装 ffmpeg 的机器上打不开。这时候多半不是代码问题而是环境问题装上带 ffmpeg 的 opencv-python 就好。帧处理策略上如果检测算法每帧耗时超过 100ms而视频本身是 30fps直接逐帧读会导致视频处理速度越来越慢最终看起来像“卡死”。我通常的做法是设置一个固定间隔每 N 帧检测一次frame_idx 0 skip_frames 2 # 每3帧抽1帧检测 while True: ret, frame cap.read() if not ret: break if frame_idx % skip_frames ! 0: frame_idx 1 continue # 检测逻辑... frame_idx 1跳帧的好处是减少无效计算匹配大多数产线的节拍。如果现场对漏检要求极高也可以不跳帧但这时候就得考虑算法本身提速或上 CUDA。2.2 预处理细节为什么先做灰度、降噪和背景差分读进来的原图是BGR彩色图如果直接在彩色空间做检测计算量大且干扰因素多。先转灰度丢失的颜色信息对规则缺陷检测影响不大却能省下约三分之二的计算量。然后做高斯模糊把传感器噪声和微小纹理抹平不然噪声很容易在阈值阶段被当成缺陷保留下来。真正容易翻车的是光照不均匀。产线上光源角度稍有变化图像亮度从左边到右边就不一样这时候直接固定阈值分割会得到大量伪区域。我的方案是先算一个背景图再把背景和当前帧做差分把背景变化的影响降到最低blur cv2.GaussianBlur(gray, cfg[blur_ksize], 0) background cv2.GaussianBlur(blur, cfg[bg_ksize], 0) diff cv2.subtract(background, blur)这里用 background 减 blur提取的是比周围背景暗的缺陷比如黑色污点和凹坑。如果缺陷是亮色的就把减法反过来或者用 cv2.absdiff 并配合形态学处理。这个环节每个项目都可能不一样建议先统计现场图片里缺陷像素和背景像素的灰度关系再决定差分方向。2.3 缺陷检测的核心逻辑阈值、形态学、轮廓分析预处理之后检测逻辑其实比较固定。我用一种更直观的方式描述整条链路先通过 OTSU 或固定阈值把“可疑区域”从背景中分离出来再用形态学闭运算把破碎的小区域连通最后用轮廓分析过滤掉面积过小的噪声。_, thresh cv2.threshold(diff, cfg[threshold], 255, cv2.THRESH_BINARY) kernel cv2.getStructuringElement(cv2.MORPH_RECT, cfg[morph_ksize]) morph cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel) contours, _ cv2.findContours(morph, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)阈值选择是核心决策。OTSU 自适应阈值适合背景比较统一的场景但一旦画面中有强反光或边缘阴影OTSU 会被大片高亮区域带偏。所以我更倾向固定阈值配背景差分阈值的具体数值在配置文件里调。形态学 kernel 的尺寸也值得注意别设太大否则两个相近的缺陷会被合并成一个也别设太小否则细长划痕容易断成很多段导致漏检。2.4 参数调节与检测灵敏度的关系所有能调的参数本质上都是“误检”和“漏检”这对矛盾之间的权衡。阈值设高了漏检变多设低了误检和噪声变多。min_area 设大了细小划痕被过滤设小了灰尘颗粒也会被当成缺陷。我建议在固定光照、固定角度下拿几十张真实样本先跑一遍把误检和漏检的分布都记下来再去找平衡点。在实际项目中我一般会在 config.py 里预留参数扫描脚本用简单循环遍历不同参数组合量化统计每个组合下的检出数量最后人工看几个关键画面确认效果。这样比手动一遍遍调直观得多。3. 实操过程与核心环节实现到这里我把完整的环境搭建步骤和核心代码展开说明。源码和测试视频是配套的最好按下面的步骤自己跑一遍再动手改参数。3.1 环境搭建与依赖安装我用的版本是 Python 3.9 和 OpenCV 4.8向下兼容 4.5 和 3.4 的接口但需要留意 findContours 返回值差异。安装很简单pip install opencv-python opencv-contrib-python numpy如果只需要基础检测opencv-python 就够用需要 SIFT、ORB 这类特征算子时再装 opencv-contrib-python。安装完建议立刻验证python -c import cv2; print(cv2.__version__)能正常输出版本号环境就算准备好了。如果是在服务器上跑没有显示器后面 cv2.imshow 会报错可以把显示输出改成 VideoWriter 保存结果这个坑往下有具体解法。3.2 关键代码实现与说明detector.py 是核心算法部分我提取了精简后的骨架import cv2 import numpy as np class DefectDetector: def __init__(self, cfg): self.cfg cfg self.kernel cv2.getStructuringElement( cv2.MORPH_RECT, tuple(cfg[morph_ksize]) ) def preprocess(self, frame): gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) blur cv2.GaussianBlur(gray, tuple(self.cfg[blur_ksize]), 0) background cv2.GaussianBlur(blur, tuple(self.cfg[bg_ksize]), 0) diff cv2.subtract(background, blur) return diff def detect(self, frame): diff self.preprocess(frame) _, thresh cv2.threshold(diff, self.cfg[threshold], 255, cv2.THRESH_BINARY) morph cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, self.kernel) contours, _ cv2.findContours(morph, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) results [] for cnt in contours: area cv2.contourArea(cnt) if area self.cfg[min_area]: continue x, y, w, h cv2.boundingRect(cnt) results.append({ bbox: (x, y, w, h), area: area, }) return resultspreprocess 里 background 的核大小要注意要比正常缺陷尺寸大但又不能大到覆盖整幅图像。比如 960×540 的画面我用 bg_ksize(25,25)blur_ksize(5,5)。这样背景估计能保留全局亮度变化而不会把缺陷抹平。main.py 里把视频流转成逐帧检测import cv2 import argparse import config from detector import DefectDetector args argparse.ArgumentParser() args.add_argument(--video, defaultvideos/sample_01.mp4) args.add_argument(--skip, typeint, default2) opts vars(args.parse_args()) cfg config.load_config() detector DefectDetector(cfg) cap cv2.VideoCapture(opts[video]) if not cap.isOpened(): raise IOError(视频打开失败检查路径或解码器) frame_idx 0 while True: ret, frame cap.read() if not ret: break if frame_idx % opts[skip] ! 0: frame_idx 1 continue detections detector.detect(frame) for det in detections: x, y, w, h det[bbox] cv2.rectangle(frame, (x, y), (x w, y h), (0, 0, 255), 2) cv2.putText(frame, farea:{det[area]:.0f}, (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1) cv2.imshow(defect_detection, frame) if cv2.waitKey(1) 0xFF ord(q): break frame_idx 1 cap.release() cv2.destroyAllWindows()代码不多但已经能完成一个完整的闭环。运行时把测试视频路径传进 --video或者直接不传用默认路径。输出的检测画面里每个可疑缺陷都会画出红框同时显示目标面积方便判断是否有必要进一步处理。3.3 参数配置与快速调参config.py 里我集中放了一组初始参数直接复制就能跑通示例视频。实际操作时可以用一个小脚本扫描参数for threshold in [30, 50, 70]: for min_area in [50, 100, 200]: cfg[threshold] threshold cfg[min_area] min_area detections run_on_sample(cfg) print(threshold, min_area, 检出数量:, len(detections))如果样本里正常件在某种参数下突然检出好多框说明参数偏敏感如果缺陷件在某种参数下一无所获说明参数太迟钝。多试几组能很快找到相对合适的区间。3.4 性能优化分辨率、跳帧与CUDA当检测速度达不到帧率要求时优先做三件事降分辨率、跳帧、限制ROI区域。把画面缩小到一半计算量减少四分之三跳帧可以把每帧 150ms 的耗时拉回到可以接受的范围ROI 则是人工圈定一个检测区域忽略边界和无关区域既提速又降误检。如果这些还不够再考虑带 CUDA 的 OpenCV。编译 OpenCV GPU 版需要安装 CUDA Toolkit把处理函数的数据放到 GpuMat 上计算能对高斯模糊、阈值、形态学这类算子获得显著加速。不过代价是环境复杂开发调试时建议先跑 CPU 版本等算法和参数稳定后再迁移到 CUDA避免两头牵扯。4. 常见问题与排查技巧实录任何项目跑起来都不会一路顺风尤其视频流水线这种综合模块问题可能来自环境、解码、算法和硬件。下面整理了一份我实际遇到过的排查表。4.1 典型问题速查表现象可能原因处理方式视频打开失败路径不对或缺少解码器先确认路径重新安装 opencv-python确保 ffmpeg 支持画面里一个缺陷都没检出阈值过高、缺陷对比度太低降低 threshold检查差分方向是否反了误检很多满屏红框光照波动、参数过敏感固定光源缩紧 min_area增大阈值跑着跑着越来越卡每帧耗时过长积压未处理加大 skip_frames降分辨率限制ROIcv2.imshow 没有窗口显示服务器无GUI环境改用 VideoWriter 输出或保存检测截图findContours 报参数错误OpenCV 版本兼容问题统一改成 contours, _ cv2.findContours(...)4.2 实测踩坑与优化心得我最想强调的是光线。同一个算法白天能检出细划痕到了傍晚光线偏暗就开始漏检或者灯光一抖就满屏报警。想要稳定第一步一定是把现场照明做固定而不是靠算法硬扛。我做过一个项目最后是加了一个遮光罩就解决了大部分误检。另一个坑是背景差分核大小。如果 background 的核设得太小缺陷会被背景估计“吸收”差分结果趋近于零阈值怎么调都白搭。按我的经验bg_ksize 至少要达到最大缺陷尺寸的 3 到 5 倍效果才比较合理。至于输出不要只把框画在视频上就完事。产线场景里需要留痕建议把每帧的时间戳、缺陷位置、面积保存成 CSV 或者 JSON再配合视频截图万一后面要复盘数据都在手里。更进一步的方案是检测到缺陷时自动输入一张标记后的图片到 output 目录并保存原图方便后续人工复核。4.3 从规则检测到更复杂场景的扩展这套代码的边界也很清楚如果缺陷类型特别多或者缺陷和背景非常相似比如透明玻璃上的气泡和划痕只用面积和轮廓确实不够。此时可以在已经检出的框内提取更多特征比如灰度均值、对比度、纹理、Hu矩再喂给一个简单分类器比如 SVM 或随机森林。这比一上来就训练 YOLO 要容易得多因为检测框本身已经缩小了问题范围你只需要区分不同缺陷类别。如果场景复杂到规则方法很难分离再认真考虑深度学习目标检测模型不迟。但请注意训练一个可用模型需要几百上千张标注图项目周期完全不一样。先用规则检测发现问题区域再让分类模型升级这是一条比较稳妥的路径。最后再分享一个小技巧所有可调参数都放进 config.py运行时通过字典传参不要散落在多个函数里。我刚开始写这套代码时参数直接写死在多个函数里后面调参改到怀疑人生。现在把它们集中管理后换一条产线只需要改配置逻辑代码基本不用动。实际跑这套源码最花时间的永远是调参和现场光照而不是 OpenCV 本身。希望这份说明能帮你少走一点弯路。本文还有配套的精品资源点击获取 OpenCV视频流水线缺陷检测实战：从单帧到连续产线
简介面向工业质检场景的OpenCV缺陷检测项目基于视频流水线实现产品表面缺陷识别覆盖帧捕获、灰度化与滤波、边缘特征提取、分类判别及结果可视化等完整流程。压缩包共72个文件含4个Python源码模块、4个pyc缓存、60张jpg样本图以及avi/mp4格式的演示视频整体大小26.49MB结构简洁可直接部署运行。目前已有586人学习下载适合具备Python基础、希望快速掌握OpenCV实时视觉检测的开发者学习热度也印证了其参考价值。项目提供了main.py、Defects.py、Products.py等模块化脚本并附有output.avi与mp4实测视频可直接运行观察检测效果也可在此基础上调整分类器或检测参数是一套能跑通全流程的工业质检实战参考。 以前做机器视觉项目时我一直觉得“能跑通的代码”和“能在产线现场扛得住的代码”是两回事。这套OpenCV缺陷检测项目就是我按后者标准改出来的一套视频流水线方案从视频文件或摄像头实时取帧逐帧做预处理、缺陷定位、轮廓过滤再把检测结果实时画到画面上配套源码和测试视频都给出了。它解决的是产线质检中最常见的问题——用单张图片做检测没法覆盖连续生产场景而你用OpenCV搭一条视频流水线就能持续盯着整条线看。如果你正在做表面缺陷检测、物料外观分拣或者想把手头静态图片检测改成在线视频检测这篇的内容基本可以直接拿过去用。1. 整体设计定位一条可落地的视频缺陷检测流水线很多人刚接触缺陷检测时第一反应就是上深度学习模型但实际做项目时我建议先冷静一下。固定产线、固定光源、固定拍摄角度这类场景用OpenCV经典图像处理往往就能解决大部分问题而且部署成本低、推理速度快。这个项目的设计初衷就是造一条轻量但完整的视频流水线摄像头或视频文件输入每一帧走“读取→预处理→阈值分割→形态学→轮廓分析→结果输出”中间任何一个环节都能单独调参。1.1 为什么选视频流水线而不是单张图片检测单张图片检测本质上是“抽检”假设缺陷会恰好出现在被拍到的某一帧里这在很多产线场景并不成立。比如传送带上的物料是连续运动的缺陷可能只在某几帧被拍到又比如无人机绕着绝缘子飞一圈关键缺陷画面可能一闪而过。视频流水线的思路是持续消费帧流不放过任何一个可疑画面同时还能利用帧间关系做去重和跟踪避免同一缺陷被重复报警。流水线还有一层好处代码结构天然解耦。采集、处理、输出分模块写既方便本地调试也方便以后把中间某一环节替换成更快或更准的方案。这个项目里我没做太复杂的帧间算法先保证每一帧都能稳定检出再谈帧数率优化。这是最稳妥的一条路。1.2 为什么用OpenCV而不是Halcon或其他商业库Halcon在工业缺陷检测里确实很强算子丰富、文档齐全但它有授权成本而且团队里每个人都要装环境。OpenCV的好处是开源、免费、生态大网上资料多遇到问题几乎都能搜到答案。对于规则类缺陷比如划痕、污点、边缘缺口、暗斑OpenCV的形态学和轮廓分析足够应对。至于CUDA加速OpenCV也有带CUDA的版本当你CPU推理跟不上的时候再编译一套带CUDA的OpenCV也不迟前期完全没必要纠结。1.3 交付文件与项目结构项目源码整理了这样一份结构opencv_defect_detection/ ├── main.py # 主程序负责视频读取和UI显示 ├── detector.py # 缺陷检测核心类 ├── config.py # 所有参数集中管理 ├── videos/ │ └── sample_01.mp4 # 测试视频包含缺陷画面 └── output/ └── result.avi # 检测后的输出视频运行时生成main.py 管流程detector.py 管算法config.py 管参数。这样哪怕换产线只需要改配置文件里的阈值和ROI区域不用改逻辑维护起来省心很多。2. 核心细节解析与实操要点这部分是整条流水线最值得琢磨的地方。检测效果稳不稳往往不看算法多花哨而是看每一个环节有没有处理到位。2.1 视频流的读取与帧处理策略OpenCV读取视频用 VideoCapture兼容摄像头 RTSP 流和本地视频文件。基本代码cap cv2.VideoCapture(videos/sample_01.mp4) if not cap.isOpened(): raise IOError(视频打开失败检查路径或解码器)读视频最常踩的坑是解码器缺失有些 mp4 编码格式在没装 ffmpeg 的机器上打不开。这时候多半不是代码问题而是环境问题装上带 ffmpeg 的 opencv-python 就好。帧处理策略上如果检测算法每帧耗时超过 100ms而视频本身是 30fps直接逐帧读会导致视频处理速度越来越慢最终看起来像“卡死”。我通常的做法是设置一个固定间隔每 N 帧检测一次frame_idx 0 skip_frames 2 # 每3帧抽1帧检测 while True: ret, frame cap.read() if not ret: break if frame_idx % skip_frames ! 0: frame_idx 1 continue # 检测逻辑... frame_idx 1跳帧的好处是减少无效计算匹配大多数产线的节拍。如果现场对漏检要求极高也可以不跳帧但这时候就得考虑算法本身提速或上 CUDA。2.2 预处理细节为什么先做灰度、降噪和背景差分读进来的原图是BGR彩色图如果直接在彩色空间做检测计算量大且干扰因素多。先转灰度丢失的颜色信息对规则缺陷检测影响不大却能省下约三分之二的计算量。然后做高斯模糊把传感器噪声和微小纹理抹平不然噪声很容易在阈值阶段被当成缺陷保留下来。真正容易翻车的是光照不均匀。产线上光源角度稍有变化图像亮度从左边到右边就不一样这时候直接固定阈值分割会得到大量伪区域。我的方案是先算一个背景图再把背景和当前帧做差分把背景变化的影响降到最低blur cv2.GaussianBlur(gray, cfg[blur_ksize], 0) background cv2.GaussianBlur(blur, cfg[bg_ksize], 0) diff cv2.subtract(background, blur)这里用 background 减 blur提取的是比周围背景暗的缺陷比如黑色污点和凹坑。如果缺陷是亮色的就把减法反过来或者用 cv2.absdiff 并配合形态学处理。这个环节每个项目都可能不一样建议先统计现场图片里缺陷像素和背景像素的灰度关系再决定差分方向。2.3 缺陷检测的核心逻辑阈值、形态学、轮廓分析预处理之后检测逻辑其实比较固定。我用一种更直观的方式描述整条链路先通过 OTSU 或固定阈值把“可疑区域”从背景中分离出来再用形态学闭运算把破碎的小区域连通最后用轮廓分析过滤掉面积过小的噪声。_, thresh cv2.threshold(diff, cfg[threshold], 255, cv2.THRESH_BINARY) kernel cv2.getStructuringElement(cv2.MORPH_RECT, cfg[morph_ksize]) morph cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel) contours, _ cv2.findContours(morph, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)阈值选择是核心决策。OTSU 自适应阈值适合背景比较统一的场景但一旦画面中有强反光或边缘阴影OTSU 会被大片高亮区域带偏。所以我更倾向固定阈值配背景差分阈值的具体数值在配置文件里调。形态学 kernel 的尺寸也值得注意别设太大否则两个相近的缺陷会被合并成一个也别设太小否则细长划痕容易断成很多段导致漏检。2.4 参数调节与检测灵敏度的关系所有能调的参数本质上都是“误检”和“漏检”这对矛盾之间的权衡。阈值设高了漏检变多设低了误检和噪声变多。min_area 设大了细小划痕被过滤设小了灰尘颗粒也会被当成缺陷。我建议在固定光照、固定角度下拿几十张真实样本先跑一遍把误检和漏检的分布都记下来再去找平衡点。在实际项目中我一般会在 config.py 里预留参数扫描脚本用简单循环遍历不同参数组合量化统计每个组合下的检出数量最后人工看几个关键画面确认效果。这样比手动一遍遍调直观得多。3. 实操过程与核心环节实现到这里我把完整的环境搭建步骤和核心代码展开说明。源码和测试视频是配套的最好按下面的步骤自己跑一遍再动手改参数。3.1 环境搭建与依赖安装我用的版本是 Python 3.9 和 OpenCV 4.8向下兼容 4.5 和 3.4 的接口但需要留意 findContours 返回值差异。安装很简单pip install opencv-python opencv-contrib-python numpy如果只需要基础检测opencv-python 就够用需要 SIFT、ORB 这类特征算子时再装 opencv-contrib-python。安装完建议立刻验证python -c import cv2; print(cv2.__version__)能正常输出版本号环境就算准备好了。如果是在服务器上跑没有显示器后面 cv2.imshow 会报错可以把显示输出改成 VideoWriter 保存结果这个坑往下有具体解法。3.2 关键代码实现与说明detector.py 是核心算法部分我提取了精简后的骨架import cv2 import numpy as np class DefectDetector: def __init__(self, cfg): self.cfg cfg self.kernel cv2.getStructuringElement( cv2.MORPH_RECT, tuple(cfg[morph_ksize]) ) def preprocess(self, frame): gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) blur cv2.GaussianBlur(gray, tuple(self.cfg[blur_ksize]), 0) background cv2.GaussianBlur(blur, tuple(self.cfg[bg_ksize]), 0) diff cv2.subtract(background, blur) return diff def detect(self, frame): diff self.preprocess(frame) _, thresh cv2.threshold(diff, self.cfg[threshold], 255, cv2.THRESH_BINARY) morph cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, self.kernel) contours, _ cv2.findContours(morph, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) results [] for cnt in contours: area cv2.contourArea(cnt) if area self.cfg[min_area]: continue x, y, w, h cv2.boundingRect(cnt) results.append({ bbox: (x, y, w, h), area: area, }) return resultspreprocess 里 background 的核大小要注意要比正常缺陷尺寸大但又不能大到覆盖整幅图像。比如 960×540 的画面我用 bg_ksize(25,25)blur_ksize(5,5)。这样背景估计能保留全局亮度变化而不会把缺陷抹平。main.py 里把视频流转成逐帧检测import cv2 import argparse import config from detector import DefectDetector args argparse.ArgumentParser() args.add_argument(--video, defaultvideos/sample_01.mp4) args.add_argument(--skip, typeint, default2) opts vars(args.parse_args()) cfg config.load_config() detector DefectDetector(cfg) cap cv2.VideoCapture(opts[video]) if not cap.isOpened(): raise IOError(视频打开失败检查路径或解码器) frame_idx 0 while True: ret, frame cap.read() if not ret: break if frame_idx % opts[skip] ! 0: frame_idx 1 continue detections detector.detect(frame) for det in detections: x, y, w, h det[bbox] cv2.rectangle(frame, (x, y), (x w, y h), (0, 0, 255), 2) cv2.putText(frame, farea:{det[area]:.0f}, (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1) cv2.imshow(defect_detection, frame) if cv2.waitKey(1) 0xFF ord(q): break frame_idx 1 cap.release() cv2.destroyAllWindows()代码不多但已经能完成一个完整的闭环。运行时把测试视频路径传进 --video或者直接不传用默认路径。输出的检测画面里每个可疑缺陷都会画出红框同时显示目标面积方便判断是否有必要进一步处理。3.3 参数配置与快速调参config.py 里我集中放了一组初始参数直接复制就能跑通示例视频。实际操作时可以用一个小脚本扫描参数for threshold in [30, 50, 70]: for min_area in [50, 100, 200]: cfg[threshold] threshold cfg[min_area] min_area detections run_on_sample(cfg) print(threshold, min_area, 检出数量:, len(detections))如果样本里正常件在某种参数下突然检出好多框说明参数偏敏感如果缺陷件在某种参数下一无所获说明参数太迟钝。多试几组能很快找到相对合适的区间。3.4 性能优化分辨率、跳帧与CUDA当检测速度达不到帧率要求时优先做三件事降分辨率、跳帧、限制ROI区域。把画面缩小到一半计算量减少四分之三跳帧可以把每帧 150ms 的耗时拉回到可以接受的范围ROI 则是人工圈定一个检测区域忽略边界和无关区域既提速又降误检。如果这些还不够再考虑带 CUDA 的 OpenCV。编译 OpenCV GPU 版需要安装 CUDA Toolkit把处理函数的数据放到 GpuMat 上计算能对高斯模糊、阈值、形态学这类算子获得显著加速。不过代价是环境复杂开发调试时建议先跑 CPU 版本等算法和参数稳定后再迁移到 CUDA避免两头牵扯。4. 常见问题与排查技巧实录任何项目跑起来都不会一路顺风尤其视频流水线这种综合模块问题可能来自环境、解码、算法和硬件。下面整理了一份我实际遇到过的排查表。4.1 典型问题速查表现象可能原因处理方式视频打开失败路径不对或缺少解码器先确认路径重新安装 opencv-python确保 ffmpeg 支持画面里一个缺陷都没检出阈值过高、缺陷对比度太低降低 threshold检查差分方向是否反了误检很多满屏红框光照波动、参数过敏感固定光源缩紧 min_area增大阈值跑着跑着越来越卡每帧耗时过长积压未处理加大 skip_frames降分辨率限制ROIcv2.imshow 没有窗口显示服务器无GUI环境改用 VideoWriter 输出或保存检测截图findContours 报参数错误OpenCV 版本兼容问题统一改成 contours, _ cv2.findContours(...)4.2 实测踩坑与优化心得我最想强调的是光线。同一个算法白天能检出细划痕到了傍晚光线偏暗就开始漏检或者灯光一抖就满屏报警。想要稳定第一步一定是把现场照明做固定而不是靠算法硬扛。我做过一个项目最后是加了一个遮光罩就解决了大部分误检。另一个坑是背景差分核大小。如果 background 的核设得太小缺陷会被背景估计“吸收”差分结果趋近于零阈值怎么调都白搭。按我的经验bg_ksize 至少要达到最大缺陷尺寸的 3 到 5 倍效果才比较合理。至于输出不要只把框画在视频上就完事。产线场景里需要留痕建议把每帧的时间戳、缺陷位置、面积保存成 CSV 或者 JSON再配合视频截图万一后面要复盘数据都在手里。更进一步的方案是检测到缺陷时自动输入一张标记后的图片到 output 目录并保存原图方便后续人工复核。4.3 从规则检测到更复杂场景的扩展这套代码的边界也很清楚如果缺陷类型特别多或者缺陷和背景非常相似比如透明玻璃上的气泡和划痕只用面积和轮廓确实不够。此时可以在已经检出的框内提取更多特征比如灰度均值、对比度、纹理、Hu矩再喂给一个简单分类器比如 SVM 或随机森林。这比一上来就训练 YOLO 要容易得多因为检测框本身已经缩小了问题范围你只需要区分不同缺陷类别。如果场景复杂到规则方法很难分离再认真考虑深度学习目标检测模型不迟。但请注意训练一个可用模型需要几百上千张标注图项目周期完全不一样。先用规则检测发现问题区域再让分类模型升级这是一条比较稳妥的路径。最后再分享一个小技巧所有可调参数都放进 config.py运行时通过字典传参不要散落在多个函数里。我刚开始写这套代码时参数直接写死在多个函数里后面调参改到怀疑人生。现在把它们集中管理后换一条产线只需要改配置逻辑代码基本不用动。实际跑这套源码最花时间的永远是调参和现场光照而不是 OpenCV 本身。希望这份说明能帮你少走一点弯路。本文还有配套的精品资源点击获取