【工业4.0实战】用Python打造智能质检系统，准确率超99%的缺陷检测算法！

Python人工智能应用模型专题：智能制造工业质检系统

---

智能制造工业质检系统

场景介绍

工业产品质量检测是制造业的关键环节，传统人工质检效率低且容易疲劳。本系统将结合计算机视觉和深度学习技术，开发一个能够自动检测产品缺陷、测量关键尺寸并识别标记的智能质检平台。系统可部署在生产线上实现7×24小时不间断检测，大幅提升质检效率和准确性。

技术亮点

• 高精度缺陷检测算法
• 实时图像处理流水线
• 多任务处理（缺陷分类+尺寸测量+OCR）
• 自适应光照补偿技术
• 模型轻量化部署方案

文件结构

industrial_vision/
│── core/                      # 核心模块
│   │── defect_detection.py    # 缺陷检测
│   │── dimension_measure.py   # 尺寸测量
│   └── mark_recognition.py    # 标记识别
│── models/                    # 模型定义
│   │── cnn_models.py          # CNN模型
│   └── yolo_models.py         # YOLO模型
│── utils/                     # 工具类
│   │── image_processing.py    # 图像处理
│   └── factory_interface.py   # 工厂接口
│── configs/                   # 配置文件
│   │── camera_config.yaml     # 相机配置
│   └── product_configs/       # 产品特定配置
│── main.py                    # 主程序
└── requirements.txt           # 依赖库

核心代码实现

1. 缺陷检测模块 (core/defect_detection.py)

import cv2
import numpy as np
from tensorflow.keras.models import load_model
from typing import List, Dict

class DefectDetector:
    """工业产品缺陷检测器"""
    
    def __init__(self, model_path: str, threshold: float = 0.9):
        self.model = load_model(model_path)
        self.threshold = threshold
        self.class_names = ['正常', '划痕', '凹陷', '污渍', '裂纹']
        
    def preprocess_image(self, image: np.ndarray) -> np.ndarray:
        """预处理工业产品图像"""
        # 自适应直方图均衡化
        lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
        l, a, b = cv2.split(lab)
        clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8))
        cl = clahe.apply(l)
        limg = cv2.merge((cl,a,b))
        enhanced = cv2.cvtColor(limg, cv2.COLOR_LAB2BGR)
        
        # 标准化
        normalized = enhanced / 255.0
        return normalized
    
    def detect_defects(self, image: np.ndarray) -> List[Dict]:
        """检测图像中的缺陷"""
        # 预处理
        processed = self.preprocess_image(image)
        input_tensor = np.expand_dims(processed, axis=0)
        
        # 预测
        predictions = self.model.predict(input_tensor)[0]
        
        # 解析结果
        results = []
        for i, prob in enumerate(predictions):
            if prob > self.threshold and i != 0:  # 忽略"正常"类别
                results.append({
   
                    'class': self.class_names[i],
                    'confidence': float(prob),
                    'severity': self._calculate_severity(prob)
                })
        
        return results
    
    def _calculate_severity(self, probability: float) -> str:
        """根据概率计算缺陷严重程度"""
        if probability > 0.98:
            return 'critical'
        elif probability > 0.95:
            return 'major'
        else:
            return 'minor'
    
    def visualize_defects(self, image: np.ndarray, defects: List[Dict]) -> np.ndarray:
        """可视化缺陷检测结果"""
        vis_image = image.copy()
        for defect in defects:
            # 在图像上绘制缺陷信息
            label = f"{
     defect['class']} ({
     defect['severity']})"
            cv2.putText(vis_image, label, (20, 40 + 30 * len(results)),
                       cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)
        return vis_image