这是一套工业视觉缺陷检测专用代码，核心逻辑：先检测定位零件 → 再对每个零件做缺陷分割 → 自动判断是否合格 → 可视化输出结果，专门解决工业质检场景

整体功能一句话总结

输入一张工业零件图片 → 自动框出所有零件 → 识别每个零件是什么（瓶子 / 螺丝 / 线缆等）→ 检测是否有缺陷（破损 / 划痕 / 变形等）→ 输出标注好的图片（合格绿框，缺陷黑框 + 红色轮廓）。

效果对比图

（关注私我领取源码和model模型）

---

一、核心模块总览

1. 配置区：模型路径、类别名称、阈值参数
2. 工具函数：IoU 计算 + NMS 去重框（解决重复检测）
3. 主流程：
   • 加载检测 + 分割双模型
   • 全局检测：找到所有零件位置
   • 局部分割：对每个零件单独做缺陷检测
   • 后处理：去重框 + 缺陷优先逻辑
   • 画图保存结果

---

二、逐段代码解析

1. 导入库

python

运行

import cv2
import numpy as np
from ultralytics import YOLO

• cv2：图像处理、画框、画轮廓、保存图片
• numpy：数组运算（处理掩码 / 坐标）
• YOLO：目标检测 + 分割模型推理

---

2. 配置参数

python

运行

# 模型/图片路径
det_model_path = "检测模型路径"
seg_model_path = "分割模型路径"
img_path       = "输入图片"
save_path      = "输出图片"

# 检测类别（5类零件）
det_class_names = ["bottle", "cable", "metal_nut", "screw", "transistor"]

# 分割缺陷类别（25类缺陷+1类合格）
seg_class_names = [...]
GOOD_CLASS = 0       # 0=合格
IOU_THRESHOLD = 0.5  # 重叠超过50%算重复框

✅ 作用：

• 检测模型：找零件在哪里、是什么零件
• 分割模型：看零件有没有缺陷、缺陷在哪
• GOOD_CLASS = 0：你的分割模型里，0 代表合格无缺陷

---

3. 工具函数：IoU 交并比

python

运行

def box_iou(box1, box2):
    # 计算两个框重叠比例

作用：判断两个框是否重叠，重叠比例就是 IoU，用于去重。

---

4. 工具函数：NMS 非极大值抑制

python

运行

def nms(boxes, iou_threshold=IOU_THRESHOLD):
    # 保留置信度最高的框，删除重叠重复框

工业场景必备：解决模型重复框选同一个零件的问题。

---

5. 加载模型

python

运行

det_model = YOLO(det_model_path)  # 检测模型：找零件
seg_model = YOLO(seg_model_path)  # 分割模型：找缺陷
img = cv2.imread(img_path)        # 读取图片

---

6. 第一步：全局检测（找到所有零件）

python

运行

det_results = det_model.predict(img, imgsz=640, conf=0.25, device="cuda:0")

• 输出：所有零件的坐标框 + 类别（瓶子 / 螺丝等）+ 置信度

---

7. 第二步：局部分割

python

运行

# 截取每个零件区域 → 送入分割模型查缺陷
crop = img[y1:y2, x1:x2]
seg_res = seg_model.predict(crop, imgsz=640, conf=0.1, device="cuda:0")

缺陷判断逻辑：

python

运行

if cid != GOOD_CLASS:  # 不是0=有缺陷
    has_defect = True
    defect_name = 缺陷名称

• 分割输出 0 → 合格（good）
• 输出 1~25 → 对应缺陷（破损 / 划痕 / 错位等）

同时会拿到缺陷掩码（mask），用于画红色缺陷轮廓。

---

8. 第三步：NMS 去重（消除重复框）

python

运行

all_boxes = nms(all_boxes)

一张零件只保留一个最准确的框。

---

9. 第四步：缺陷优先逻辑

python

运行

defect_boxes = 有缺陷的框
good_boxes = 合格框

# 规则：只要和缺陷框重叠，合格框直接删掉
final_boxes = 缺陷框 + 不重叠的合格框

✅ 工业质检核心规则：宁可误报缺陷，不可漏报缺陷只要一个区域检测出缺陷，就不承认它是合格的，保证质检安全性。

---

10. 第五步：画图可视化

python

运行

# 合格 → 绿色框
cv2.rectangle(..., (0,255,0), 2)

# 缺陷 → 黑色框 + 红色缺陷轮廓
cv2.rectangle(..., (0,0,0), 2)
cv2.drawContours(..., 红色轮廓)

• 合格：绿框 + 零件名: good
• 缺陷：黑框 + 缺陷名 + 红色轮廓标出缺陷位置

---

11. 保存结果

python

运行

cv2.imwrite(save_path, img_show)

输出一张完整标注好的质检图片。

---

三、代码运行完整流程

1. 读取图片
2. 用检测模型找到所有零件位置 + 类型
3. 逐个截取零件图片
4. 用分割模型检查是否有缺陷 + 缺陷类型
5. 去掉重复框
6. 缺陷优先：重叠区域只保留缺陷
7. 画图：合格绿框，缺陷黑框 + 红轮廓
8. 保存质检结果

---

四、代码亮点

1. 先检测后分割：精度极高，专门针对小目标缺陷
2. NMS 去重：解决工业检测常见的重复框问题
3. 缺陷优先逻辑：保证不漏检（工业质检生命线）
4. 局部裁剪推理：比整张图分割更快更准
5. 缺陷轮廓可视化：直观看到缺陷位置
6. GPU 加速：速度快，适合产线使用