第一课：课程导论与项目全景
各位同学，欢迎来到《OpenCV工业缺陷检测实战》的第一课。
我是你们这门课的主讲人。在机器视觉这行摸爬滚打了十几年，从最早的实验室算法到产线上跑得飞快的检测系统，踩过的坑确实不少。今天这第一课，咱们不急着写代码，先聊聊整个行业的全貌，以及这门课到底要带大家做什么。
1.1 工业缺陷检测，到底在检测什么？
说白了，工业缺陷检测就是用机器代替人眼，去发现产品上的瑕疵。你想想看，一个手机屏幕上的划痕、一个轴承表面的裂纹、一瓶饮料瓶口的毛刺……这些在人工目检时，很容易漏掉。
我当年刚入行时，在一家电子厂做项目。产线上十几个阿姨拿着放大镜看电路板，一天下来眼睛都花了。后来我们上了视觉系统，误检率直接降了80%。嗯，这就是我们这门课要解决的核心问题。
常见的工业缺陷类型（我按项目经验排了个序）：
- 表面缺陷：划痕、凹坑、脏污、氧化、色差
- 尺寸缺陷：长度、宽度、孔径、位置偏移超差
- 结构缺陷：裂纹、气泡、缺料、毛刺
- 印刷缺陷：字符模糊、漏印、套印不准
这些缺陷，有的用传统图像处理就能搞定，有的必须上深度学习。咱们这门课，两种方法都会讲到。
1.2 OpenCV在工业界的地位
OpenCV在工业视觉领域，就像螺丝刀在工具箱里——不是万能的，但没有它，很多活干不了。
我个人习惯把OpenCV当作“视觉算法的瑞士军刀”。它提供了几百个现成的函数，从图像读取、滤波、边缘检测，到特征匹配、相机标定，应有尽有。很多工业项目，80%的算法逻辑都可以用OpenCV快速搭出来。
我的经验之谈：
在工业现场，稳定比花哨更重要。OpenCV经过十几年的迭代，底层优化做得很好，在x86和ARM平台上都有成熟的部署方案。我曾经在一个项目里，用OpenCV的模板匹配算法，在树莓派上跑到了30fps，完全满足产线节拍。
当然，OpenCV也有短板。比如复杂的纹理缺陷、需要大量样本学习的场景，它就不如深度学习框架。但咱们做工程的人，讲究的是“用合适的工具干合适的活”。
1.3 本课程项目全景图：从相机到检测结果
一个完整的工业缺陷检测系统，绝不是写几行代码那么简单。它是一条完整的链路：
- 硬件选型：相机（分辨率、帧率）、镜头（焦距、光圈）、光源（环形光、背光、同轴光）
- 图像采集：通过相机SDK或OpenCV的VideoCapture获取图像
- 图像预处理：去噪、增强、几何校正
- 缺陷检测算法：传统方法（阈值分割、边缘检测、模板匹配）或深度学习方法（分类、分割、目标检测）
- 结果输出与通信：将检测结果（OK/NG、缺陷坐标）通过串口、TCP/IP或PLC发送出去
咱们这门课，会带着大家走完这整个流程。每个环节我都会结合真实项目案例来讲。
注意：很多初学者只关注算法，忽略了硬件和通信。我曾经有一个项目，算法在实验室跑得完美，一到产线就各种误报。最后发现是光源角度没调好，导致阴影干扰。所以，硬件和算法是相辅相成的。
1.4 环境搭建与验证
工欲善其事，必先利其器。咱们先把开发环境搭好。
我推荐的环境配置：
| 组件 | 推荐版本 | 备注 |
|---|---|---|
| Python | 3.8 - 3.11 | 3.12有些库还不兼容，建议用3.10 |
| OpenCV | 4.8.0 或 4.9.0 | 用pip安装：pip install opencv-python |
| NumPy | 1.24.x | OpenCV的底层依赖 |
| Matplotlib | 3.7.x | 用来显示图像，调试用 |
安装完成后，咱们写个简单的验证脚本：
import cv2
import numpy as np
# 创建一个空白图像
img = np.zeros((300, 300, 3), dtype=np.uint8)
# 画一个红色的圆
cv2.circle(img, (150, 150), 100, (0, 0, 255), -1)
# 显示图像
cv2.imshow('Test Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
print("OpenCV版本:", cv2.__version__)
print("环境搭建成功！")
如果能看到一个红色的圆，并且控制台打印出版本号，恭喜你，环境就绪了。
避坑指南：我曾经在Windows上遇到过imshow窗口不显示的问题。后来发现是系统缺少Visual C++运行库。如果你也遇到类似问题，去微软官网下载安装“VC_redist.x64.exe”就能解决。
1.5 课程项目总览
咱们这门课一共30章，会从易到难，覆盖工业缺陷检测的常见场景。我挑几个核心项目给大家透个底：
- 项目一：金属表面划痕检测（第5-8章）——用传统图像处理搞定
- 项目二：PCB焊点缺陷检测（第12-16章）——结合模板匹配和差分法
- 项目三：瓶盖密封圈缺失检测（第20-24章）——用深度学习分类网络
- 项目四：手机屏幕亮点/暗点检测（第27-30章）——综合项目，从硬件到部署
每个项目我都会提供真实的工业级数据集（脱敏后的），以及完整的代码。你跟着做一遍，基本就能上手实际项目了。
好了，第一课就到这里。下一章咱们开始讲图像预处理，这是所有检测算法的基础。记得把环境搭好，有问题随时在课程群里交流。
公众号:蓝海资料掘金营，微信deep3321