简介这份资源是2023届合肥工业大学电子信息科学与技术专业的毕业设计完整项目题目为基于机器视觉技术的液晶屏切割缺陷辅助检测系统主要面向计算机、人工智能、通信工程、自动化、电子信息等相关专业的在校学生、教师及企业员工既可作为毕设、课程设计或作业的参考范例也适合具备一定Python基础的学习者进阶练手。项目基于Python 3.11与OpenCV实现围绕液晶屏切割缺陷的辅助检测展开涵盖图像预处理、缺陷识别、模型推理与可视化界面等模块代码经过完整测试答辩评审平均分达96分。压缩包共34个文件以25个Python源码文件为核心另含模型权重、字体、图片、网页模板及说明文档等整体约13.49MB目录结构清晰便于按模块阅读与二次开发。目前已有251人学习下载读者可从中获取完整的毕设实现思路、可运行源码与文档说明并在此基础上修改扩展功能用于自身课题或项目立项演示。1. 从一块切偏的液晶屏说起这套辅助检测系统到底在解决什么液晶屏切割是面板产线里最容易被低估的工序。玻璃基板按设计尺寸被刀轮划出裂痕、再掰断分离理论上切缝应该笔直、无崩边、无微裂。但实际产线上刀轮磨损、压力波动、平台微振动都会让切缝出现偏移、毛刺、斜切甚至局部没切断。这些缺陷如果靠人眼在强光下逐片检查一是慢二是不同班次标准不统一三是长时间盯屏后漏检率会明显上升。这套「基于机器视觉技术的液晶屏切割缺陷辅助检测系统」要干的事很明确用工业相机拍下切割后的屏体边缘通过图像处理把切缝区域提取出来判断有没有崩边、偏移、毛刺这类缺陷给出合格/不合格的辅助结论把人工从重复劳动里解放出来只做复核。它适合三类人正在做机器视觉方向毕业设计的学生、想入门工业缺陷检测的工程师、以及需要给产线加一道低成本视觉工位的从业者。核心词机器视觉、液晶屏切割缺陷辅助检测、源代码、文档说明会贯穿后面每一章。2. 液晶屏切割缺陷的图像特征与检测方案选型2.1 切割缺陷在图像里长什么样要选方案先得知道目标在像素层面是什么形态。液晶屏切割后的边缘在背光或侧光照射下正常切缝是一条灰度过渡相对均匀的窄带边缘锐利。而缺陷大致分四类崩边表现为边缘出现不规则的亮斑或暗坑局部灰度突变切割偏移表现为切缝中心线偏离基准位置整条线平移或倾斜毛刺是边缘向外伸出的细小凸起宽度通常只有几个像素微裂则是从切缝向内延伸的细线对比度低最容易被漏掉。这四类里崩边和偏移靠边缘提取加几何测量就能搞定毛刺需要亚像素级的轮廓分析微裂最难往往要配合更高分辨率或特殊打光。毕设级别的系统通常把重点放在前三类微裂作为扩展项。理解这一点很关键因为它直接决定了你后面选什么算法、用什么相机。2.2 为什么选传统图像处理而不是直接上深度学习这是选型时第一个要回答的问题。很多同学一上来就想用 YOLO 或分割网络觉得这样才「高级」。但从落地角度看传统方法在这类任务上有几个现实优势样本量要求低产线早期根本凑不出几千张标注图可解释性强导师或产线工程师能看懂每一步在干什么算力要求低普通工控机就能跑调参逻辑清晰出问题能定位到具体环节。常见做法是用 OpenCV 做预处理和特征提取把缺陷的几何量测出来再用简单的分类规则或轻量分类器做判定。如果后期样本积累够了再考虑用 CNN 做二次确认。这套毕设的源代码结构一般也是按这个思路组织的——图像采集、预处理、ROI 提取、缺陷检测、结果输出几个模块。选型理由讲清楚比堆模型更能体现工程思维。2.3 相机、镜头、光源的基本配置思路硬件这块不用追求顶配但要匹配精度需求。假设要检测的最小缺陷是 0.05mm相机视野是 50mm 宽那么横向分辨率至少要 50/0.051000 像素考虑留余量选 1280 或 1920 像素的工业相机比较稳妥。镜头选远心镜头能减少透视畸变对测量类任务更友好但成本高普通定焦镜头配合标定也能用。光源是容易被忽视的一环。切割边缘检测推荐用低角度环形光或条形光让切缝的凹凸产生明显阴影对比崩边和毛刺会因此更突出。背光适合做轮廓提取但不适合看表面崩边。实际搭建时先固定相机和光源拍一批正常和缺陷样本看图像对比度够不够再决定要不要换光源方案。这一步偷懒后面算法再调都白搭。3. 用 Python OpenCV 跑通缺陷检测的最小闭环3.1 环境搭建与依赖安装先保证环境干净可复现。推荐 Python 3.8 到 3.10OpenCV 用 4.x 版本numpy 和 matplotlib 用于数值处理和结果可视化。不要用太新的 Python 版本部分视觉库轮子还没跟上装起来会翻车。# 创建虚拟环境避免污染系统 Python python -m venv venv # Windows 激活 venv\Scripts\activate # Linux / macOS 激活 source venv/bin/activate # 安装核心依赖 pip install opencv-python4.8.0.74 numpy matplotlib这里固定 opencv-python 版本是有意的不同版本在轮廓提取和亚像素边缘的 API 行为有细微差异毕设复现时版本一致能省很多排查时间。numpy 负责矩阵运算matplotlib 用来把中间结果画出来看调试阶段非常有用。3.2 图像预处理灰度化、滤波与 ROI 提取预处理的目标是把切缝区域干净地分离出来。先转灰度再用高斯滤波压掉传感器噪声然后用自适应阈值或 Canny 提取边缘。ROI 提取可以用固定坐标裁剪也可以用轮廓面积筛选取决于你的图像是否已经对位。import cv2 import numpy as np def preprocess(img_path): # 读取图像灰度模式 img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) if img is None: raise FileNotFoundError(图像读取失败检查路径) # 高斯滤波核大小 5x5sigma 由核大小推导 blur cv2.GaussianBlur(img, (5, 5), 0) # 自适应阈值适合光照不均的产线图像 # 参数最大灰度、阈值类型、邻域块大小、常数 C binary cv2.adaptiveThreshold( blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, blockSize31, C5 ) # 形态学开运算去掉小噪点 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) opened cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) return img, opened逻辑说明高斯滤波的核大小决定平滑程度5x5 是通用起点噪声大就加到 7x7。自适应阈值的 blockSize 必须是奇数31 适合中等分辨率图像太小会把噪声当边缘太大则边缘定位变粗。常数 C 从阈值里减去值越大保留的前景越少用来抑制背景杂讯。开运算的核不宜过大3x3 足够去掉孤立噪点再大就会把毛刺也吃掉。3.3 缺陷判定轮廓分析、几何量测与阈值规则预处理完用 findContours 提取轮廓对每个轮廓算面积、周长、外接矩形和最小外接矩形再根据这些几何量判断缺陷类型。崩边看轮廓的凸性缺陷偏移看切缝中心线与基准线的距离毛刺看轮廓的凸起高度。def detect_defects(binary, ref_line_xNone): contours, _ cv2.findContours( binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) results [] for cnt in contours: area cv2.contourArea(cnt) # 过滤过小轮廓避免噪声误判 if area 50: continue x, y, w, h cv2.boundingRect(cnt) rect cv2.minAreaRect(cnt) (cx, cy), (rw, rh), angle rect # 崩边判定轮廓凸性缺陷深度超过阈值 hull cv2.convexHull(cnt, returnPointsFalse) defects cv2.convexityDefects(cnt, hull) max_depth 0 if defects is not None: for i in range(defects.shape[0]): _, _, _, d defects[i, 0] depth d / 256.0 # 定点数转浮点 max_depth max(max_depth, depth) label normal if max_depth 3.0: label 崩边 elif ref_line_x is not None and abs(cx - ref_line_x) 5: label 偏移 elif rh 1.5 * rw and rh 10: label 毛刺 results.append({ bbox: (x, y, w, h), area: area, max_depth: max_depth, label: label }) return results逻辑说明面积过滤是最简单的去噪手段50 像素这个阈值要根据你的实际分辨率调分辨率高就往上加。convexityDefects 返回的深度是定点数除以 256 才是像素值这个坑很多人第一次用会踩。崩边阈值 3.0 像素是经验值实际要拿标注样本统计正常轮廓的凸性缺陷分布再定。偏移判定里的 5 像素同理对应到物理尺寸要除以你的标定系数。毛刺用最小外接矩形的长宽比判断细长且有一定高度才判避免把正常边缘波动误判。3.4 结果可视化与批量测试脚本检测完要把结果画出来方便人工复核和写文档。批量跑一个文件夹的图统计各类缺陷数量这套流程跑通毕设的核心功能就立住了。import os import glob def run_batch(folder, ref_line_xNone): stats {normal: 0, 崩边: 0, 偏移: 0, 毛刺: 0} for path in glob.glob(os.path.join(folder, *.bmp)): img, binary preprocess(path) color cv2.cvtColor(img, cv2.COLOR_GRAY2BGR) results detect_defects(binary, ref_line_x) for r in results: x, y, w, h r[bbox] color_val (0, 255, 0) if r[label] normal else (0, 0, 255) cv2.rectangle(color, (x, y), (x w, y h), color_val, 2) cv2.putText(color, r[label], (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color_val, 2) stats[r[label]] stats.get(r[label], 0) 1 cv2.imwrite(path.replace(.bmp, _result.jpg), color) return stats if __name__ __main__: print(run_batch(./images, ref_line_x640))逻辑说明批量脚本用 glob 匹配 bmp 格式如果你的图是 png 或 jpg 改一下后缀。ref_line_x 是切缝基准线的横坐标需要你先用一张标准图量出来。结果图用绿色标正常、红色标缺陷写文档时直接放对比图。统计字典最后打印出来能快速看出这批样本的缺陷分布对调阈值很有帮助。4. 避坑与排查这套系统最容易翻车的五个地方4.1 现象同一批图白天跑正常晚上跑全是缺陷原因产线或实验室的照明在夜间会受其他光源干扰或者相机自动曝光没关导致图像整体亮度漂移自适应阈值的分割结果跟着变。解决把相机曝光、增益、白平衡全部设为手动固定值光源用独立稳压电源拍图前先拍一张白板做亮度基准。代码里可以加一步亮度归一化用图像均值把整体灰度拉到统一水平再进阈值。4.2 现象崩边检测时好时坏同一块屏换个角度拍结果就变原因光源角度和相机视角变化让崩边的阴影对比度改变固定阈值跟不上。另外镜头畸变会让边缘位置偏移几何量测不准。解决先做相机标定用棋盘格算出内参和畸变系数对图像做去畸变。光源和相机用机械结构锁死保证每次拍摄位姿一致。阈值不要写死改成基于正常样本统计的动态阈值比如均值加三倍标准差。4.3 现象毛刺和正常边缘波动分不开误报率高原因毛刺的像素尺度和正常切割纹路接近单靠长宽比或高度阈值区分度不够。预处理的开运算核太大把真毛刺也磨掉了。解决降低开运算核到 2x2 或干脆不做改用面积加凸性缺陷组合判断。有条件的话提高相机分辨率让毛刺在像素层面更明显。也可以引入方向性滤波只保留垂直于切缝方向的凸起响应。4.4 现象批量跑图时程序越跑越慢最后卡死原因OpenCV 的 findContours 和形态学操作在大图上耗时高循环里反复创建大矩阵内存没及时释放。或者图像分辨率太高单张就几千万像素。解决把 ROI 裁剪提前到预处理之前只处理切缝附近区域计算量能降一个数量级。循环里用 del 显式释放大对象或者把处理封装成函数让局部变量自动回收。分辨率过高就下采样到够用即可不必追求原图全尺寸处理。4.5 现象换一批新样本之前调好的参数全失效原因不同批次屏体的表面处理、切割工艺、甚至玻璃批次差异会让图像统计特性变化。参数过拟合到了旧样本上。解决参数分两级一级是跟硬件绑定的标定系数、ROI 坐标换硬件才改二级是跟图像统计相关的阈值、面积下限做成配置文件换批次时用少量新样本快速重标。养成记录每批参数和对应样本来源的习惯这是血泪经验。5. 把辅助检测做成可交付的毕设文档、源码组织与验证方法5.1 源码目录怎么组织才像工程而不是作业毕设源代码最怕所有代码堆在一个文件里。推荐按功能分目录capture/放图像采集preprocess/放预处理detect/放缺陷检测utils/放标定和可视化工具config/放参数配置文件main.py做流程串联。每个模块一个文件函数职责单一。这样文档说明也好写每章对应一个模块导师一看就知道你是有工程意识的。配置文件用 YAML 或 JSON把阈值、ROI 坐标、相机参数都抽出来。好处是换样本时不用改代码只改配置也方便在文档里用表格列出所有可调参数及其含义。这一步做了你的毕设就从「能跑」升级到「可维护」。5.2 用混淆矩阵和重复性测试验证系统可靠性光说检测准没用要有量化验证。准备一批已知标签的样本正常和各类缺陷都要有至少几十张。跑完系统后统计混淆矩阵算准确率、召回率。缺陷检测里召回率比准确率更重要漏检比误报代价大。重复性测试是另一个容易被忽略的指标。同一块样本改变拍摄位置或重新装夹重复拍十次看检测结果是否一致。如果结论跳变说明你的算法对位姿太敏感需要加对位或标定环节。这两个测试做完文档里的实验章节就有实打实的数据支撑比只放几张效果图有说服力。5.3 从辅助检测到产线落地还差什么毕设系统定位是「辅助」这个定位很诚实。真要上产线还差几块一是节拍产线要求每片几百毫秒出结果你的算法要优化到实时二是通信检测结果要能通过 PLC 或 MES 接口传出去不是只存本地图三是稳定性连续跑几天不出错异常要能自恢复四是可追溯每片屏的检测图和结论要存档。这些不用在毕设里全做完但文档里要提到说明你知道边界在哪。我一般会建议学生在最后一章写清楚当前系统的适用条件和后续扩展方向这比硬吹「已可上线」更让评审信服。5.4 一个具体技巧用标定系数把像素阈值翻译成物理尺寸调阈值时最头疼的是「3 像素到底对应多少毫米」。做法很简单放一个已知尺寸的标准件在视野里量出它在图像里的像素数算出比例系数 kmm/pixel。之后所有像素阈值都除以 k 得到物理尺寸反过来物理公差乘以 k 得到像素阈值。这样和产线工程师沟通时说的是毫米不是像素专业度立刻不一样。# 标定已知标准件实际宽度 10mm图像中量得 200 像素 k 10.0 / 200.0 # 0.05 mm/pixel # 产线要求崩边深度不超过 0.15mm换算成像素阈值 depth_threshold_px 0.15 / k # 3.0 像素 print(f像素阈值: {depth_threshold_px:.2f})这个系数一旦标定好写进配置文件所有几何阈值都用物理单位定义换相机或换镜头时只需重新标定 k规则不用重写。这是我从实际项目里养成的习惯也是这套系统从「能演示」走向「能交付」的关键一步。希望帮到你。本文还有配套的精品资源点击获取