小微企业机器视觉质检实战：用 OpenCV + YOLOv8 在边缘盒子部署工业缺陷检测

摘要：人工目检成本高、夜班易漏检，机器视觉正从小厂"用不起"变成"用得上"。本文给出一条可落地的路径：用工业相机采集样本、labelImg 标注、YOLOv8 训练缺陷模型，再导出 ONNX 部署到国产 NPU 边缘盒子，最后用 MQTT 把不良率上报看板，全程不依赖云端。

一、为什么小厂也该上机器视觉质检

螺丝漏装、瓶盖歪斜、PCB 虚焊、布料破洞——这类"看得见"的缺陷，人工每小时看上千件就会疲劳，漏检率随之上升。一台几千元的边缘盒子 + 一个 USB/网口工业相机，就能 7×24 守住关键工位，单件判定只要几十毫秒。对订单量刚起来的小厂，这是投入产出比很高的改造。

二、整体方案：采集—训练—部署—上报四段式

架构分四层：

采集层：工业相机（推荐全局快门，避免运动模糊）通过 USB3 或 GigE 取流，配环形光源压低反光。
训练层：在开发机用 YOLOv8 训练，产出 .pt 权重。
边缘层：把模型转 ONNX，跑在国产 NPU 盒子（瑞芯微 RK3588、昇腾 Atlas、飞腾等）上做实时推理。
上报层：推理结果经 MQTT 发到 Grafana 看板，超阈值触发声光报警或停线。

整套不连公网也能跑，数据不出厂，符合小厂对工艺保密的要求。

三、数据采集与标注：样本比算法更关键

先拍够样本。缺陷类任务最忌"正常多、缺陷少"，建议正常与缺陷样本比例不低于 3:1，且缺陷要覆盖各种形态（位置、大小、光照）。用 labelImg 框出缺陷并保存为 YOLO 格式的 .txt（每行 class x_center y_center width height，坐标归一化）。

标注三条铁律：

框要贴边，别留大块背景，否则模型学偏
同一类缺陷用同一个 class id，别按"大破洞/小破洞"分两类
留出 20% 样本做验证集，训练时模型没见过，才能真实评估

四、YOLOv8 训练：环境、数据与命令

开发机装 ultralytics：

pip install ultralytics

数据描述文件 data.yaml：

path: /dataset
train: images/train
val:   images/val
names: ['defect']

训练命令（小厂样本通常几百到几千张，用 n 或 s 模型足够）：

yolo detect train model=yolov8n.pt data=data.yaml epochs=100 imgsz=640 batch=16

imgsz=640 平衡精度与速度；batch 视显存定，8G 显存用 16 基本稳。训练完看 results.png 里的 mAP50 和 precision/recall，缺陷检测 mAP50 能到 0.9 以上才算可用。

五、导出与边缘部署：ONNX + 国产 NPU 盒子

训练出的 .pt 先转 ONNX，跨平台兼容性好：

yolo export model=best.pt format=onnx imgsz=640

RK3588 这类盒子用官方 rknn-toolkit2 把 ONNX 再量化成 .rknn，NPU 算力能跑满；昇腾用 atc 转 .om。这一步的坑是输入尺寸必须和训练一致（640），且预处理（除以 255、BGR→RGB）要和训练时完全对齐，否则精度断崖下跌。

六、推理代码：OpenCV 取流 + 模型推理

边缘盒子上用 OpenCV 拉流并推理（示意）：

import cv2
from ultralytics import YOLO  # 或各 NPU 的推理 SDK

cap = cv2.VideoCapture("rtsp://相机地址/stream")
model = YOLO("best.onnx")
while True:
    ok, frame = cap.read()
    if not ok: break
    res = model(frame, imgsz=640, conf=0.5)
    for b in res[0].boxes:
        x1,y1,x2,y2 = map(int, b.xyxy[0])
        cv2.rectangle(frame, (x1,y1), (x2,y2), (0,0,255), 2)
    cv2.imshow("qa", frame)
    if cv2.waitKey(1) == 27: break

conf=0.5 是置信度阈值，缺陷漏检多就调低，误报多就调高。产线建议设双阈值：高于高阈值直接判废，介于之间的人工复检。

七、与 MES/看板对接：MQTT 上报不良率

每批次统计不良数，用 MQTT 上报：

import paho.mqtt.client as mqtt
client = mqtt.Client()
client.connect("内网broker", 1883)
client.publish("factory/line1/defect",
    json.dumps({"batch": "B20261113", "total": 200, "bad": 3}))

Grafana 订阅该主题画不良率趋势，连续超阈值自动弹报警。这样管理层手机上就能看到每条线质量，不必等班后报表。

八、踩坑清单与落地建议

光照是第一变量：换光源或调亮度后模型精度会掉，把"固定光源 + 遮光罩"当成设备一部分，别靠自然光。
样本要持续补：新出现的缺陷形态要回流标注、增量训练，模型才不过期。
帧率与判定解耦：相机 30fps，但判定可每 3 帧一次，留出 IO 余量。
误检兜底：高价值件保留"模型判废 + 人工确认"双保险，避免误杀良品。
先单点后推广：选一个最痛的工位跑通闭环，再复制到其他线，别一上来全线铺开。

九、小结

机器视觉质检对小厂不是"大厂专利"。从几百张标注样本、一个 YOLOv8 小模型、一台国产 NPU 盒子起步，用 OpenCV 取流、MQTT 上报，就能把关键工位的质量数据实时化。先把一个点跑通、看到不良率下降，再谈规模化，是风险最低的路径。