Visual Inspection · C++ · OpenCV

Kontext & Motivation

In der industriellen Qualitätskontrolle müssen Bauteile mit hoher Geschwindigkeit und Präzision auf Oberflächenfehler geprüft werden — Kratzer, Dellen, Risse oder Materialfehler. Manuelle Sichtprüfung ist langsam, fehleranfällig und nicht skalierbar.

Ziel dieses Projekts war es, eine vollständige C++ Bildverarbeitungs-Pipeline zu implementieren, die Defekte auf Metalloberflächen automatisch erkennt, annotiert und einen Inspektionsbericht generiert — auf Basis des öffentlichen MVTec AD Benchmark-Datasets.

1 — Verarbeitungs-Pipeline

Jedes Bild durchläuft eine mehrstufige Pipeline von der Rohdatei bis zum annotierten Ergebnis:

Preprocessing — ImagePreprocessor Klasse

// Grayscale + Gaussian Blur + Histogram Equalization + Normalization
cv::Mat ImagePreprocessor::process(const cv::Mat& input) const {
    cv::Mat result = resize(input);        // 256x256
    result = toGrayscale(result);          // BGR → Gray
    result = applyBlur(result);            // Gaussian kernel 5x5
    result = equalizeHist(result);         // Kontrastverstärkung
    result = normalize(result);            // 0-255 Normalisierung
    return result;
}

Defekterkennung — DefectDetector Klasse

// Canny Edge Detection + Morphologie + Konturfilterung
cv::Mat edges = applyEdgeDetection(preprocessed);  // Canny(50, 150)
cv::Mat morphed = applyMorphology(edges);           // MORPH_CLOSE
auto contours = findDefectContours(morphed);        // findContours()

// Konturfilterung nach Fläche
for (const auto& contour : contours) {
    double area = cv::contourArea(contour);
    if (area >= 100.0 && area <= 50000.0) {
        result.defect_count++;
        result.defect_bboxes.push_back(cv::boundingRect(contour));
    }
}

2 — Software-Architektur

Das Projekt folgt dem objektorientierten C++ Standard mit klarer Trennung von Verantwortlichkeiten:

Build System

# CMake + vcpkg — reproduzierbarer Build
cmake .. -G "NMake Makefiles" \
  -DCMAKE_BUILD_TYPE=Release \
  -DCMAKE_TOOLCHAIN_FILE="C:/vcpkg/scripts/buildsystems/vcpkg.cmake"

cmake --build . --config Release
# → visual_inspection.exe

3 — Ergebnisse auf MVTec AD (Metal Nut)

Getestet auf der Metal Nut Kategorie des MVTec AD Datasets — 115 Bilder mit verschiedenen Defekttypen.

DEFECT (60%)

2 Defekte erkannt — Kratzer auf Metalloberfläche

DEFECT (55%)

1 Defekt erkannt — Oberflächenfehler

Konsolen-Ausgabe

4 — Automatischer CSV-Report

Nach der Verarbeitung wird automatisch ein strukturierter Report generiert:

filename,label,has_defect,defect_count,defect_area,defect_ratio,confidence,processing_time_ms,timestamp
000.png,DEFECT,1,2,1250.0000,0.0190,0.6000,1,2026-06-16 11:15:32
001.png,OK,0,0,0.0000,0.0000,1.0000,1,2026-06-16 11:15:32
002.png,DEFECT,1,1,890.0000,0.0135,0.5500,1,2026-06-16 11:15:32

5 — Zusammenfassung

Skills

6 — Ausblick

• 1
  Deep Learning Integration
  Erweiterung mit OpenCV DNN Modul — vortrainierte Modelle (ResNet, EfficientNet) für höhere Erkennungsgenauigkeit.
• 2
  Kamera-Integration
  Echtzeit-Verarbeitung von Live-Kamerastreams statt statischer Bilder — industrielle GigE Vision oder USB3 Kameras.
• 3
  Alle MVTec Kategorien
  Testen auf allen 15 Kategorien (Bottle, Cable, Carpet, etc.) mit kategoriespezifischen Parametern und Auswertung.
• 4
  Multithreading
  Parallele Verarbeitung mehrerer Bilder gleichzeitig mit C++ Threads — für höheren Durchsatz in der Produktion.