主流缺陷检测开源项目

主流缺陷检测开源项目（含官方 GitHub 链接、适用场景、特点）
分为四大类：工业异常检测库（工业质检首选）、通用目标 / 分割框架（缺陷分类分割）、专用工业缺陷项目、传统视觉工具库
一、工业异常缺陷检测（工业表面缺陷、少样本良品居多场景，最常用）
1. Anomalib（Intel 官方，工业标杆）
链接：https://github.com/openvinotoolkit/anomalib
特点：工业异常检测标准库，集成 PatchCore、Padim、FastFlow、MemSeg 等 SOTA 无监督缺陷算法；支持训练 / 可视化 / 评估 / OpenVINO 部署；内置 MVTec AD、BTech 等工业缺陷数据集；PCB、金属、布料、晶圆通用，2026 年更新活跃。
2. MemSeg（半监督表面缺陷，小样本友好）
GitHub：https://github.com/meyerd/MemSeg
特点：针对纹理表面缺陷（皮革、钢材、玻璃），仅需少量缺陷样本；内存记忆机制区分正常 / 异常纹理，轻量化推理。
3. PatchCore 官方复现
链接：https://github.com/amazon-science/patchcore-inspection
亚马逊提出工业异常算法，工业落地最多基线，Anomalib 内置同款实现。
4. UniAD 统一异常检测工具箱
https://github.com/zhangzjn/UniAD
整合 10 + 主流异常检测算法，统一训练推理接口，适合对比实验。
二、通用深度学习框架（缺陷定位、分割、分类通用）
1. Ultralytics YOLO（YOLOv5/v8/v9/v10，缺陷目标检测首选）
链接：https://github.com/ultralytics/ultralytics
特点：开箱即用，支持图片 / 视频 / 摄像头实时缺陷检测；支持分割、分类、姿态；PCB、零件划痕、孔洞小缺陷广泛使用，支持 TensorRT/ONNX 边缘部署，工业产线最常用检测框架。
2. MMDetection / MMSegmentation（商汤，学术工业通用）
MMDetection（检测）：https://github.com/open-mmlab/mmdetection
MMSegmentation（分割）：https://github.com/open-mmlab/mmsegmentation
特点：最全算法库，Mask R-CNN、RTMDet、分割模型齐全；适合复杂缺陷像素级分割，钢材、布料、半导体高精度缺陷分割。
3. Detectron2（Meta FAIR）
https://github.com/facebookresearch/detectron2
Mask R-CNN 原始实现，高精度缺陷实例分割，适合高精度质检场景。
4. PaddleSeg（百度飞桨，国产分割）
https://github.com/PaddlePaddle/PaddleSeg
国产轻量化分割套件，内置大量预训练模型，国内制造业、印刷缺陷落地多。
三、专用工业缺陷开源项目（行业定制）
1. Charmve/Surface-Defect-Detection（缺陷汇总仓库）
https://github.com/Charmve/Surface-Defect-Detection
最全缺陷合集：包含 PCB、钢材、布料、磁砖、路面缺陷数据集 + 复现代码，毕业设计入门首选。
2. Severstal 钢材缺陷检测（钢铁竞赛开源）
https://github.com/khornlund/severstal-steel-defect-detection
钢材表面划痕、斑点、裂纹专用分割代码。
3. Tiny-Defect-Detection PCB 微小缺陷
https://github.com/Ixiaohuihuihui/Tiny-Defect-Detection-for-PCB
PCB 微小开路、短路、露铜检测，小目标缺陷优化。
4. DEye（传统 + 深度学习晶圆 / 玻璃缺陷）
https://github.com/sundyCoder/DEye
半导体晶圆、光学玻璃专用检测库，C++ 底层推理，适合高精度光学质检。
5. pavement-crack 路面裂缝检测
https://github.com/fyangneil/pavement-crack-detection
道路、墙体裂纹缺陷专用。
四、传统机器视觉（无 AI，简单缺陷低成本）
OpenCV（传统图像处理缺陷）
官网：https://github.com/opencv/opencv
灰度、阈值、形态学、边缘检测，简单划痕、孔洞低成本方案。
Saliency-detection-toolbox（显著性缺陷传统算法）
https://github.com/abin24/Saliency-detection-toolbox
14 种传统显著性算法，无 GPU 场景纹理缺陷粗检。
五、快速选型建议
1. 纹理表面、良品多、缺陷极少：Anomalib
2. 缺陷需要框选、实时产线：Ultralytics YOLOv8/v10
3. 像素级精细缺陷分割：MMSeg / PaddleSeg
4 PCB / 钢铁 / 布料行业入门学习：Charmve/Surface-Defect-Detection
5 无 GPU、低成本简单质检：OpenCV