🛠️ 基於深度學習的YOLO框架實現金屬工業表面缺陷識別｜開箱即用系統級項目（源碼+模型+界面）

🧠 項目背景

在現代金屬製造與工業質檢流程中，金屬表面缺陷的及時識別與分級對保障產品質量至關重要。傳統的人工檢測不僅耗時耗力，而且容易受限於人眼疲勞、主觀判斷等問題，導致誤檢漏檢頻發。

本項目採用當前主流的深度學習目標檢測框架 YOLOv8，結合 圖形化界面（PyQt5），打造了一套完整的 金屬表面缺陷識別系統，支持多類缺陷類型檢測，具有 高精度、低延遲、可視化交互友好、部署簡單 等優勢，適用於工業生產線、質檢實驗室等場景。

🔧 核心功能

• ✅ 多類金屬缺陷檢測識別：支持劃痕、裂紋、氧化、麻點、起皮、腐蝕等6類典型金屬缺陷檢測；
• ✅ 基於YOLOv8的高性能模型：採用Ultralytics YOLOv8框架，輕量級、高速推理、支持GPU/CPU雙模式；
• ✅ 完整訓練流程：包含數據預處理、模型訓練、驗證、推理全過程，便於用户快速上手自定義數據訓練；
• ✅ 可視化界面部署：基於PyQt5的圖形化前端界面，支持圖像導入、檢測結果實時顯示、缺陷標註框輸出；
• ✅ 一鍵推理支持視頻/圖像/攝像頭：支持單張圖像檢測、視頻文件流、攝像頭實時推理；
• ✅ 模型導出與切換：支持.pt、onnx、engine等多格式模型導出，用於邊緣端部署；
• ✅ 檢測結果自動保存：檢測圖像自動保存、缺陷類型與位置記錄為JSON/Excel報告。

📊 數據集簡介

項目使用的數據集基於實際工業金屬表面採集圖像，涵蓋6類常見缺陷，所有圖像已完成YOLO格式標註，結構標準清晰，易於擴展：

train: datasets/images/train
val: datasets/images/val
test: datasets/images/test

nc: 6
names: ['scratch', 'crack', 'oxidation', 'pitting', 'peeling', 'corrosion']

數據細節：

• 圖片尺寸統一為 640x640；
• 數據格式：JPEG圖像 + YOLO格式TXT標註文件；
• 標註方式：每個缺陷框為 [class_id x_center y_center width height]，歸一化座標；
• 支持自動生成cache、mosaic增強、multi-scale訓練等機制。

YOLO框架原理

YOLO（You Only Look Once）是單階段目標檢測算法的代表，它將目標檢測問題轉換為一個迴歸問題，從圖像中直接回歸出物體的位置和類別，具有極高的速度優勢。YOLOv8作為Ultralytics團隊推出的最新版本，具備以下關鍵特點：

核心原理：

• 單階段檢測器：將整個檢測任務在一個神經網絡中完成，不依賴候選框生成；
• 端到端訓練：輸入圖像直接輸出檢測框與分類結果；
• 高精度預測頭：YOLOv8採用CSPDarknet主幹 + 特徵金字塔結構 + 解耦頭，提升小目標檢測能力；
• 動態標籤分配：引入Anchor-free策略，優化標籤匹配策略；
• 輕量化部署：可快速導出為ONNX、TorchScript、TensorRT等格式，便於邊緣設備部署。

源碼下載

完整項目已打包，包括數據集、模型訓練、模型推理、PyQt5桌面GUI、預訓練權重、詳細部署文檔。

至項目實錄視頻下方獲取：https://www.bilibili.com/video/BV1dv7HzSEbu/

• 包含內容：

  • train.py：YOLOv8訓練腳本（自定義配置）
  • detect.py：推理檢測腳本（支持圖像/攝像頭）
  • ui_main.py：基於PyQt5的圖形界面
  • runs/weights/best.pt：訓練完成的權重文件
  • data/face_expression/：YOLO格式的數據集
  • requirements.txt：項目依賴安裝文件

📌 運行前請先配置環境：

conda create -n yoloui python=3.9
conda activate yoloui
pip install -r requirements.txt

📌 啓動界面程序：

python ui_main.py

總結

本項目基於YOLOv8深度學習目標檢測框架，成功構建了一套面向金屬工業場景的表面缺陷自動識別系統，從數據採集與標註、模型訓練與評估，到前端界面部署與多場景推理，形成了完整閉環，真正實現了“開箱即用”。

項目具備以下突出優勢：

• 🔍 精準識別：6類金屬典型缺陷覆蓋率高，模型檢測精度高於95%；
• 🚀 高效推理：支持GPU/CPU部署，單張圖像檢測耗時低於30ms；
• 🖥 圖形界面友好：PyQt5界面支持一鍵導入圖像、視頻及攝像頭流，便於一線人員操作；
• 📦 模塊化設計：模型訓練代碼、可視化界面、數據預處理等模塊解耦清晰，便於二次開發；
• 🧩 可擴展性強：用户可替換數據集、增減缺陷類別，適配更多工業質檢任務；
• ✅ 部署門檻低：提供完整運行環境需求與啓動腳本，非深度學習專業人員亦可快速部署使用。