基于深度学习的钢铁缺陷检测系统（yolov8、yolov5、注意力机制、PyQt5界面、Python）

原创

已于 2024-10-12 11:56:33 修改 · 2.8k 阅读

42 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #YOLO #python

于 2024-08-30 16:36:05 首次发布

在这里插入图片描述

项目介绍

项目中所用到的算法模型和数据集等信息如下：

算法模型：
yolov8、yolov8 + SE注意力机制 或 yolov5、yolov5 + SE注意力机制 ， 直接提供最少两个训练好的模型。模型十分重要，因为有些同学的电脑没有 GPU，无法自行训练。

数据集：
网上下载的数据集，格式都已转好，可直接使用。

界面：
PyQt5

以上是本篇博客的简单说明，添加注意力机制可作为模型的创新点 。

在这里插入图片描述

摘要：钢材表面缺陷的检测对于保障产品质量、延长产品寿命以及预防潜在安全风险起着至关重要的作用。本文介绍了基于YOLOv8深度学习框架的一个钢材表面缺陷检测模型，该模型使用了1800张图片进行训练，能够识别热轧钢带表面的六种常见缺陷，包括轧制氧化皮、斑块、开裂、点蚀表面、内含物以及划痕。此外，我们开发了一款带有UI界面的钢材表面缺陷检测系统，支持实时检测这六种缺陷，并能更直观地展示检测功能。该系统采用Python与PyQT5开发，能够对图片、视频及摄像头输入进行目标检测，同时支持检测结果的保存。本文还附带了完整的Python代码和使用指南，供有兴趣的读者学习参考，获取完整的代码资源请参见文章末尾。

前言

钢材表面缺陷的检测在保障产品质量、延长使用寿命，以及预防潜在安全隐患方面起着关键作用。在金属加工和制造业中，及时且精确地检测出表面缺陷，有助于避免不合格产品进入市场，从而确保结构的完整性与可靠性，以及产品的外观与性能标准。此外，缺陷检测还能帮助制造商减少废品率，提高材料利用率，降低经济损失。

钢材表面缺陷检测在多个领域中得到了广泛应用，如汽车制造、航空航天、船舶制造、建筑、管道和压力容器等行业的质量控制中都扮演着重要角色。在轧钢厂中，一个自动化的表面缺陷检测系统能够实现在线监控，及时识别生产过程中出现的缺陷，从而迅速调整生产参数，提升产品的一次合格率。

在现代制造环境中，钢材表面缺陷检测系统还可以与其他工业自动化组件协同工作，比如与生产管理系统整合，以提供实时的质量控制反馈，推动智能制造和工业4.0的发展。在售后服务及维护阶段，系统能够帮助快速诊断运输和使用过程中可能产生的缺陷问题，确保用户的使用安全和产品的持久性能。

通过收集与钢材表面缺陷相关的数据和图像，博主利用YOLOv8目标检测技术，结合Python与PyQt5，开发出了一款界面简洁的钢材表面缺陷检测系统，该系统支持图片、视频及摄像头检测，并能够保存检测结果。

功能展示：

部分核心功能如下：

功能1： 支持单张图片识别
功能2： 支持遍历文件夹识别
功能3： 支持识别视频文件
功能4： 支持摄像头识别
功能5： 支持结果文件导出（xls格式）
功能6： 支持切换检测到的目标查看

更多的其他功能可以通过下方视频演示查看。

基于深度学习钢铁表面缺陷检测系统（yolov8）

🌟 一、环境安装

文档中有详细的环境安装指南，包括 Python、PyCharm、CUDA、Torch 等库的安装步骤，所有版本均已适配。你可以根据文档或视频教程一步步完成安装。

经过三年多的经验积累，我整理了在帮助他人安装环境过程中常见的问题和解决方法，并汇总到这份文档中。无论你是使用 GPU 版还是 CPU 版，都能找到相关的安装细节和说明。文档会定期更新，以确保最新的环境配置和优化，供大家参考。

文档截图如下：

在这里插入图片描述

🌟 二、数据集介绍

通过网络上搜集了关于钢材表面缺陷的各类图片，并使用Labelimg标注工具对每张图片中的目标边框（Bounding Box）及类别进行了标注。这一数据集总共包含1800张图片，其中训练集包含1440张图片，验证集包含360张图片，部分图像及标注如图所示。

该数据库包括1800个灰度图像，涵盖六种不同类型的典型表面缺陷，每一类缺陷包含300个样本。六种缺陷分别为：轧制氧化皮、斑块、开裂、点蚀表面、内含物和划痕。对应的英文为：[‘crazing’, ‘inclusion’, ‘patches’, ‘pitted_surface’, ‘rolled-in_scale’, ‘scratches’]。

在这里插入图片描述

🌟 三、深度学习算法介绍

1. yolov8相关介绍

YOLOv8 是一个SOTA（State-Of-The-Art）模型，建立在以往 YOLO 版本的成功基础上，引入了许多新的功能和改进，以进一步提升性能和灵活性。具体创新包括：全新的骨干网络、Anchor-Free 检测头以及新型损失函数，这些改进使得 YOLOv8 能够在从CPU到GPU的各种硬件平台上高效运行。

然而，ultralytics 并没有直接将开源库命名为YOLOv8，而是使用了ultralytics这个名称。原因在于ultralytics将这个库定位为算法框架，而非某一个特定算法。一个主要特点是可扩展性。该库的目标是不仅能够支持 YOLO 系列模型，还能够支持非 YOLO 模型以及分类、分割、姿态估计等各类任务。

总而言之，<