一、项目介绍摘要本项目基于YOLOv8深度学习框架开发了一套钢材焊接缺陷智能检测系统能够自动识别并分类六种常见的焊接质量状况包括良好焊接和五类典型缺陷。系统使用包含3,037张训练图像、422张验证图像和205张测试图像的专用数据集进行训练和评估实现了对Bad Welding(不良焊接)、Crack(裂纹)、Excess Reinforcement(余高过高)、Good Welding(良好焊接)、Porosity(气孔)和Spatters(飞溅)等六类焊接状态的精确识别。该系统通过计算机视觉技术替代传统人工检测方法显著提高了焊接质量检测的效率和准确性为制造业质量控制提供了智能化解决方案。项目意义1. 提升焊接质量检测效率传统焊接质量检测主要依赖经验丰富的检测人员通过目视或仪器进行检查这种方法效率低下且容易受主观因素影响。本系统能够在毫秒级别完成单张图像的检测分析检测速度比人工提升数十倍可满足现代制造业对高效质量检测的需求特别适用于大批量生产场景。2. 提高缺陷识别准确率系统基于深度学习的识别算法能够捕捉人眼难以察觉的微观缺陷特征如微小裂纹、隐蔽气孔等。通过3,037张高质量标注图像训练出的模型对六类焊接状态的识别准确率达到行业领先水平显著降低了漏检和误检率。3. 实现焊接质量标准化评估系统克服了人工检测中标准不统一的问题通过量化分析提供客观一致的评估结果。特别是对Excess Reinforcement和Bad Welding等需要专业判断的缺陷类型系统能够给出精确的识别结果避免了不同检测人员之间的判断差异。4. 降低生产成本与质量风险早期发现焊接缺陷可以大幅减少返工成本和材料浪费。系统能够24小时不间断工作适用于危险环境或难以到达的检测位置降低了人工检测的安全风险。同时通过积累检测数据可为工艺改进提供数据支持。5. 推动制造业智能化转型本项目是计算机视觉技术在传统制造业中的成功应用示范为焊接工艺质量控制的数字化转型提供了可行方案。系统可集成到自动化生产线中实现焊接质量的实时监控与反馈是智能工厂建设的重要组成部分。6. 具备行业推广价值系统涵盖的六类焊接状态代表了最常见的焊接质量问题检测结果可直接指导生产实践。项目采用的YOLOv8框架平衡了检测精度和速度便于在不同硬件环境下部署应用在船舶制造、压力容器、管道工程等多个领域具有广泛的应用前景。本系统的开发与应用将显著提升焊接质量检测的智能化水平为制造业质量管控提供可靠的技术支持对推动中国制造2025战略的实施具有积极意义。基于深度学习的钢材焊接缺陷检测系统YOLOv8YOLO数据集UI界面Python项目源码模型_哔哩哔哩_bilibili基于深度学习的钢材焊接缺陷检测系统YOLOv8YOLO数据集UI界面Python项目源码模型二、项目功能展示系统功能✅图片检测可对单张图片进行检测返回检测框及类别信息。✅批量图片检测支持文件夹输入一次性检测多张图片生成批量检测结果。✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测图片检测该功能允许用户通过单张图片进行目标检测。输入一张图片后YOLO模型会实时分析图像识别出其中的目标并在图像中框出检测到的目标输出带有目标框的图像。批量图片检测用户可以一次性上传多个图片进行批量处理。该功能支持对多个图像文件进行并行处理并返回每张图像的目标检测结果适用于需要大规模处理图像数据的应用场景。视频检测视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示适用于视频监控和分析等场景。摄像头实时检测该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用提供即时反馈。核心特点高精度基于YOLO模型提供精确的目标检测能力适用于不同类型的图像和视频。实时性特别优化的算法使得实时目标检测成为可能无论是在视频还是摄像头实时检测中响应速度都非常快。批量处理支持高效的批量图像和视频处理适合大规模数据分析。三、数据集介绍数据集名称: 钢材缺陷检测数据集数据集内容:类别数量 (nc): 6类类别名称: [Bad Welding, Crack, Excess Reinforcement, Good Welding, Porosity, Spatters]Bad Welding: 不良焊接Crack: 裂纹Excess Reinforcement: 过度补强Good Welding: 良好焊接Porosity: 气孔Spatters: 焊渣数据集规模:训练集: 3037张图像验证集: 422张图像测试集: 205张图像数据来源:数据集通过实地拍摄钢材表面图像构建涵盖了不同光照条件、钢材材质和缺陷形态以确保模型的泛化能力。数据标注:每张图像中的钢材缺陷均使用边界框Bounding Box标注并标注对应的缺陷类别。标注格式为YOLO格式class_id, x_center, y_center, width, height便于直接用于YOLOv8模型的训练。数据增强:为提高模型的鲁棒性数据集进行了以下增强处理随机旋转亮度调整对比度调整水平翻转添加噪声数据集特点:多样性: 数据集包含不同缺陷类型的钢材图像覆盖了多种场景和光照条件。高质量: 图像分辨率高标注精确适合深度学习模型的训练。平衡性: 六类样本数量分布相对均衡避免了类别不平衡问题。数据集使用:训练集用于训练YOLOv8模型验证集用于评估模型的性能测试集用于最终模型的测试和验证。数据集划分合理确保模型在训练过程中能够充分学习特征并在验证集和测试集上表现出良好的泛化能力。数据集配置文件data.yamltrain: .\datasets\images\train val: .\datasets\images\val test: .\datasets\images\test nc: 6 names: [Bad Welding, Crack, Excess Reinforcement, Good Welding, Porosity, Spatters]数据集制作流程标注数据使用标注工具如LabelImg、CVAT等对图像中的目标进行标注。每个目标需要标出边界框并且标注类别。转换格式将标注的数据转换为YOLO格式。YOLO标注格式为每行object-class x_center y_center width height这些坐标是相对于图像尺寸的比例。分割数据集将数据集分为训练集、验证集和测试集通常的比例是80%训练集、10%验证集和10%测试集。准备标签文件为每张图片生成一个对应的标签文件确保标签文件与图片的命名一致。调整图像尺寸根据YOLO网络要求统一调整所有图像的尺寸如416x416或608x608。四、项目环境配置创建虚拟环境首先新建一个Anaconda环境每个项目用不同的环境这样项目中所用的依赖包互不干扰。终端输入conda create -n yolov8 python3.9激活虚拟环境conda activate yolov8安装cpu版本pytorchpip install torch torchvision torchaudiopycharm中配置anaconda安装所需要库pip install -r requirements.txt五、模型训练训练代码from ultralytics import YOLO model_path yolov8s.pt data_path datasets/data.yaml if __name__ __main__: model YOLO(model_path) results model.train(datadata_path, epochs500, batch64, device0, workers0, projectruns/detect, nameexp, )根据实际情况更换模型 yolov8n.yaml (nano)轻量化模型适合嵌入式设备速度快但精度略低。 yolov8s.yaml (small)小模型适合实时任务。 yolov8m.yaml (medium)中等大小模型兼顾速度和精度。 yolov8b.yaml (base)基本版模型适合大部分应用场景。 yolov8l.yaml (large)大型模型适合对精度要求高的任务。--batch 64每批次64张图像。--epochs 500训练500轮。--datasets/data.yaml数据集配置文件。--weights yolov8s.pt初始化模型权重yolov8s.pt是预训练的轻量级YOLO模型。训练结果六、核心代码# -*- coding: utf-8 -*- import os import sys import time import cv2 import numpy as np from PIL import ImageFont from PyQt5.QtCore import Qt, QTimer, QThread, pyqtSignal, QCoreApplication from PyQt5.QtWidgets import (QApplication, QMainWindow, QFileDialog, QMessageBox, QWidget, QHeaderView, QTableWidgetItem, QAbstractItemView) from ultralytics import YOLO # 自定义模块导入 sys.path.append(UIProgram) from UIProgram.UiMain import Ui_MainWindow from UIProgram.QssLoader import QSSLoader from UIProgram.precess_bar import ProgressBar import detect_tools as tools import Config class DetectionApp(QMainWindow): def __init__(self, parentNone): super().__init__(parent) self.ui Ui_MainWindow() self.ui.setupUi(self) # 初始化应用 self._setup_ui() self._connect_signals() self._load_stylesheet() # 模型和资源初始化 self._init_detection_resources() def _setup_ui(self): 初始化UI界面设置 self.display_width 700 self.display_height 500 self.source_path None self.camera_active False self.video_capture None # 配置表格控件 table self.ui.tableWidget table.verticalHeader().setSectionResizeMode(QHeaderView.Fixed) table.verticalHeader().setDefaultSectionSize(40) table.setColumnWidth(0, 80) # ID列 table.setColumnWidth(1, 200) # 路径列 table.setColumnWidth(2, 150) # 类别列 table.setColumnWidth(3, 90) # 置信度列 table.setColumnWidth(4, 230) # 位置列 table.setSelectionBehavior(QAbstractItemView.SelectRows) table.verticalHeader().setVisible(False) table.setAlternatingRowColors(True) def _connect_signals(self): 连接按钮信号与槽函数 self.ui.PicBtn.clicked.connect(self._handle_image_input) self.ui.comboBox.activated.connect(self._update_selection) self.ui.VideoBtn.clicked.connect(self._handle_video_input) self.ui.CapBtn.clicked.connect(self._toggle_camera) self.ui.SaveBtn.clicked.connect(self._save_results) self.ui.ExitBtn.clicked.connect(QCoreApplication.quit) self.ui.FilesBtn.clicked.connect(self._process_image_batch) def _load_stylesheet(self): 加载CSS样式表 style_file UIProgram/style.css qss QSSLoader.read_qss_file(style_file) self.setStyleSheet(qss) def _init_detection_resources(self): 初始化检测相关资源 # 加载YOLOv8模型 self.detector YOLO(runs/detect/exp/weights/best.pt, taskdetect) self.detector(np.zeros((48, 48, 3))) # 预热模型 # 初始化字体和颜色 self.detection_font ImageFont.truetype(Font/platech.ttf, 25, 0) self.color_palette tools.Colors() # 初始化定时器 self.frame_timer QTimer() self.save_timer QTimer() def _handle_image_input(self): 处理单张图片输入 self._stop_video_capture() file_path, _ QFileDialog.getOpenFileName( self, 选择图片, ./, 图片文件 (*.jpg *.jpeg *.png)) if not file_path: return self._process_single_image(file_path) def _process_single_image(self, image_path): 处理并显示单张图片的检测结果 self.source_path image_path self.ui.comboBox.setEnabled(True) # 读取并检测图片 start_time time.time() detection_results self.detector(image_path)[0] processing_time time.time() - start_time # 解析检测结果 boxes detection_results.boxes.xyxy.tolist() self.detection_boxes [list(map(int, box)) for box in boxes] self.detection_classes detection_results.boxes.cls.int().tolist() confidences detection_results.boxes.conf.tolist() self.confidence_scores [f{score * 100:.2f}% for score in confidences] # 更新UI显示 self._update_detection_display(detection_results, processing_time) self._update_object_selection() self._show_detection_details() self._display_results_table(image_path) def _update_detection_display(self, results, process_time): 更新检测结果显示 # 显示处理时间 self.ui.time_lb.setText(f{process_time:.3f} s) # 获取带标注的图像 annotated_img results.plot() self.current_result annotated_img # 调整并显示图像 width, height self._calculate_display_size(annotated_img) resized_img cv2.resize(annotated_img, (width, height)) qimage tools.cvimg_to_qpiximg(resized_img) self.ui.label_show.setPixmap(qimage) self.ui.label_show.setAlignment(Qt.AlignCenter) self.ui.PiclineEdit.setText(self.source_path) # 更新检测数量 self.ui.label_nums.setText(str(len(self.detection_classes))) def _calculate_display_size(self, image): 计算适合显示的图像尺寸 img_height, img_width image.shape[:2] aspect_ratio img_width / img_height if aspect_ratio self.display_width / self.display_height: width self.display_width height int(width / aspect_ratio) else: height self.display_height width int(height * aspect_ratio) return width, height def _update_object_selection(self): 更新目标选择下拉框 options [全部] target_labels [ f{Config.names[cls_id]}_{idx} for idx, cls_id in enumerate(self.detection_classes) ] options.extend(target_labels) self.ui.comboBox.clear() self.ui.comboBox.addItems(options) def _show_detection_details(self, index0): 显示检测目标的详细信息 if not self.detection_boxes: self._clear_detection_details() return box self.detection_boxes[index] self.ui.type_lb.setText(Config.CH_names[self.detection_classes[index]]) self.ui.label_conf.setText(self.confidence_scores[index]) self.ui.label_xmin.setText(str(box[0])) self.ui.label_ymin.setText(str(box[1])) self.ui.label_xmax.setText(str(box[2])) self.ui.label_ymax.setText(str(box[3])) def _clear_detection_details(self): 清空检测详情显示 self.ui.type_lb.setText() self.ui.label_conf.setText() self.ui.label_xmin.setText() self.ui.label_ymin.setText() self.ui.label_xmax.setText() self.ui.label_ymax.setText() def _display_results_table(self, source_path): 在表格中显示检测结果 table self.ui.tableWidget table.setRowCount(0) table.clearContents() for idx, (box, cls_id, conf) in enumerate(zip( self.detection_boxes, self.detection_classes, self.confidence_scores)): row table.rowCount() table.insertRow(row) # 添加表格项 items [ QTableWidgetItem(str(row 1)), # ID QTableWidgetItem(source_path), # 路径 QTableWidgetItem(Config.CH_names[cls_id]), # 类别 QTableWidgetItem(conf), # 置信度 QTableWidgetItem(str(box)) # 位置坐标 ] # 设置文本居中 for item in [items[0], items[2], items[3]]: item.setTextAlignment(Qt.AlignCenter) # 添加到表格 for col, item in enumerate(items): table.setItem(row, col, item) table.scrollToBottom() def _process_image_batch(self): 批量处理图片 self._stop_video_capture() folder QFileDialog.getExistingDirectory(self, 选择图片文件夹, ./) if not folder: return self.source_path folder valid_extensions {jpg, png, jpeg, bmp} for filename in os.listdir(folder): filepath os.path.join(folder, filename) if (os.path.isfile(filepath) and filename.split(.)[-1].lower() in valid_extensions): self._process_single_image(filepath) QApplication.processEvents() # 保持UI响应 def _update_selection(self): 更新用户选择的检测目标显示 selection self.ui.comboBox.currentText() if selection 全部: boxes self.detection_boxes display_img self.current_result self._show_detection_details(0) else: idx int(selection.split(_)[-1]) boxes [self.detection_boxes[idx]] display_img self.detector(self.source_path)[0][idx].plot() self._show_detection_details(idx) # 更新显示 width, height self._calculate_display_size(display_img) resized_img cv2.resize(display_img, (width, height)) qimage tools.cvimg_to_qpiximg(resized_img) self.ui.label_show.clear() self.ui.label_show.setPixmap(qimage) self.ui.label_show.setAlignment(Qt.AlignCenter) def _handle_video_input(self): 处理视频输入 if self.camera_active: self._toggle_camera() video_path self._get_video_path() if not video_path: return self._start_video_processing(video_path) self.ui.comboBox.setEnabled(False) def _get_video_path(self): 获取视频文件路径 path, _ QFileDialog.getOpenFileName( self, 选择视频, ./, 视频文件 (*.avi *.mp4)) if path: self.source_path path self.ui.VideolineEdit.setText(path) return path return None def _start_video_processing(self, video_path): 开始处理视频流 self.video_capture cv2.VideoCapture(video_path) self.frame_timer.start(1) self.frame_timer.timeout.connect(self._process_video_frame) def _stop_video_capture(self): 停止视频捕获 if self.video_capture: self.video_capture.release() self.frame_timer.stop() self.camera_active False self.ui.CaplineEdit.setText(摄像头未开启) self.video_capture None def _process_video_frame(self): 处理视频帧 ret, frame self.video_capture.read() if not ret: self._stop_video_capture() return # 执行目标检测 start_time time.time() results self.detector(frame)[0] processing_time time.time() - start_time # 解析结果 self.detection_boxes results.boxes.xyxy.int().tolist() self.detection_classes results.boxes.cls.int().tolist() self.confidence_scores [f{conf * 100:.2f}% for conf in results.boxes.conf.tolist()] # 更新显示 self._update_detection_display(results, processing_time) self._update_object_selection() self._show_detection_details() self._display_results_table(self.source_path) def _toggle_camera(self): 切换摄像头状态 self.camera_active not self.camera_active if self.camera_active: self.ui.CaplineEdit.setText(摄像头开启) self.video_capture cv2.VideoCapture(0) self._start_video_processing(0) self.ui.comboBox.setEnabled(False) else: self.ui.CaplineEdit.setText(摄像头未开启) self.ui.label_show.clear() self._stop_video_capture() def _save_results(self): 保存检测结果 if not self.video_capture and not self.source_path: QMessageBox.information(self, 提示, 没有可保存的内容请先打开图片或视频) return if self.camera_active: QMessageBox.information(self, 提示, 无法保存摄像头实时视频) return if self.video_capture: self._save_video_result() else: self._save_image_result() def _save_video_result(self): 保存视频检测结果 confirm QMessageBox.question( self, 确认, 保存视频可能需要较长时间确定继续吗, QMessageBox.Yes | QMessageBox.No) if confirm QMessageBox.No: return self._stop_video_capture() saver VideoSaverThread( self.source_path, self.detector, self.ui.comboBox.currentText()) saver.start() saver.update_ui_signal.connect(self._update_progress) def _save_image_result(self): 保存图片检测结果 if os.path.isfile(self.source_path): # 处理单张图片 filename os.path.basename(self.source_path) name, ext filename.rsplit(., 1) save_name f{name}_detect_result.{ext} save_path os.path.join(Config.save_path, save_name) cv2.imwrite(save_path, self.current_result) QMessageBox.information( self, 完成, f图片已保存至: {save_path}) else: # 处理文件夹中的图片 valid_exts {jpg, png, jpeg, bmp} for filename in os.listdir(self.source_path): if filename.split(.)[-1].lower() in valid_exts: filepath os.path.join(self.source_path, filename) name, ext filename.rsplit(., 1) save_name f{name}_detect_result.{ext} save_path os.path.join(Config.save_path, save_name) results self.detector(filepath)[0] cv2.imwrite(save_path, results.plot()) QMessageBox.information( self, 完成, f所有图片已保存至: {Config.save_path}) def _update_progress(self, current, total): 更新保存进度 if current 1: self.progress_dialog ProgressBar(self) self.progress_dialog.show() if current total: self.progress_dialog.close() QMessageBox.information( self, 完成, f视频已保存至: {Config.save_path}) return if not self.progress_dialog.isVisible(): return percent int(current / total * 100) self.progress_dialog.setValue(current, total, percent) QApplication.processEvents() class VideoSaverThread(QThread): 视频保存线程 update_ui_signal pyqtSignal(int, int) def __init__(self, video_path, model, selection): super().__init__() self.video_path video_path self.detector model self.selection selection self.active True self.colors tools.Colors() def run(self): 执行视频保存 cap cv2.VideoCapture(self.video_path) fourcc cv2.VideoWriter_fourcc(*XVID) fps cap.get(cv2.CAP_PROP_FPS) size ( int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)), int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))) filename os.path.basename(self.video_path) name, _ filename.split(.) save_path os.path.join( Config.save_path, f{name}_detect_result.avi) writer cv2.VideoWriter(save_path, fourcc, fps, size) total_frames int(cap.get(cv2.CAP_PROP_FRAME_COUNT)) current_frame 0 while cap.isOpened() and self.active: current_frame 1 ret, frame cap.read() if not ret: break # 执行检测 results self.detector(frame)[0] frame results.plot() writer.write(frame) self.update_ui_signal.emit(current_frame, total_frames) # 释放资源 cap.release() writer.release() def stop(self): 停止保存过程 self.active False if __name__ __main__: app QApplication(sys.argv) window DetectionApp() window.show() sys.exit(app.exec_())七、项目演示与介绍视频基于深度学习的钢材焊接缺陷检测系统YOLOv8YOLO数据集UI界面Python项目源码模型_哔哩哔哩_bilibili基于深度学习的钢材焊接缺陷检测系统YOLOv8YOLO数据集UI界面Python项目源码模型
基于深度学习的钢材焊接缺陷检测系统（YOLOv8+YOLO数据集+UI界面+Python项目+模型）
一、项目介绍摘要本项目基于YOLOv8深度学习框架开发了一套钢材焊接缺陷智能检测系统能够自动识别并分类六种常见的焊接质量状况包括良好焊接和五类典型缺陷。系统使用包含3,037张训练图像、422张验证图像和205张测试图像的专用数据集进行训练和评估实现了对Bad Welding(不良焊接)、Crack(裂纹)、Excess Reinforcement(余高过高)、Good Welding(良好焊接)、Porosity(气孔)和Spatters(飞溅)等六类焊接状态的精确识别。该系统通过计算机视觉技术替代传统人工检测方法显著提高了焊接质量检测的效率和准确性为制造业质量控制提供了智能化解决方案。项目意义1. 提升焊接质量检测效率传统焊接质量检测主要依赖经验丰富的检测人员通过目视或仪器进行检查这种方法效率低下且容易受主观因素影响。本系统能够在毫秒级别完成单张图像的检测分析检测速度比人工提升数十倍可满足现代制造业对高效质量检测的需求特别适用于大批量生产场景。2. 提高缺陷识别准确率系统基于深度学习的识别算法能够捕捉人眼难以察觉的微观缺陷特征如微小裂纹、隐蔽气孔等。通过3,037张高质量标注图像训练出的模型对六类焊接状态的识别准确率达到行业领先水平显著降低了漏检和误检率。3. 实现焊接质量标准化评估系统克服了人工检测中标准不统一的问题通过量化分析提供客观一致的评估结果。特别是对Excess Reinforcement和Bad Welding等需要专业判断的缺陷类型系统能够给出精确的识别结果避免了不同检测人员之间的判断差异。4. 降低生产成本与质量风险早期发现焊接缺陷可以大幅减少返工成本和材料浪费。系统能够24小时不间断工作适用于危险环境或难以到达的检测位置降低了人工检测的安全风险。同时通过积累检测数据可为工艺改进提供数据支持。5. 推动制造业智能化转型本项目是计算机视觉技术在传统制造业中的成功应用示范为焊接工艺质量控制的数字化转型提供了可行方案。系统可集成到自动化生产线中实现焊接质量的实时监控与反馈是智能工厂建设的重要组成部分。6. 具备行业推广价值系统涵盖的六类焊接状态代表了最常见的焊接质量问题检测结果可直接指导生产实践。项目采用的YOLOv8框架平衡了检测精度和速度便于在不同硬件环境下部署应用在船舶制造、压力容器、管道工程等多个领域具有广泛的应用前景。本系统的开发与应用将显著提升焊接质量检测的智能化水平为制造业质量管控提供可靠的技术支持对推动中国制造2025战略的实施具有积极意义。基于深度学习的钢材焊接缺陷检测系统YOLOv8YOLO数据集UI界面Python项目源码模型_哔哩哔哩_bilibili基于深度学习的钢材焊接缺陷检测系统YOLOv8YOLO数据集UI界面Python项目源码模型二、项目功能展示系统功能✅图片检测可对单张图片进行检测返回检测框及类别信息。✅批量图片检测支持文件夹输入一次性检测多张图片生成批量检测结果。✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测图片检测该功能允许用户通过单张图片进行目标检测。输入一张图片后YOLO模型会实时分析图像识别出其中的目标并在图像中框出检测到的目标输出带有目标框的图像。批量图片检测用户可以一次性上传多个图片进行批量处理。该功能支持对多个图像文件进行并行处理并返回每张图像的目标检测结果适用于需要大规模处理图像数据的应用场景。视频检测视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示适用于视频监控和分析等场景。摄像头实时检测该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用提供即时反馈。核心特点高精度基于YOLO模型提供精确的目标检测能力适用于不同类型的图像和视频。实时性特别优化的算法使得实时目标检测成为可能无论是在视频还是摄像头实时检测中响应速度都非常快。批量处理支持高效的批量图像和视频处理适合大规模数据分析。三、数据集介绍数据集名称: 钢材缺陷检测数据集数据集内容:类别数量 (nc): 6类类别名称: [Bad Welding, Crack, Excess Reinforcement, Good Welding, Porosity, Spatters]Bad Welding: 不良焊接Crack: 裂纹Excess Reinforcement: 过度补强Good Welding: 良好焊接Porosity: 气孔Spatters: 焊渣数据集规模:训练集: 3037张图像验证集: 422张图像测试集: 205张图像数据来源:数据集通过实地拍摄钢材表面图像构建涵盖了不同光照条件、钢材材质和缺陷形态以确保模型的泛化能力。数据标注:每张图像中的钢材缺陷均使用边界框Bounding Box标注并标注对应的缺陷类别。标注格式为YOLO格式class_id, x_center, y_center, width, height便于直接用于YOLOv8模型的训练。数据增强:为提高模型的鲁棒性数据集进行了以下增强处理随机旋转亮度调整对比度调整水平翻转添加噪声数据集特点:多样性: 数据集包含不同缺陷类型的钢材图像覆盖了多种场景和光照条件。高质量: 图像分辨率高标注精确适合深度学习模型的训练。平衡性: 六类样本数量分布相对均衡避免了类别不平衡问题。数据集使用:训练集用于训练YOLOv8模型验证集用于评估模型的性能测试集用于最终模型的测试和验证。数据集划分合理确保模型在训练过程中能够充分学习特征并在验证集和测试集上表现出良好的泛化能力。数据集配置文件data.yamltrain: .\datasets\images\train val: .\datasets\images\val test: .\datasets\images\test nc: 6 names: [Bad Welding, Crack, Excess Reinforcement, Good Welding, Porosity, Spatters]数据集制作流程标注数据使用标注工具如LabelImg、CVAT等对图像中的目标进行标注。每个目标需要标出边界框并且标注类别。转换格式将标注的数据转换为YOLO格式。YOLO标注格式为每行object-class x_center y_center width height这些坐标是相对于图像尺寸的比例。分割数据集将数据集分为训练集、验证集和测试集通常的比例是80%训练集、10%验证集和10%测试集。准备标签文件为每张图片生成一个对应的标签文件确保标签文件与图片的命名一致。调整图像尺寸根据YOLO网络要求统一调整所有图像的尺寸如416x416或608x608。四、项目环境配置创建虚拟环境首先新建一个Anaconda环境每个项目用不同的环境这样项目中所用的依赖包互不干扰。终端输入conda create -n yolov8 python3.9激活虚拟环境conda activate yolov8安装cpu版本pytorchpip install torch torchvision torchaudiopycharm中配置anaconda安装所需要库pip install -r requirements.txt五、模型训练训练代码from ultralytics import YOLO model_path yolov8s.pt data_path datasets/data.yaml if __name__ __main__: model YOLO(model_path) results model.train(datadata_path, epochs500, batch64, device0, workers0, projectruns/detect, nameexp, )根据实际情况更换模型 yolov8n.yaml (nano)轻量化模型适合嵌入式设备速度快但精度略低。 yolov8s.yaml (small)小模型适合实时任务。 yolov8m.yaml (medium)中等大小模型兼顾速度和精度。 yolov8b.yaml (base)基本版模型适合大部分应用场景。 yolov8l.yaml (large)大型模型适合对精度要求高的任务。--batch 64每批次64张图像。--epochs 500训练500轮。--datasets/data.yaml数据集配置文件。--weights yolov8s.pt初始化模型权重yolov8s.pt是预训练的轻量级YOLO模型。训练结果六、核心代码# -*- coding: utf-8 -*- import os import sys import time import cv2 import numpy as np from PIL import ImageFont from PyQt5.QtCore import Qt, QTimer, QThread, pyqtSignal, QCoreApplication from PyQt5.QtWidgets import (QApplication, QMainWindow, QFileDialog, QMessageBox, QWidget, QHeaderView, QTableWidgetItem, QAbstractItemView) from ultralytics import YOLO # 自定义模块导入 sys.path.append(UIProgram) from UIProgram.UiMain import Ui_MainWindow from UIProgram.QssLoader import QSSLoader from UIProgram.precess_bar import ProgressBar import detect_tools as tools import Config class DetectionApp(QMainWindow): def __init__(self, parentNone): super().__init__(parent) self.ui Ui_MainWindow() self.ui.setupUi(self) # 初始化应用 self._setup_ui() self._connect_signals() self._load_stylesheet() # 模型和资源初始化 self._init_detection_resources() def _setup_ui(self): 初始化UI界面设置 self.display_width 700 self.display_height 500 self.source_path None self.camera_active False self.video_capture None # 配置表格控件 table self.ui.tableWidget table.verticalHeader().setSectionResizeMode(QHeaderView.Fixed) table.verticalHeader().setDefaultSectionSize(40) table.setColumnWidth(0, 80) # ID列 table.setColumnWidth(1, 200) # 路径列 table.setColumnWidth(2, 150) # 类别列 table.setColumnWidth(3, 90) # 置信度列 table.setColumnWidth(4, 230) # 位置列 table.setSelectionBehavior(QAbstractItemView.SelectRows) table.verticalHeader().setVisible(False) table.setAlternatingRowColors(True) def _connect_signals(self): 连接按钮信号与槽函数 self.ui.PicBtn.clicked.connect(self._handle_image_input) self.ui.comboBox.activated.connect(self._update_selection) self.ui.VideoBtn.clicked.connect(self._handle_video_input) self.ui.CapBtn.clicked.connect(self._toggle_camera) self.ui.SaveBtn.clicked.connect(self._save_results) self.ui.ExitBtn.clicked.connect(QCoreApplication.quit) self.ui.FilesBtn.clicked.connect(self._process_image_batch) def _load_stylesheet(self): 加载CSS样式表 style_file UIProgram/style.css qss QSSLoader.read_qss_file(style_file) self.setStyleSheet(qss) def _init_detection_resources(self): 初始化检测相关资源 # 加载YOLOv8模型 self.detector YOLO(runs/detect/exp/weights/best.pt, taskdetect) self.detector(np.zeros((48, 48, 3))) # 预热模型 # 初始化字体和颜色 self.detection_font ImageFont.truetype(Font/platech.ttf, 25, 0) self.color_palette tools.Colors() # 初始化定时器 self.frame_timer QTimer() self.save_timer QTimer() def _handle_image_input(self): 处理单张图片输入 self._stop_video_capture() file_path, _ QFileDialog.getOpenFileName( self, 选择图片, ./, 图片文件 (*.jpg *.jpeg *.png)) if not file_path: return self._process_single_image(file_path) def _process_single_image(self, image_path): 处理并显示单张图片的检测结果 self.source_path image_path self.ui.comboBox.setEnabled(True) # 读取并检测图片 start_time time.time() detection_results self.detector(image_path)[0] processing_time time.time() - start_time # 解析检测结果 boxes detection_results.boxes.xyxy.tolist() self.detection_boxes [list(map(int, box)) for box in boxes] self.detection_classes detection_results.boxes.cls.int().tolist() confidences detection_results.boxes.conf.tolist() self.confidence_scores [f{score * 100:.2f}% for score in confidences] # 更新UI显示 self._update_detection_display(detection_results, processing_time) self._update_object_selection() self._show_detection_details() self._display_results_table(image_path) def _update_detection_display(self, results, process_time): 更新检测结果显示 # 显示处理时间 self.ui.time_lb.setText(f{process_time:.3f} s) # 获取带标注的图像 annotated_img results.plot() self.current_result annotated_img # 调整并显示图像 width, height self._calculate_display_size(annotated_img) resized_img cv2.resize(annotated_img, (width, height)) qimage tools.cvimg_to_qpiximg(resized_img) self.ui.label_show.setPixmap(qimage) self.ui.label_show.setAlignment(Qt.AlignCenter) self.ui.PiclineEdit.setText(self.source_path) # 更新检测数量 self.ui.label_nums.setText(str(len(self.detection_classes))) def _calculate_display_size(self, image): 计算适合显示的图像尺寸 img_height, img_width image.shape[:2] aspect_ratio img_width / img_height if aspect_ratio self.display_width / self.display_height: width self.display_width height int(width / aspect_ratio) else: height self.display_height width int(height * aspect_ratio) return width, height def _update_object_selection(self): 更新目标选择下拉框 options [全部] target_labels [ f{Config.names[cls_id]}_{idx} for idx, cls_id in enumerate(self.detection_classes) ] options.extend(target_labels) self.ui.comboBox.clear() self.ui.comboBox.addItems(options) def _show_detection_details(self, index0): 显示检测目标的详细信息 if not self.detection_boxes: self._clear_detection_details() return box self.detection_boxes[index] self.ui.type_lb.setText(Config.CH_names[self.detection_classes[index]]) self.ui.label_conf.setText(self.confidence_scores[index]) self.ui.label_xmin.setText(str(box[0])) self.ui.label_ymin.setText(str(box[1])) self.ui.label_xmax.setText(str(box[2])) self.ui.label_ymax.setText(str(box[3])) def _clear_detection_details(self): 清空检测详情显示 self.ui.type_lb.setText() self.ui.label_conf.setText() self.ui.label_xmin.setText() self.ui.label_ymin.setText() self.ui.label_xmax.setText() self.ui.label_ymax.setText() def _display_results_table(self, source_path): 在表格中显示检测结果 table self.ui.tableWidget table.setRowCount(0) table.clearContents() for idx, (box, cls_id, conf) in enumerate(zip( self.detection_boxes, self.detection_classes, self.confidence_scores)): row table.rowCount() table.insertRow(row) # 添加表格项 items [ QTableWidgetItem(str(row 1)), # ID QTableWidgetItem(source_path), # 路径 QTableWidgetItem(Config.CH_names[cls_id]), # 类别 QTableWidgetItem(conf), # 置信度 QTableWidgetItem(str(box)) # 位置坐标 ] # 设置文本居中 for item in [items[0], items[2], items[3]]: item.setTextAlignment(Qt.AlignCenter) # 添加到表格 for col, item in enumerate(items): table.setItem(row, col, item) table.scrollToBottom() def _process_image_batch(self): 批量处理图片 self._stop_video_capture() folder QFileDialog.getExistingDirectory(self, 选择图片文件夹, ./) if not folder: return self.source_path folder valid_extensions {jpg, png, jpeg, bmp} for filename in os.listdir(folder): filepath os.path.join(folder, filename) if (os.path.isfile(filepath) and filename.split(.)[-1].lower() in valid_extensions): self._process_single_image(filepath) QApplication.processEvents() # 保持UI响应 def _update_selection(self): 更新用户选择的检测目标显示 selection self.ui.comboBox.currentText() if selection 全部: boxes self.detection_boxes display_img self.current_result self._show_detection_details(0) else: idx int(selection.split(_)[-1]) boxes [self.detection_boxes[idx]] display_img self.detector(self.source_path)[0][idx].plot() self._show_detection_details(idx) # 更新显示 width, height self._calculate_display_size(display_img) resized_img cv2.resize(display_img, (width, height)) qimage tools.cvimg_to_qpiximg(resized_img) self.ui.label_show.clear() self.ui.label_show.setPixmap(qimage) self.ui.label_show.setAlignment(Qt.AlignCenter) def _handle_video_input(self): 处理视频输入 if self.camera_active: self._toggle_camera() video_path self._get_video_path() if not video_path: return self._start_video_processing(video_path) self.ui.comboBox.setEnabled(False) def _get_video_path(self): 获取视频文件路径 path, _ QFileDialog.getOpenFileName( self, 选择视频, ./, 视频文件 (*.avi *.mp4)) if path: self.source_path path self.ui.VideolineEdit.setText(path) return path return None def _start_video_processing(self, video_path): 开始处理视频流 self.video_capture cv2.VideoCapture(video_path) self.frame_timer.start(1) self.frame_timer.timeout.connect(self._process_video_frame) def _stop_video_capture(self): 停止视频捕获 if self.video_capture: self.video_capture.release() self.frame_timer.stop() self.camera_active False self.ui.CaplineEdit.setText(摄像头未开启) self.video_capture None def _process_video_frame(self): 处理视频帧 ret, frame self.video_capture.read() if not ret: self._stop_video_capture() return # 执行目标检测 start_time time.time() results self.detector(frame)[0] processing_time time.time() - start_time # 解析结果 self.detection_boxes results.boxes.xyxy.int().tolist() self.detection_classes results.boxes.cls.int().tolist() self.confidence_scores [f{conf * 100:.2f}% for conf in results.boxes.conf.tolist()] # 更新显示 self._update_detection_display(results, processing_time) self._update_object_selection() self._show_detection_details() self._display_results_table(self.source_path) def _toggle_camera(self): 切换摄像头状态 self.camera_active not self.camera_active if self.camera_active: self.ui.CaplineEdit.setText(摄像头开启) self.video_capture cv2.VideoCapture(0) self._start_video_processing(0) self.ui.comboBox.setEnabled(False) else: self.ui.CaplineEdit.setText(摄像头未开启) self.ui.label_show.clear() self._stop_video_capture() def _save_results(self): 保存检测结果 if not self.video_capture and not self.source_path: QMessageBox.information(self, 提示, 没有可保存的内容请先打开图片或视频) return if self.camera_active: QMessageBox.information(self, 提示, 无法保存摄像头实时视频) return if self.video_capture: self._save_video_result() else: self._save_image_result() def _save_video_result(self): 保存视频检测结果 confirm QMessageBox.question( self, 确认, 保存视频可能需要较长时间确定继续吗, QMessageBox.Yes | QMessageBox.No) if confirm QMessageBox.No: return self._stop_video_capture() saver VideoSaverThread( self.source_path, self.detector, self.ui.comboBox.currentText()) saver.start() saver.update_ui_signal.connect(self._update_progress) def _save_image_result(self): 保存图片检测结果 if os.path.isfile(self.source_path): # 处理单张图片 filename os.path.basename(self.source_path) name, ext filename.rsplit(., 1) save_name f{name}_detect_result.{ext} save_path os.path.join(Config.save_path, save_name) cv2.imwrite(save_path, self.current_result) QMessageBox.information( self, 完成, f图片已保存至: {save_path}) else: # 处理文件夹中的图片 valid_exts {jpg, png, jpeg, bmp} for filename in os.listdir(self.source_path): if filename.split(.)[-1].lower() in valid_exts: filepath os.path.join(self.source_path, filename) name, ext filename.rsplit(., 1) save_name f{name}_detect_result.{ext} save_path os.path.join(Config.save_path, save_name) results self.detector(filepath)[0] cv2.imwrite(save_path, results.plot()) QMessageBox.information( self, 完成, f所有图片已保存至: {Config.save_path}) def _update_progress(self, current, total): 更新保存进度 if current 1: self.progress_dialog ProgressBar(self) self.progress_dialog.show() if current total: self.progress_dialog.close() QMessageBox.information( self, 完成, f视频已保存至: {Config.save_path}) return if not self.progress_dialog.isVisible(): return percent int(current / total * 100) self.progress_dialog.setValue(current, total, percent) QApplication.processEvents() class VideoSaverThread(QThread): 视频保存线程 update_ui_signal pyqtSignal(int, int) def __init__(self, video_path, model, selection): super().__init__() self.video_path video_path self.detector model self.selection selection self.active True self.colors tools.Colors() def run(self): 执行视频保存 cap cv2.VideoCapture(self.video_path) fourcc cv2.VideoWriter_fourcc(*XVID) fps cap.get(cv2.CAP_PROP_FPS) size ( int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)), int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))) filename os.path.basename(self.video_path) name, _ filename.split(.) save_path os.path.join( Config.save_path, f{name}_detect_result.avi) writer cv2.VideoWriter(save_path, fourcc, fps, size) total_frames int(cap.get(cv2.CAP_PROP_FRAME_COUNT)) current_frame 0 while cap.isOpened() and self.active: current_frame 1 ret, frame cap.read() if not ret: break # 执行检测 results self.detector(frame)[0] frame results.plot() writer.write(frame) self.update_ui_signal.emit(current_frame, total_frames) # 释放资源 cap.release() writer.release() def stop(self): 停止保存过程 self.active False if __name__ __main__: app QApplication(sys.argv) window DetectionApp() window.show() sys.exit(app.exec_())七、项目演示与介绍视频基于深度学习的钢材焊接缺陷检测系统YOLOv8YOLO数据集UI界面Python项目源码模型_哔哩哔哩_bilibili基于深度学习的钢材焊接缺陷检测系统YOLOv8YOLO数据集UI界面Python项目源码模型
