一、项目演示视频b站演示视频与部署教程视频(点击这里)https://www.bilibili.com/video/BV1sowRzSEVL/?share_sourcecopy_webvd_source31c839f46a9a845dd6dd641cbd5c2ac1二、技术栈前端技术栈 (web-vue)核心框架: Vue 3.5.13 (Composition API)UI组件库: Element Plus 2.9.4状态管理: Pinia 2.3.1路由管理: Vue Router 4.5.0HTTP客户端: Axios 1.7.9图表可视化: ECharts 5.6.0构建工具: Vite 6.1.0 TypeScript 5.7.2后端算法端技术栈 (web-flask)核心框架: Flask (Python)数据库: SQLite 3身份认证: JWT图像处理: OpenCV NumPy深度学习: YOLOv8/YOLO11/YOLO12/YOLO26视频处理: OpenCV视频流处理大语言模型: Qwen-VL的API接口三、功能模块核心创新点缺陷精准检测: 支持热轧钢带表面缺陷的智能识别和定位多模态检测方式: 支持图片、视频、实时摄像头三种检测模式YOLO模型集成: 集成YOLOv8/YOLO11/YOLO12/YOLO26等先进目标检测模型智能检测分析: 基于 AI 的钢带表面缺陷自动识别、定位与统计分析分层权限管理: 支持管理员和普通用户的差异化功能访问完整工作流程: 从数据集管理到模型管理再到缺陷检测与评估的完整闭环多模态大模型辅助分析: 使用多模态大模型根据YOLO检测识别结果和图片进一步分析并给出合理治理建议(属于图片识别功能模块)模型评估系统: 支持上传YOLO格式标签与模型预测对比自动计算Precision、Recall、mAP50等精度指标生成GT框与预测框的可视化对比图支持用户评分和评语核心功能模块用户管理: 支持用户注册、登录、权限管理、个人信息管理等功能数据集管理: 支持上传ZIP格式YOLO数据集自动验证数据集结构和完整性模型管理: 支持创建模型、上传权重、训练过程图片/文件管理、模型发布等图片检测: 上传钢带表面图片进行缺陷检测支持CLAHE图像增强、多模态AI分析、治理/工艺改进建议生成、导出Word报告视频检测: 上传视频进行逐帧检测支持帧率采样、异步处理、进度查询、关键帧截图实时检测: 使用电脑摄像头进行实时检测支持yolo目标跟踪、会话管理、检测记录保存模型评估: 上传图片和标签文件评估模型性能支持精度指标计算、可视化对比、用户评分筛选应用场景钢带表面质量检测: 生产线离线/在线抽检钢带表面缺陷工艺优化与设备维护: 通过缺陷分布与类型分析反推可能的工艺与设备问题质量追溯: 结合检测记录与批次信息支持质量问题追溯与复盘教学与实验: 钢铁表面缺陷检测与工业视觉课程/实验演示四、项目链接链接: https://pan.baidu.com/s/1zwrKATDwuga4-mjLa_4Gpg?pwdi2fy 提取码: i2fy完整系统源码(1)前端源码(web-vue)(2)后端算法端源码(web-flask)(3)模型训练代码(other/model_train/detect)项目介绍文档(1)项目概述(2)项目技术栈(3)项目目录结构(4)系统架构图、功能模块图(5)数据库开发文档项目启动教程(1)环境安装教程(视频文档)(2)系统启动教程(视频文档)热轧钢带表面缺陷检测数据集(1)总样本数6116 张热轧钢带表面图片(2)训练集5756 张图片 (用于模型训练)(3)验证集180 张图片 (用于模型验证和性能调优)(4)测试集180 张图片 (用于模型最终性能评估)(5)检测类别: 6 类钢带表面缺陷检测0: crazing - 裂纹 (Crazing)1: inclusion - 夹杂 (Inclusion)2: patches - 斑块 (Patches)3: pitted_surface - 麻点 (Pitted Surface)4: rolled-in_scale - 轧入氧化皮 (Rolled-in Scale)5: scratches - 划伤 (Scratches)已经训练好的模型权重整体精度如下基于上述测试集评估(1)precision (精确率): 0.749(2)recall (召回率): 0.628(3)mAP50 (IoU阈值0.5时的平均精度): 0.702(4)mAP50-95 (IoU阈值0.5-0.95的平均精度): 0.363
基于「YOLO目标检测 + 多模态AI分析」的热轧钢带表面缺陷检测分析系统
一、项目演示视频b站演示视频与部署教程视频(点击这里)https://www.bilibili.com/video/BV1sowRzSEVL/?share_sourcecopy_webvd_source31c839f46a9a845dd6dd641cbd5c2ac1二、技术栈前端技术栈 (web-vue)核心框架: Vue 3.5.13 (Composition API)UI组件库: Element Plus 2.9.4状态管理: Pinia 2.3.1路由管理: Vue Router 4.5.0HTTP客户端: Axios 1.7.9图表可视化: ECharts 5.6.0构建工具: Vite 6.1.0 TypeScript 5.7.2后端算法端技术栈 (web-flask)核心框架: Flask (Python)数据库: SQLite 3身份认证: JWT图像处理: OpenCV NumPy深度学习: YOLOv8/YOLO11/YOLO12/YOLO26视频处理: OpenCV视频流处理大语言模型: Qwen-VL的API接口三、功能模块核心创新点缺陷精准检测: 支持热轧钢带表面缺陷的智能识别和定位多模态检测方式: 支持图片、视频、实时摄像头三种检测模式YOLO模型集成: 集成YOLOv8/YOLO11/YOLO12/YOLO26等先进目标检测模型智能检测分析: 基于 AI 的钢带表面缺陷自动识别、定位与统计分析分层权限管理: 支持管理员和普通用户的差异化功能访问完整工作流程: 从数据集管理到模型管理再到缺陷检测与评估的完整闭环多模态大模型辅助分析: 使用多模态大模型根据YOLO检测识别结果和图片进一步分析并给出合理治理建议(属于图片识别功能模块)模型评估系统: 支持上传YOLO格式标签与模型预测对比自动计算Precision、Recall、mAP50等精度指标生成GT框与预测框的可视化对比图支持用户评分和评语核心功能模块用户管理: 支持用户注册、登录、权限管理、个人信息管理等功能数据集管理: 支持上传ZIP格式YOLO数据集自动验证数据集结构和完整性模型管理: 支持创建模型、上传权重、训练过程图片/文件管理、模型发布等图片检测: 上传钢带表面图片进行缺陷检测支持CLAHE图像增强、多模态AI分析、治理/工艺改进建议生成、导出Word报告视频检测: 上传视频进行逐帧检测支持帧率采样、异步处理、进度查询、关键帧截图实时检测: 使用电脑摄像头进行实时检测支持yolo目标跟踪、会话管理、检测记录保存模型评估: 上传图片和标签文件评估模型性能支持精度指标计算、可视化对比、用户评分筛选应用场景钢带表面质量检测: 生产线离线/在线抽检钢带表面缺陷工艺优化与设备维护: 通过缺陷分布与类型分析反推可能的工艺与设备问题质量追溯: 结合检测记录与批次信息支持质量问题追溯与复盘教学与实验: 钢铁表面缺陷检测与工业视觉课程/实验演示四、项目链接链接: https://pan.baidu.com/s/1zwrKATDwuga4-mjLa_4Gpg?pwdi2fy 提取码: i2fy完整系统源码(1)前端源码(web-vue)(2)后端算法端源码(web-flask)(3)模型训练代码(other/model_train/detect)项目介绍文档(1)项目概述(2)项目技术栈(3)项目目录结构(4)系统架构图、功能模块图(5)数据库开发文档项目启动教程(1)环境安装教程(视频文档)(2)系统启动教程(视频文档)热轧钢带表面缺陷检测数据集(1)总样本数6116 张热轧钢带表面图片(2)训练集5756 张图片 (用于模型训练)(3)验证集180 张图片 (用于模型验证和性能调优)(4)测试集180 张图片 (用于模型最终性能评估)(5)检测类别: 6 类钢带表面缺陷检测0: crazing - 裂纹 (Crazing)1: inclusion - 夹杂 (Inclusion)2: patches - 斑块 (Patches)3: pitted_surface - 麻点 (Pitted Surface)4: rolled-in_scale - 轧入氧化皮 (Rolled-in Scale)5: scratches - 划伤 (Scratches)已经训练好的模型权重整体精度如下基于上述测试集评估(1)precision (精确率): 0.749(2)recall (召回率): 0.628(3)mAP50 (IoU阈值0.5时的平均精度): 0.702(4)mAP50-95 (IoU阈值0.5-0.95的平均精度): 0.363
