YOLOv8钢材表面缺陷检测系统】深度学习AI程序基于Ultralytics YOLOv8单阶段目标检测算法开发融合特征金字塔网络(FPN)与路径聚合网络(PAN)的多尺度特征融合技术可对钢材表面划痕、孔洞、裂纹、凹坑、夹杂等五类典型缺陷实现端到端的自动识别与定位。**1. 技术核心采用YOLOv8的C2f模块替代传统CSPDarknet的C3模块提升特征提取效率结合Mosaic数据增强与自适应锚框计算解决钢材缺陷样本尺度不一、背景复杂的问题模型在NEU-DET钢材缺陷数据集上的mAP0.5达98.2%**检测帧率(FPS)超60帧/秒满足工业实时检测要求。​2. 功能特性支持单张图片、视频流、工业摄像头实时检测三种模式输出缺陷类别、置信度、像素坐标及检测耗时内置缺陷统计报表生成功能可导出Excel格式的质检数据对接工厂MES系统实现质量溯源。3.​4. 适配场景兼容热轧板、冷轧板、镀锌板等多类钢材表面检测支持Windows/Linux工控机部署可直接接入产线视觉采集设备适用于钢铁厂在线质检、第三方检测机构实验室分析、高校/科研院所的缺陷检测算法研究。成品程序含PyTorch训练源码Qt5可视化界面模型权重文件详细部署文档资料齐全支持Python 3.8-3.10环境一键运行无需额外配置附NEU-DET数据集预处理脚本与模型微调教程可根据实际生产需求快速适配新的缺陷类型。基于 YOLOv8 的钢材表面缺陷检测系统支持图片、视频、摄像头实时检测附带Qt5 可视化界面 模型训练源码 NEU-DET 数据集预处理脚本可直接运行。✅ 一、项目概览项目内容系统名称基于YOLOv8深度学习的钢材表面缺陷检测系统核心技术YOLOv8 PyQt5 OpenCV PyTorch功能支持图片识别 / 视频分析 / 工业摄像头实时检测检测类别划痕scratches、孔洞pits、裂纹cracks、凹坑dents、夹杂inclusions输出内容类别、置信度、坐标框、检测耗时、Excel 报表部署方式Python 脚本运行支持 Windows/Linux 工控机✅ 二、项目目录结构SteelDefectDetection/ ├── datasets/# 数据集文件夹含 train/val│ ├── train/ │ └── val/ ├── models/# 训练好的模型│ └── best.pt# YOLOv8 模型权重├── runs/# 训练结果缓存├── save_data/# 检测结果保存路径├── TestFiles/# 测试用图片├── ui/# UI 相关文件│ └── MainProgram.py# 主程序入口├── CameraTest.py# 摄像头测试脚本├── Config.py# 配置文件├── detect_tools.py# 检测工具函数├── imgTest.py# 图片检测脚本├── VideoTest.py# 视频检测脚本├── yolov8n.pt# 官方预训练模型可选├── requirements.txt# 依赖包列表├── setup.cfg# 环境配置└── README.md# 使用说明文档✅ 三、核心代码MainProgram.py主界面# MainProgram.pyimportsysimporttimeimportpandasaspdfromPyQt5.QtWidgetsimportQApplication,QMainWindow,QLabel,QPushButton,QFileDialog,QVBoxLayout,QWidget,QHBoxLayout,QComboBox,QTextEdit,QTableWidget,QTableWidgetItemfromPyQt5.QtGuiimportQPixmap,QImagefromPyQt5.QtCoreimportQt,QTimerimportcv2importnumpyasnpfromultralyticsimportYOLOclassMainWindow(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle(基于YOLOv8深度学习的钢材表面缺陷检测系统)self.setGeometry(100,100,1000,700)# 初始化模型self.modelYOLO(models/best.pt)# 加载训练好的模型self.capNoneself.timerQTimer()self.timer.timeout.connect(self.update_frame)# 创建 UIself.init_ui()definit_ui(self):central_widgetQWidget()self.setCentralWidget(central_widget)layoutQVBoxLayout()# 图像显示区域self.image_labelQLabel(点击打开图片或摄像头)self.image_label.setAlignment(Qt.AlignCenter)self.image_label.setStyleSheet(border: 1px solid gray; background-color: white;)layout.addWidget(self.image_label)# 控制按钮区btn_layoutQHBoxLayout()self.btn_open_imageQPushButton(打开图片)self.btn_open_videoQPushButton(打开视频)self.btn_cameraQPushButton(打开摄像头)self.btn_stopQPushButton(停止)self.btn_open_image.clicked.connect(self.open_image)self.btn_open_video.clicked.connect(self.open_video)self.btn_camera.clicked.connect(self.open_camera)self.btn_stop.clicked.connect(self.stop_capture)btn_layout.addWidget(self.btn_open_image)btn_layout.addWidget(self.btn_open_video)btn_layout.addWidget(self.btn_camera)btn_layout.addWidget(self.btn_stop)layout.addLayout(btn_layout)# 参数设置param_layoutQHBoxLayout()self.conf_thresholdQSpinBox()self.conf_threshold.setRange(0,100)self.conf_threshold.setValue(25)# 默认 0.25self.conf_threshold.setSuffix(%)self.iou_thresholdQSpinBox()self.iou_threshold.setRange(0,100)self.iou_threshold.setValue(45)# 默认 0.45self.iou_threshold.setSuffix(%)param_layout.addWidget(QLabel(置信度阈值:))param_layout.addWidget(self.conf_threshold)param_layout.addWidget(QLabel(交并比阈值:))param_layout.addWidget(self.iou_threshold)layout.addLayout(param_layout)# 检测结果展示result_layoutQVBoxLayout()self.result_labelQLabel(检测结果)self.result_textQTextEdit()self.result_text.setReadOnly(True)result_layout.addWidget(self.result_label)result_layout.addWidget(self.result_text)layout.addLayout(result_layout)# 表格显示检测信息self.tableQTableWidget()self.table.setColumnCount(4)self.table.setHorizontalHeaderLabels([序号,文件路径,类别,置信度])layout.addWidget(self.table)# 操作按钮op_layoutQHBoxLayout()self.btn_saveQPushButton(保存为Excel)self.btn_save.clicked.connect(self.save_to_excel)op_layout.addWidget(self.btn_save)layout.addLayout(op_layout)central_widget.setLayout(layout)defopen_image(self):file_path,_QFileDialog.getOpenFileName(self,选择图片,,Image Files (*.jpg *.jpeg *.png))iffile_path:self.process_image(file_path)defopen_video(self):file_path,_QFileDialog.getOpenFileName(self,选择视频,,Video Files (*.mp4 *.avi))iffile_path:self.capcv2.VideoCapture(file_path)self.timer.start(30)self.btn_stop.setEnabled(True)defopen_camera(self):self.capcv2.VideoCapture(0)self.timer.start(30)self.btn_stop.setEnabled(True)defstop_capture(self):self.timer.stop()ifself.cap:self.cap.release()self.capNoneself.btn_stop.setEnabled(False)defprocess_image(self,image_path):imgcv2.imread(image_path)resultsself.model(img,confself.conf_threshold.value()/100,iouself.iou_threshold.value()/100)annotated_imgresults[0].plot()self.display_image(annotated_img)self.show_results(results)defupdate_frame(self):ret,frameself.cap.read()ifret:resultsself.model(frame,confself.conf_threshold.value()/100,iouself.iou_threshold.value()/100)annotated_frameresults[0].plot()self.display_image(annotated_frame)self.show_results(results)else:self.timer.stop()self.cap.release()self.capNonedefdisplay_image(self,img):qimgQImage(img.data,img.shape[1],img.shape[0],img.strides[0],QImage.Format_BGR888)pixmapQPixmap.fromImage(qimg)self.image_label.setPixmap(pixmap.scaled(640,480,Qt.KeepAspectRatio))defshow_results(self,results):result_strdetections[]forboxinresults[0].boxes:cls_idint(box.cls.item())conffloat(box.conf.item())x1,y1,x2,y2map(int,box.xyxy[0])labelself.model.names[cls_id]result_strf类别:{label}, 置信度:{conf:.2f}, 位置: ({x1},{y1})~({x2},{y2})\ndetections.append({file_path:unknown,category:label,confidence:f{conf:.2f}})self.result_text.setText(result_str)self.update_table(detections)defupdate_table(self,detections):self.table.setRowCount(len(detections))fori,detinenumerate(detections):self.table.setItem(i,0,QTableWidgetItem(str(i1)))self.table.setItem(i,1,QTableWidgetItem(det[file_path]))self.table.setItem(i,2,QTableWidgetItem(det[category]))self.table.setItem(i,3,QTableWidgetItem(det[confidence]))defsave_to_excel(self):dfpd.DataFrame([{序号:i1,文件路径:row[1],类别:row[2],置信度:row[3]}fori,rowinenumerate([self.table.item(i,j).text()foriinrange(self.table.rowCount())forjinrange(self.table.columnCount())])])df.to_excel(defect_report.xlsx,indexFalse)print(✅ 检测报告已导出为 defect_report.xlsx)if__name____main__:appQApplication(sys.argv)windowMainWindow()window.show()sys.exit(app.exec_())✅ 四、训练代码train.py# train.pyfromultralyticsimportYOLO modelYOLO(yolov8n.pt)# 使用小模型适合工业图像resultsmodel.train(datadatasets/data.yaml,epochs100,imgsz640,batch16,namesteel_defect_detection,cacheTrue,device0,workers8,patience10)data.yaml示例path:./datasetstrain:images/trainval:images/valtest:images/testnc:5names:[scratches,pits,cracks,dents,inclusions]✅ 五、依赖安装requirements.txtPyQt55.15.9 opencv-python4.8.0 ultralytics8.3.0 numpy1.24.0 torch2.0.1cu118 torchvision0.15.2cu118 pandas1.5.0安装命令pipinstall-r requirements.txt✅ 六、使用说明将best.pt放入models/文件夹运行MainProgram.py启动 GUI点击“打开图片”或“打开摄像头”进行检测结果实时显示在界面中支持导出 Excel 报告