摘要
钢材表面缺陷检测是工业质量控制的关键环节。本文基于YOLOv8目标检测算法构建了一套钢材表面六类缺陷检测系统，涵盖crazing、inclusion、patches、pitted_surface、rolled_in_scale和scratches。实验采用2352张训练图像、295张验证图像和113张测试图像。训练结果显示，模型在验证集上的mAP50仅为0.26，mAP50-95为0.45，最佳F1分数为0.60。后续工作需重点优化数据集质量、增强类别可分性及调整训练策略。
引言
钢材表面缺陷检测是保证冶金产品质量的重要环节。传统的人工视觉检测方法存在效率低、主观性强、易疲劳等问题，难以适应高速连续生产线的需求。近年来，基于深度学习的目标检测技术，尤其是YOLO系列算法，因其端到端、实时性强的特点，在工业缺陷检测领域得到了广泛应用。YOLOv8作为该系列的最新版本，在检测精度与速度之间实现了更优的平衡。
然而，钢材表面缺陷具有类间相似性高、类内差异大、背景复杂等特点，给自动检测带来了严峻挑战。例如，crazing（网状裂纹）与scratches（划痕）在形态上容易混淆，inclusion（夹杂）和patches（斑块）则可能呈现低对比度特征。
目录
摘要
引言
功能模块
1、用户管理模块
2、界面与交互模块
3、检测源管理模块
4、检测参数配置模块
5、YOLO检测核心模块
6、结果显示模块
7、结果保存模块
8、工具栏功能
9、辅助功能
10、数据校验模块
背景
数据集介绍
训练过程
训练结果
编辑
常用标注工具
功能模块
✅用户登录注册：支持密码检测，密码加密。
注册
登录
✅图片检测：可对图片进行检测，返回检测框及类别信息。
✅参数实时调节（置信度和IoU阈值）
✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测
✅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。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
背景
钢材在轧制、冷却、搬运等生产过程中，由于工艺波动或设备异常，极易产生表面缺陷。这些缺陷不仅影响产品外观，更可能降低其力学性能、耐腐蚀性及使用寿命。按照冶金行业标准，常见的钢材表面缺陷主要包括六类：crazing（网状裂纹）、inclusion（非金属夹杂物）、patches（块状斑痕）、pitted_surface（表面点蚀）、rolled_in_scale（轧入氧化皮）和scratches（机械划痕）。上述缺陷在形状、大小、灰度及纹理特征上存在不同程度的相似性，导致自动检测难度较大。
传统的缺陷检测方法依赖于图像处理中的手工特征（如边缘检测、形态学分析、纹理描述子），虽然在某些简单场景下有效，但难以应对光照变化、背景干扰及缺陷形态多样化等问题。深度学习方法的出现，尤其是卷积神经网络（CNN）的端到端特征学习能力，为缺陷检测带来了突破。YOLO系列算法将检测任务统一为回归问题，实现了单阶段推理，在工业实时检测场景中备受青睐。YOLOv8在骨干网络、损失函数及数据增强等方面进行了优化，理论上有望提升对细粒度缺陷的识别能力。
数据集介绍
本研究所使用的钢材表面缺陷检测数据集来源于工业生产线真实采集的图像数据，共包含六类常见缺陷，具体类别如下：
crazing（网状裂纹）
inclusion（夹杂物）
patches（斑块）
pitted_surface（点蚀表面）
rolled_in_scale（轧入氧化皮）
scratches（划痕）
数据集按照训练、验证和测试三部分进行划分，其中：
训练集：2352张图像
验证集：295张图像
测试集：113张图像
训练过程
训练结果
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：
