基于YOLO+AI deepseek的缺陷检测系统 YOLO+AI的缺陷检测系统，支持图片检测、批量检测、视频检测、摄像头，裂纹）、夹杂物 斑块 麻面 轧入氧化皮 划痕
智慧AI-铁缺陷检测系统（采用NEU-DET数据集）
基于YOLO+AI的缺陷检测系统，支持图片检测、批量检测、视频检测、摄像头检测四种方式。
可以检测【Crazing（裂纹）、Inclusion（夹杂物）、Patches（斑块）、Pitted Surface（麻面）、Rolled-in Scale（轧入氧化皮）、Scratches（划痕）】类型。
技术栈使用YOLO、DeepSeek、Pytorch、SpringBoot、MyBatis-Plus、Vue3、Echarts、Ts、element-plus、Flask、Axios、MySQL等技术。系统还支持分用户管理。分为管理员和普通用户，管理员可查看所有记录，并管理用户。普通用户只可查看自己的记录。界面简洁、美观。支持主题色修改、布局样式修改、组件大小修改等。
1
1
1
1
1
这是一个基于YOLO深度学习模型与NEU-DET数据集的钢铁表面缺陷检测系统的完整技术解决方案。
该方案融合了前后端分离架构与工业AI检测技术，旨在提供一个从数据采集、模型推理到用户管理的全链路解决方案。
1. 项目概述
- 项目名称：钢铁表面缺陷智能检测系统
- 核心目标：利用计算机视觉技术自动识别钢铁表面的六种典型缺陷（裂纹、夹杂物、斑块、麻面、轧入氧化皮、划痕）。
- 数据集：采用工业界标准的NEU-DET数据集，包含 1,800 张高分辨率图像，覆盖 6 类缺陷。
- 业务逻辑：
- 普通用户：仅能查看和管理自己的检测记录。
- 管理员：拥有最高权限，可查看全局数据、管理用户及系统配置。
2. 技术架构设计
系统采用前后端分离架构，后端提供 RESTful API，前端负责交互展示。
2.1 整体架构图
2.2 技术栈选型表
| 层级 | 技术栈 | 选型理由 |
|---|---|---|
| 前端框架 | Vue 3+TypeScript | 组件化开发，类型安全，生态丰富。 |
| UI 组件库 | Element Plus | 企业级 UI 库，提供完善的表格、对话框、表单组件。 |
| 数据可视化 | ECharts | 强大的图表库，用于展示缺陷分布、检测趋势等统计信息。 |
| 后端框架 | Spring Boot/Flask | Spring Boot 适合复杂业务逻辑；Flask 轻量级，适合快速集成 YOLO 推理。 |
| 深度学习 | PyTorch+YOLO | 工业检测主流模型，基于 PyTorch 实现高性能推理。 |
| 数据库 | MySQL+MyBatis-Plus | 关系型数据库存储用户信息和检测记录；MyBatis-Plus 提高开发效率。 |
| 通信协议 | Axios | 前端与后端进行 HTTP/HTTPS 通信。 |
3. 功能模块设计
3.1 AI 检测核心模块
- 模型训练：基于 NEU-DET 数据集微调 YOLOv8 或 YOLOv5 模型，针对六类缺陷进行训练。
- 推理服务：
- 图片检测：上传单张图片，返回带框图和缺陷列表。
- 批量检测：上传文件夹/压缩包，批量处理并导出 Excel 报告。
- 视频检测：逐帧分析视频流，实时标注缺陷。
- 摄像头检测：连接工业相机或普通摄像头，进行实时在线检测。
3.2 用户与权限管理模块
- 角色划分：
- 普通用户：注册登录，只能查询自己的
user_id对应的检测历史。 - 管理员：拥有
admin角色，可查看所有用户数据，进行增删改查。
- 普通用户：注册登录，只能查询自己的
- 数据隔离：在 SQL 查询中强制加入
WHERE user_id = ?条件（普通用户）或不限制（管理员）。
3.3 系统配置模块
- 主题定制：利用 Element Plus 的主题工具或 CSS 变量，支持用户切换主题色（如深色模式/浅色模式）。
- 布局调整：支持响应式布局，适配不同屏幕尺寸；提供组件大小调节滑块。
4. 数据库设计 (关键表)
4.1 用户表 (user)
| 字段名 | 类型 | 说明 |
|---|---|---|
id | INT | 主键自增 |
username | VARCHAR | 用户名 |
password | VARCHAR | 密码 (MD5/BCrypt加密) |
role | ENUM | 角色 (‘user’, ‘admin’) |
create_time | DATETIME | 注册时间 |
4.2 检测记录表 (detection_record)
| 字段名 | 类型 | 说明 |
|---|---|---|
id | INT | 主键 |
user_id | INT | 外键，关联用户 |
image_path | VARCHAR | 图片存储路径 |
result_json | TEXT | 检测结果 (JSON格式，包含类别、置信度、坐标) |
defect_count | INT | 缺陷总数 |
status | TINYINT | 状态 (0: 失败, 1: 成功) |
detect_time | DATETIME | 检测时间 |
5. 代码实现示例 (后端 Flask + YOLO)
以下为后端核心推理逻辑的伪代码示例：
fromflaskimportFlask,request,jsonifyimportcv2importtorchfromPILimportImageimportio# 加载预训练的 YOLO 模型 (基于NEU-DET训练)model=torch.hub.load('ultralytics/yolov5','custom',path='neu_det_best.pt')app=Flask(__name__)@app.route('/api/detect',methods=['POST'])defdetect():if'image'notinrequest.files:returnjsonify({'error':'No image provided'}),400# 1. 获取图片file=request.files['image']img_bytes=file.read()img=Image.open(io.BytesIO(img_bytes))# 2. YOLO 推理results=model(img)# 3. 解析结果# classes: [0,1,2,3,4,5] -> ['Crazing', 'Inclusion', ...]defects=results.pandas().xyxy[0].to_dict(orient="records")# 4. 数据库存储逻辑 (此处省略数据库连接代码)# save_to_db(user_id, defects, img_path)returnjsonify({'success':True,'defects':defects,'total_count':len(defects)})if__name__=='__main__':app.run(debug=True)6. 前端界面设计 (Vue 3 + Element Plus)
前端页面包含以下组件：
- 顶部导航栏：显示 Logo、用户信息、主题切换按钮。
- 左侧菜单栏：功能导航（图片检测、视频检测、历史记录、用户管理）。
- 主工作区：
- 上传区：拖拽上传图片/视频。
- 展示区：Canvas 或 Image 标签展示原图和检测结果图。
- 数据区：表格展示具体的缺陷位置和置信度。
7. 部署方案
- 开发环境：Windows/Linux + Anaconda + VSCode。
- 生产环境：
- 前端：打包为静态文件，部署在 Nginx 服务器。
- 后端：使用 Gunicorn 或 Java Jar 包部署在 Linux 服务器。
- 模型服务：可考虑使用 TensorRT 优化推理速度，或者使用 ONNX 格式部署。