项目介绍

项目中所用到的算法模型和数据集等信息如下：

算法模型：

    yolov8、yolov8 + SE注意力机制 ，直接提供这两个训练好的模型。模型十分重要，因为有些同学的电脑没有 GPU，无法自行训练。

数据集：

    网上下载的数据集，格式都已转好，可直接使用。

界面：

    PyQt5

以上是本篇博客的简单说明，添加注意力机制可作为模型的创新点 。

摘要：钢材表面缺陷的检测对于保障产品质量、延长产品寿命以及预防潜在安全风险起着至关重要的作用。本文介绍了基于YOLOv8深度学习框架的一个钢材表面缺陷检测模型，该模型使用了1800张图片进行训练，能够识别热轧钢带表面的六种常见缺陷，包括轧制氧化皮、斑块、开裂、点蚀表面、内含物以及划痕。此外，我们开发了一款带有UI界面的钢材表面缺陷检测系统，支持实时检测这六种缺陷，并能更直观地展示检测功能。该系统采用Python与PyQT5开发，能够对图片、视频及摄像头输入进行目标检测，同时支持检测结果的保存。本文还附带了完整的Python代码和使用指南，供有兴趣的读者学习参考，获取完整的代码资源请参见文章末尾。

前言

    钢材表面缺陷的检测在保障产品质量、延长使用寿命，以及预防潜在安全隐患方面起着关键作用。在金属加工和制造业中，及时且精确地检测出表面缺陷，有助于避免不合格产品进入市场，从而确保结构的完整性与可靠性，以及产品的外观与性能标准。此外，缺陷检测还能帮助制造商减少废品率，提高材料利用率，降低经济损失。

    钢材表面缺陷检测在多个领域中得到了广泛应用，如汽车制造、航空航天、船舶制造、建筑、管道和压力容器等行业的质量控制中都扮演着重要角色。在轧钢厂中，一个自动化的表面缺陷检测系统能够实现在线监控，及时识别生产过程中出现的缺陷，从而迅速调整生产参数，提升产品的一次合格率。

    在现代制造环境中，钢材表面缺陷检测系统还可以与其他工业自动化组件协同工作，比如与生产管理系统整合，以提供实时的质量控制反馈，推动智能制造和工业4.0的发展。在售后服务及维护阶段，系统能够帮助快速诊断运输和使用过程中可能产生的缺陷问题，确保用户的使用安全和产品的持久性能。

    通过收集与钢材表面缺陷相关的数据和图像，博主利用YOLOv8目标检测技术，结合Python与PyQt5，开发出了一款界面简洁的钢材表面缺陷检测系统，该系统支持图片、视频及摄像头检测，并能够保存检测结果。

功能展示：

部分核心功能如下：

• 功能1： 支持单张图片识别
• 功能2： 支持遍历文件夹识别
• 功能3： 支持识别视频文件
• 功能4： 支持摄像头识别
• 功能5： 支持结果文件导出（xls格式）
• 功能6： 支持切换检测到的目标查看

更多的其他功能可以通过下方视频演示查看。

【基于深度学习钢铁表面缺陷检测系统（yolov8）】 https://www.bilibili.com/video/BV1kw41147up/?share_source=copy_web&vd_source=e91e5d668a660c88e4ab431445546776

在本项目中，我们选择使用 Python 3.8 作为开发环境。以下是本项目中关键库的简要说明：

• Albumentations (1.3.1)：用于图像数据增强，能够有效提升模型的泛化能力。
• OpenCV (4.7.0.72)：用于图像处理和计算机视觉任务，支持视频流的处理与目标检测。
• Matplotlib (3.7.1) 和 Seaborn (0.12.2)：用于数据可视化，帮助绘制图像、模型性能图表等。
• Numpy (1.24.4)：提供了高效的数值计算，支持矩阵操作和大量的科学计算功能。
• Pandas (2.0.3)：用于数据处理和分析，尤其适合大规模数据集的操作与统计分析。
• PyQt5 (5.15.9)：用于创建用户界面，结合Python进行应用开发。
• Torch (1.9.0)：深度学习框架，支持GPU加速训练，适用于本项目中YOLO模型的训练与推理。
• CUDA 11.1：NVIDIA的并行计算平台，用于加速深度学习模型的训练和推理。

提供所有使用到的库，文档和操作视频。

通过网络上搜集了关于钢材表面缺陷的各类图片，并使用Labelimg标注工具对每张图片中的目标边框（Bounding Box）及类别进行了标注。这一数据集总共包含1800张图片，其中训练集包含1440张图片，验证集包含360张图片，部分图像及标注如图所示。

该数据库包括1800个灰度图像，涵盖六种不同类型的典型表面缺陷，每一类缺陷包含300个样本。六种缺陷分别为：轧制氧化皮、斑块、开裂、点蚀表面、内含物和划痕。对应的英文为：[‘crazing’, ‘inclusion’, ‘patches’, ‘pitted_surface’, ‘rolled-in_scale’, ‘scratches’]。

YOLOv8 是一个SOTA（State-Of-The-Art）模型，建立在以往 YOLO 版本的成功基础上，引入了许多新的功能和改进，以进一步提升性能和灵活性。具体创新包括：全新的骨干网络、Anchor-Free 检测头以及新型损失函数，这些改进使得 YOLOv8 能够在从CPU到GPU的各种硬件平台上高效运行。

然而，ultralytics 并没有直接将开源库命名为YOLOv8，而是使用了ultralytics这个名称。原因在于ultralytics将这个库定位为算法框架，而非某一个特定算法。一个主要特点是可扩展性。该库的目标是不仅能够支持 YOLO 系列模型，还能够支持非 YOLO 模型以及分类、分割、姿态估计等各类任务。

总而言之，ultralytics 开源库的两个主要优点是：

• 融合众多当前 SOTA 技术于一体

• 未来将支持其他 YOLO 系列以及 YOLO 之外的更多算法

网络结构如下：

1.使用pycharm打开代码，找到train.py打开，示例截图如下：

2.修改 model_yaml 的值，以符合实际情况。如果你打算训练 YOLOv8s 模型，请将其修改为 model_yaml = yaml_yolov8s。如果你想训练添加 SE注意力机制 的模型，请将其修改为 model_yaml = yaml_yolov8_SE。

3.修改 data_path 的数据集路径。这里默认指定的是 traindata.yaml 文件。如果你使用的是我提供的数据，可以不用修改。

4.修改 model.train() 中的参数，根据自己的需求和电脑硬件的情况进行调整。

```python
# 文档中对参数有详细的说明
model.train(data=data_path,             # 数据集
            imgsz=640,                  # 训练图片大小
            epochs=200,                 # 训练的轮次
            batch=2,                    # 训练batch
            workers=0,                  # 加载数据线程数
            device='0',                 # 使用显卡
            optimizer='SGD',            # 优化器
            project='runs/train',       # 模型保存路径
            name=name,                  # 模型保存命名
            )
```

5.修改traindata.yaml文件， 打开 traindata.yaml 文件，如下所示：

在这里，只需修改 path 的值，其他的都不用改动（仔细看上面的黄色字体），我提供的数据集默认都是到 yolo 文件夹，设置到 yolo 这一级即可，修改完后，返回 train.py 中，执行train.py。

6.打开 train.py ，右键执行。

7.出现如下类似的界面代表开始训练了

8.训练完后的模型保存在runs/train文件夹下

1.打开val.py文件，如下图所示：

2.修改 model_pt 的值，是自己想要评估的模型路径
3.修改 data_path ，根据自己的实际情况修改，具体如何修改，查看上方模型训练中的修改步骤
4.修改 model.val()中的参数，按照自己的需求和电脑硬件的情况更改

```python
model.val(data=data_path,           # 数据集路径
          imgsz=300,                # 图片大小，要和训练时一样
          batch=4,                  # batch
          workers=0,                # 加载数据线程数
          conf=0.001,               # 设置检测的最小置信度阈值。置信度低于此阈值的检测将被丢弃。
          iou=0.6,                  # 设置非最大抑制 (NMS) 的交叉重叠 (IoU) 阈值。有助于减少重复检测。
          device='0',               # 使用显卡
          project='runs/val',       # 保存路径
          name='exp',               # 保存命名
          )
```

5.修改完后，即可执行程序，出现如下截图，代表成功（下图是示例，具体以自己的实际项目为准。）

6.评估后的文件全部保存在在 runs/val/exp... 文件夹下

我们每次训练后，会在 run/train 文件夹下出现一系列的文件，如下图所示：

如果大家对于上面生成的这些内容（confusion_matrix.png、results.png等）不清楚是什么意思，可以在我的文档中查看这些指标的具体含义，示例截图如下：

   如果您希望获取博文中提到的所有实现相关的完整资源文件（包括测试图片、视频、Python脚本、UI文件、训练数据集、训练代码、界面代码等），这些文件已被全部打包。以下是完整资源包的截图：

项目完整文件下载请见演示与介绍视频的视频简介部分进行获取➷➷➷

演示与介绍视频： 基于深度学习钢铁表面缺陷检测系统（yolov8）

结束语

由于博主的能力有限，博文中提及的方法虽然经过试验，但难免会存在一些疏漏之处。为了不断提高内容的质量和准确性，希望您能够热心指出这些错误。这不仅有助于我在下次修改时呈现得更加完善和严谨，也能使其他读者受益。您的反馈对我来说非常重要，能够帮助我进一步完善相关内容。

此外，如果您有更好的实现方法或独到的见解，也非常欢迎您分享。这将为大家提供更多的思路和选择，促进我们共同进步。期待您的宝贵建议与经验交流，谢谢您的支持！

参考文献：

1. Zhang, Y., Li, J., & Wang, X. (2018). A review of steel surface defect detection technologies. Journal of Materials Processing Technology, 255, 124-134.

2. Liu, H., Xu, Y., & Chen, G. (2020). Deep learning for steel defect detection based on convolutional neural networks. Automation in Construction, 110, 103029.

3. Wang, S., Zhang, H., & Li, F. (2021). Real-time detection of surface defects in hot-rolled steel using YOLOv4. Sensors, 21(3), 734.

4. Chen, L., Zhang, Y., & Liu, Y. (2022). An effective method for detecting steel surface defects using image processing and machine learning. Materials Today Communications, 28, 102649.

5. Gao, J., Li, C., & Zhao, S. (2023). Application of computer vision in steel defect detection: A review. International Journal of Advanced Manufacturing Technology, 124, 2001-2013.