摘要针对工业轴承表面缺陷自动化检测需求本文基于YOLOv8目标检测算法构建了一套高精度轴承缺陷检测系统。系统聚焦四类典型缺陷aocao、aoxian、cashang与huahen共采集并标注1085张轴承图像按7:3比例划分为训练集759张与验证集326张。实验采用YOLOv8网络架构结合数据增强与迁移学习策略进行训练。模型在验证集上取得了mAP50达0.995、精确率0.997、召回率0.995的优异性能mAP50-95达到0.889推理速度为11.2毫秒/图像。混淆矩阵分析显示除少数类别间存在极轻微混淆外如aoxian与cashang模型整体检测精度高、泛化能力强。结果表明该YOLOv8系统满足工业轴承缺陷实时、高精度检测要求具备良好的工程部署价值。引言轴承作为旋转机械的核心零部件其表面缺陷直接关系到设备运行的安全性与寿命。传统的人工目视检测方法存在效率低、主观性强、易疲劳等局限性难以满足现代智能制造对实时、自动、高精度质检的需求。近年来基于深度学习的目标检测技术尤其是YOLOYou Only Look Once系列算法凭借其端到端、速度快、精度高的优势在工业缺陷检测领域得到了广泛关注。YOLOv8作为该系列的最新版本在网络结构、损失函数与训练策略上进行了进一步优化在保持实时性的同时显著提升了检测精度。本研究旨在探索YOLOv8在轴承缺陷检测任务中的应用效果。我们构建了一个包含四种常见轴承表面缺陷的图像数据集并基于YOLOv8进行训练与评估。通过分析模型的关键指标包括精确率、召回率、mAP以及混淆矩阵系统验证了YOLOv8在轴承微小缺陷检测中的可行性与鲁棒性。本文提出的检测系统为实现轴承自动化质检提供了有效的技术方案。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整体性能评估非常优秀​编辑各类缺陷检测表现​编辑​编辑​编辑关键问题分析​编辑训练过程健康度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/GPU10、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轴承在制造及使用过程中由于材料、加工工艺或工况条件影响表面易出现多种类型的缺陷。这些缺陷包括但不限于点蚀、划伤、裂纹、磨损带等会加速轴承失效甚至引发设备故障。在实际工业生产环境中轴承表面缺陷的形态复杂、尺度不一、对比度低且背景存在油污、光照不均等干扰因素给传统机器视觉检测方法带来较大挑战。基于深度学习的目标检测方法通过自动学习多层次特征能够有效克服上述困难。其中YOLOv8模型引入了C2f模块、解耦检测头以及Task-Aligned Assigner等机制在提升特征表达能力的同时保持了紧凑的计算量。相较于两阶段检测器如Faster R-CNNYOLOv8更适合工业现场的高速实时检测需求。数据集介绍本研究所使用的轴承缺陷数据集来源于工业现场采集与实验室模拟拍摄共包含1085张高质量彩色图像分辨率为640×640像素。数据集涵盖四类常见轴承表面缺陷类别名称及对应样本分布如下aocao该类缺陷表现为表面点状腐蚀或微小凹坑数量较多。aoxian线状划痕或沟槽类缺陷样本数量相对均衡。cashang擦伤或磨损类面状缺陷实例丰富。huahen花痕或不规则纹理变化具有一定的形态变异性。数据集按7:3比例随机划分为训练集与验证集其中训练集共759张图像用于模型参数学习验证集共326张图像含2443个缺陷实例用于模型性能评估与超参数调整。所有图像均经过专业标注人员使用矩形框进行精确标注标注格式符合YOLOv8要求。训练过程训练结果整体性能评估非常优秀mAP500.995接近完美mAP50-950.889在严格IoU阈值下依然很高精确率 (Precision)0.997召回率 (Recall)0.995这说明模型已经高度收敛对四种缺陷的检测能力极强几乎没有漏检和误检。各类缺陷检测表现缺陷类别实例数精确率召回率mAP50mAP50-95评价aocao8640.9991.0000.9950.827极好aoxian3901.0000.9980.9950.907极好cashang7530.9980.9930.9950.915极好huahen4360.9920.9890.9950.907极好所有类别的mAP50均为0.995说明模型对不同缺陷类型的区分能力非常均衡。关键问题分析aocao有1个被误检为背景极少数huahen有2个被误检为其他类别主要是“aoxian”和“cashang”背景误检有4个背景被误检为“cashang”从归一化混淆矩阵看aoxian → cashang约18%的混淆风险但绝对值很低因为aoxian总数只有390cashang → huahen约4.5%huahen → 其他约2.7%训练过程健康度从results.png看训练损失box_loss, cls_loss曲线平滑下降无震荡 → 收敛良好验证损失同步下降 → 无过拟合精确率/召回率快速上升并稳定在高位 → 训练充分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