摘要本研究提出了一种基于YOLO26的目标检测系统用于钢材焊接缺陷的自动化识别与分类。该系统旨在解决传统人工目视检测效率低、主观性强及易疲劳等问题。我们构建了一个包含“Bad Welding”、“Crack”、“Excess Reinforcement”、“Good Welding”、“Porosity”和“Spatters”六类缺陷的焊接数据集并对模型进行了全面训练与评估。引言焊接作为现代制造业的核心工艺其质量直接关系到工程结构的安全性与可靠性。传统的焊接质量检测主要依赖人工目视检查这种方法不仅效率低下且受限于检测人员的经验水平和生理疲劳容易产生漏检和误检。随着计算机视觉技术的飞速发展基于深度学习的自动化缺陷检测方法逐渐成为研究热点。本研究引入YOLOYou Only Look Once系列算法构建了一套实时的钢材焊接缺陷识别系统。YOLO26算法以其速度快、精度高的特点非常适合工业现场的在线检测需求。通过训练模型自动识别焊接图像中的多种缺陷类型本研究旨在提高检测效率和准确性降低人力成本为智能化工厂提供技术支持。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1. 焊接质量检测的重要性2. 传统检测方法的局限性3. 深度学习在缺陷检测中的应用数据集介绍1. 数据集划分2. 缺陷类别训练结果Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅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1. 焊接质量检测的重要性在钢结构、压力容器、汽车制造及航空航天等领域焊接接头的质量是保障产品安全运行的关键。微小的焊接缺陷如裂纹或气孔可能在长期载荷作用下扩展最终导致灾难性的结构失效。因此对焊接接头进行严格的质量控制至关重要。2. 传统检测方法的局限性目前常用的焊接缺陷检测方法包括目视检测VT、射线检测RT、超声波检测UT等。目视检测是最基础且广泛应用的方法但其精度高度依赖于检测员的视力、经验和注意力难以实现标准化和自动化。射线/超声波检测虽然精度较高但设备昂贵、操作复杂且通常用于抽样检测难以覆盖所有焊缝。3. 深度学习在缺陷检测中的应用近年来深度学习技术特别是卷积神经网络CNN在图像分类和目标检测领域取得了突破性进展。基于深度学习的检测方法能够自动提取图像特征克服了传统图像处理方法如阈值分割、边缘检测对光照和背景变化敏感的缺点。目标检测算法YOLO系列算法因其“单阶段”检测的高效性能够实现实时处理非常适合工业生产线上的快速质检。挑战工业缺陷检测面临的主要挑战包括缺陷样本的稀缺性、数据集的类别不平衡、缺陷形态的多样性以及复杂背景的干扰。本研究正是针对这些挑战利用YOLO26模型对钢材焊接缺陷进行识别。数据集介绍为了训练和验证所提出的YOLO钢材焊接缺陷识别系统我们构建了一个专用的焊接图像数据集。该数据集经过严格的图像采集、清洗和标注流程详细信息如下1. 数据集划分数据集被划分为训练集、验证集和测试集以确保模型评估的客观性和泛化能力。训练集3037 张图像用于模型参数的学习。验证集422 张图像用于在训练过程中调整超参数和监控模型性能即文中报告的评估结果来源。测试集205 张图像用于最终模型性能的独立评估。2. 缺陷类别数据集共包含 6 个类别涵盖了常见的焊接缺陷及正常焊缝具体类别名称如下Bad Welding不良焊缝Crack裂纹Excess Reinforcement余高过大Good Welding良好焊缝Porosity气孔background背景非缺陷区域训练结果Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集​成残差对数似然估计​(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。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