摘要传送带作为工业物料运输的核心部件其表面缺陷的实时检测对保障生产安全与效率至关重要。本文基于YOLOv8目标检测算法构建了一套针对传送带表面四种典型缺陷block、crack、foreign、hole的自动检测系统。数据集共包含2345张标注图像其中训练集1860张、验证集318张、测试集167张。实验结果表明模型在验证集上的mAP50达到0.99精确度最高为1.00召回率为0.81最佳F1值为0.66。混淆矩阵分析显示模型误报率低但存在少量漏检。综合评估认为该系统在低IoU要求下表现优异具备实际部署潜力。引言传送带在矿山、港口、电力等工业场景中承担着连续物料运输任务长期运行下容易出现异物、裂纹、孔洞及物料堆积等表面缺陷。这些缺陷若不及时检测可能导致传送带撕裂、卡滞甚至引发重大安全事故。传统的人工巡检方式效率低、主观性强难以满足实时检测需求。近年来基于深度学习的目标检测技术尤其是YOLO系列算法因其速度快、精度高的特点已广泛应用于工业缺陷检测领域。本文采用YOLOv8模型对传送带表面缺陷进行自动识别与定位检测类别包括异物foreign、裂纹crack、孔洞hole和物料堆积block。通过对训练过程的关键指标精确率、召回率、mAP、混淆矩阵等进行系统分析验证模型在真实工业场景下的可行性。实验结果显示模型具备较高的检测准确率和较低的误报率但在召回率和边界定位精度方面仍有提升空间。本研究为传送带缺陷检测提供了一种高效、可部署的视觉解决方案并为后续模型优化与工程落地奠定了基础。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总体评价模型训练效果较好具备实用潜力关键指标分析编辑混淆矩阵分析编辑编辑F1曲线 精确率/召回率曲线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/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传送带系统是现代工业连续生产过程中的关键设备广泛应用于煤矿、水泥、钢铁、电力等行业。根据统计因传送带表面缺陷导致的非计划停机事故占设备故障总数的30%以上其中裂纹扩展、异物穿刺、孔洞破损和物料堆积是最主要的诱因。传统的检测方法包括人工目视巡检和接触式传感器检测前者受限于环境光照、人员疲劳等因素漏检率高后者安装复杂、维护成本大且无法提供缺陷的空间位置信息。随着计算机视觉和深度学习技术的发展基于卷积神经网络的目标检测算法为实现自动化、非接触式传送带缺陷检测提供了新思路。YOLOv8作为YOLO系列的最新成员在保持高帧率检测的同时进一步提升了小目标和边缘特征的识别能力非常适用于工业流水线中的实时检测任务。然而传送带表面缺陷具有尺度不一、类间相似度高、背景纹理复杂等特点给模型训练带来挑战。因此构建高质量的标注数据集并系统评估模型在精确率、召回率、混淆度等方面的表现是推动该技术走向工程应用的关键步骤。数据集介绍本研究所使用的传送带缺陷检测数据集共包含2345张图像所有图像均来源于工业现场采集或模拟传送带运行环境拍摄并经过人工标注。数据集按7:1.2:1.8的比例划分为训练集、验证集和测试集训练集1860张验证集318张测试集167张数据集共包含4个缺陷类别分别为类别名称含义描述block物料堆积传送带表面出现异常物料集聚可能影响运输平稳性crack裂纹传送带表面或边缘出现线性裂缝存在断裂风险foreign异物非传送带本身的物体嵌入或附着可能导致划伤或撕裂hole孔洞传送带表面局部缺失形成穿透或非穿透空洞训练过程训练结果总体评价模型训练效果较好具备实用潜力mAP50 ≈ 0.99mAP50-95 ≈ 0.40说明模型对缺陷检测的准确性和泛化能力较强。精确度Precision最高可达 1.00召回率Recall约 0.81说明模型误报少但有一定漏检。关键指标分析指标最终值含义Precision~0.99检测到的缺陷中99%是正确的Recall~0.81实际缺陷中81%被正确检测mAP50~0.99在IoU0.5下平均精度很高mAP50-95~0.40在高IoU要求下性能一般定位精度可提升train/box_loss收敛良好边框回归稳定val/box_loss略高于train轻微过拟合可接受混淆矩阵分析背景被误检为缺陷的比例较低 → 误报率低某些缺陷类别之间可能存在混淆需结合具体类别名称判断漏检缺陷被预测为背景是主要错误来源 → 与Recall0.81一致F1曲线 精确率/召回率曲线最佳F1值 ≈ 0.66 置信度0.286说明当前模型在默认置信度下可达到较好的平衡若希望提高召回率可降低置信度阈值PR曲线显示mAP0.5较高但高召回率下精确率下降明显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
