摘要针对钢铁表面腐蚀生锈缺陷自动化检测需求本研究构建了基于YOLOv8的目标检测模型。数据集共包含600张图像划分为训练集450张、验证集120张、测试集30张类别为单类“Corrosion”。训练后的混淆矩阵显示腐蚀类别正确检出824个样本漏检581个背景误报为腐蚀385例归一化混淆矩阵表明腐蚀召回率为0.68背景精确率仅0.32。PR曲线计算得到mAP0.5为0.61F1分数最高为0.63。后续需从数据标注修复和样本均衡策略入手进行系统性改进。引言钢铁材料在工业环境中长期暴露于潮湿、盐雾或化学介质下极易发生腐蚀生锈现象。腐蚀不仅降低结构强度和疲劳寿命还会引发安全隐患和经济损失。因此实现快速、准确的钢铁腐蚀检测对于设备维护与安全保障具有重要意义。传统人工目视检测效率低、主观性强难以满足连续监测需求。近年来以YOLO系列为代表的深度学习目标检测技术凭借端到端、实时性高等优势已在工业缺陷检测领域展现出良好潜力。本研究采用YOLOv8算法构建钢铁腐蚀生锈检测系统旨在探索轻量化模型在腐蚀目标识别中的可行性与局限性。实验设计了单类检测任务数据集来源于工业现场采集与公开腐蚀图像共计600张按7:2:1比例划分为训练、验证与测试集。通过训练过程中的损失曲线、精确率—召回率曲线、混淆矩阵及mAP等指标对模型性能进行系统评估。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混淆矩阵分析原始混淆矩阵​编辑归一化混淆矩阵​编辑精确率-置信度曲线​编辑召回率-置信度曲线​编辑F1-置信度曲线​编辑PR曲线​编辑训练损失与指标趋势​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✅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钢铁腐蚀是一种典型的多因素耦合失效过程涉及电化学反应、湿度、温度及污染物沉积等复杂条件。在桥梁、管道、船舶、港口机械等关键设施中腐蚀若未及时发现可能引发灾难性事故。传统检测方法包括超声波测厚、涡流检测、电化学测量以及人工目视巡检。其中人工方式效率低、易疲劳且难以覆盖高处或危险区域仪器检测则成本高、操作复杂不适合大范围快速筛查。随着计算机视觉技术的发展基于图像处理的腐蚀检测方法逐步受到重视。早期方法主要依赖颜色分析、纹理特征或边缘检测但受光照、油污、锈层形态多样性影响鲁棒性不足。深度学习特别是卷积神经网络CNN和目标检测框架如R-CNN、SSD、YOLO系列的出现使端到端自动化检测成为可能。YOLOv8作为当前YOLO系列的最新版本之一在检测速度和精度上均取得良好平衡适合工业部署。然而腐蚀目标形态不规则、边缘模糊、与背景如锈水、油漆脱落、泥土高度相似给模型区分带来挑战。同时工业场景中标注数据稀缺且成本高昂容易导致标注不全、框位错误或类别不平衡等问题。因此在构建检测系统时不仅需要优化模型结构更需重视数据质量。本研究的背景即建立在这一现实约束之上聚焦于实际训练中暴露的数据与模型协同问题。数据集介绍本实验构建的钢铁腐蚀生锈检测数据集共包含600张图像所有图像均来源于工业现场拍摄与公开腐蚀图像库。图像分辨率统一缩放至640×640像素格式为JPEG或PNG。数据集采用单类别标注类别名称为“Corrosion”。数据集具体划分如下数据集图像数量用途训练集450模型参数学习验证集120超参数调优与过拟合监控测试集30最终性能评估训练过程训练结果混淆矩阵分析原始混淆矩阵腐蚀Corrosion824 正确581 误判为背景背景Background385 误判为腐蚀误报200 正确归一化混淆矩阵腐蚀的召回率仅0.6832%漏检背景的准确率仅0.3268%误报为腐蚀精确率-置信度曲线最大精确率 1.00出现在置信度阈值 0.959说明在极高置信度下预测结果非常可靠但实际使用中该阈值会导致大量漏检召回率-置信度曲线置信度为 0 时召回率 1.00全部检出但误报极高置信度 0.2 后召回率迅速下降说明模型对腐蚀目标的识别信心不足F1-置信度曲线最高F1 ≈ 0.63出现在置信度 ~0.08F1值偏低说明精确率与召回率无法同时达到满意水平PR曲线mAP0.5 0.61仅腐蚀类别属于中等水平不够鲁棒训练损失与指标趋势Epoch精确率召回率mAP50mAP50-9500.250.800.350.301000.650.260.820.00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