智慧AI-铁缺陷检测系统（采用NEU-DET数据集）

基于YOLO+AI的缺陷检测系统，支持图片检测、批量检测、视频检测、摄像头检测四种方式。
可以检测【Crazing（裂纹）、Inclusion（夹杂物）、Patches（斑块）、Pitted Surface（麻面）、Rolled-in Scale（轧入氧化皮）、Scratches（划痕）】类型。

技术栈使用YOLO、DeepSeek、Pytorch、SpringBoot、MyBatis-Plus、Vue3、Echarts、Ts、element-plus、Flask、Axios、MySQL等技术。系统还支持分用户管理。分为管理员和普通用户，管理员可查看所有记录，并管理用户。普通用户只可查看自己的记录。界面简洁、美观。支持主题色修改、布局样式修改、组件大小修改等。

1

1

1

1

1

这是一个基于 YOLO 深度学习模型与 NEU-DET 数据集的钢铁表面缺陷检测系统的完整技术解决方案。

该方案融合了前后端分离架构与工业AI检测技术，旨在提供一个从数据采集、模型推理到用户管理的全链路解决方案。

---

1. 项目概述

• 项目名称：钢铁表面缺陷智能检测系统
• 核心目标：利用计算机视觉技术自动识别钢铁表面的六种典型缺陷（裂纹、夹杂物、斑块、麻面、轧入氧化皮、划痕）。
• 数据集：采用工业界标准的 NEU-DET 数据集，包含 1,800 张高分辨率图像，覆盖 6 类缺陷。
• 业务逻辑：
  • 普通用户：仅能查看和管理自己的检测记录。
  • 管理员：拥有最高权限，可查看全局数据、管理用户及系统配置。

---

2. 技术架构设计

系统采用 前后端分离 架构，后端提供 RESTful API，前端负责交互展示。

2.1 整体架构图

2.2 技术栈选型表

层级	技术栈	选型理由
前端框架	Vue 3 + TypeScript	组件化开发，类型安全，生态丰富。
UI 组件库	Element Plus	企业级 UI 库，提供完善的表格、对话框、表单组件。
数据可视化	ECharts	强大的图表库，用于展示缺陷分布、检测趋势等统计信息。
后端框架	Spring Boot / Flask	Spring Boot 适合复杂业务逻辑；Flask 轻量级，适合快速集成 YOLO 推理。
深度学习	PyTorch + YOLO	工业检测主流模型，基于 PyTorch 实现高性能推理。
数据库	MySQL + MyBatis-Plus	关系型数据库存储用户信息和检测记录；MyBatis-Plus 提高开发效率。
通信协议	Axios	前端与后端进行 HTTP/HTTPS 通信。

---

3. 功能模块设计

3.1 AI 检测核心模块

• 模型训练：基于 NEU-DET 数据集微调 YOLOv8 或 YOLOv5 模型，针对六类缺陷进行训练。
• 推理服务：
  • 图片检测：上传单张图片，返回带框图和缺陷列表。
  • 批量检测：上传文件夹/压缩包，批量处理并导出 Excel 报告。
  • 视频检测：逐帧分析视频流，实时标注缺陷。
  • 摄像头检测：连接工业相机或普通摄像头，进行实时在线检测。

3.2 用户与权限管理模块

• 角色划分：
  • 普通用户：注册登录，只能查询自己的 user_id 对应的检测历史。
  • 管理员：拥有 admin 角色，可查看所有用户数据，进行增删改查。
• 数据隔离：在 SQL 查询中强制加入 WHERE user_id = ? 条件（普通用户）或不限制（管理员）。

3.3 系统配置模块

• 主题定制：利用 Element Plus 的主题工具或 CSS 变量，支持用户切换主题色（如深色模式/浅色模式）。
• 布局调整：支持响应式布局，适配不同屏幕尺寸；提供组件大小调节滑块。

---

4. 数据库设计 (关键表)

4.1 用户表 (user)

字段名	类型	说明
id	INT	主键自增
username	VARCHAR	用户名
password	VARCHAR	密码 (MD5/BCrypt加密)
role	ENUM	角色 (‘user’, ‘admin’)
create_time	DATETIME	注册时间

4.2 检测记录表 (detection_record)

字段名	类型	说明
id	INT	主键
user_id	INT	外键，关联用户
image_path	VARCHAR	图片存储路径
result_json	TEXT	检测结果 (JSON格式，包含类别、置信度、坐标)
defect_count	INT	缺陷总数
status	TINYINT	状态 (0: 失败, 1: 成功)
detect_time	DATETIME	检测时间

---

5. 代码实现示例 (后端 Flask + YOLO)

以下为后端核心推理逻辑的伪代码示例：

from flask import Flask, request, jsonify
import cv2
import torch
from PIL import Image
import io

# 加载预训练的 YOLO 模型 (基于NEU-DET训练)
model = torch.hub.load('ultralytics/yolov5', 'custom', path='neu_det_best.pt')

app = Flask(__name__)

@app.route('/api/detect', methods=['POST'])
def detect():
    if 'image' not in request.files:
        return jsonify({'error': 'No image provided'}), 400

    # 1. 获取图片
    file = request.files['image']
    img_bytes = file.read()
    img = Image.open(io.BytesIO(img_bytes))

    # 2. YOLO 推理
    results = model(img)
    
    # 3. 解析结果
    # classes: [0,1,2,3,4,5] -> ['Crazing', 'Inclusion', ...]
    defects = results.pandas().xyxy[0].to_dict(orient="records") 

    # 4. 数据库存储逻辑 (此处省略数据库连接代码)
    # save_to_db(user_id, defects, img_path)

    return jsonify({
        'success': True,
        'defects': defects,
        'total_count': len(defects)
    })

if __name__ == '__main__':
    app.run(debug=True)

6. 前端界面设计 (Vue 3 + Element Plus)

前端页面包含以下组件：

1. 顶部导航栏：显示 Logo、用户信息、主题切换按钮。
2. 左侧菜单栏：功能导航（图片检测、视频检测、历史记录、用户管理）。
3. 主工作区：
   • 上传区：拖拽上传图片/视频。
   • 展示区：Canvas 或 Image 标签展示原图和检测结果图。
   • 数据区：表格展示具体的缺陷位置和置信度。

---

7. 部署方案

• 开发环境：Windows/Linux + Anaconda + VSCode。
• 生产环境：
  • 前端：打包为静态文件，部署在 Nginx 服务器。
  • 后端：使用 Gunicorn 或 Java Jar 包部署在 Linux 服务器。
  • 模型服务：可考虑使用 TensorRT 优化推理速度，或者使用 ONNX 格式部署。