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YOLO（You 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/GPU） |
10、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-CNN），YOLOv8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![]()
mAP50：0.995（接近完美）
mAP50-95：0.889（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 | mAP50 | mAP50-95 | 评价 |
|---|---|---|---|---|---|---|
| aocao | 864 | 0.999 | 1.000 | 0.995 | 0.827 | 极好 |
| aoxian | 390 | 1.000 | 0.998 | 0.995 | 0.907 | 极好 |
| cashang | 753 | 0.998 | 0.993 | 0.995 | 0.915 | 极好 |
| huahen | 436 | 0.992 | 0.989 | 0.995 | 0.907 | 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390）
cashang → 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：
