基于YOLO26深度学习的传送带缺陷检测系统（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）
摘要
传送带作为工业生产中的关键输送设备，其表面缺陷的实时检测对于保障生产安全、提高运维效率具有重要意义。针对传统人工检测效率低、易漏检等问题，本文基于YOLO26目标检测算法构建了一套传送带缺陷识别检测系统，重点识别block（堵塞）、crack（裂纹）、foreign（异物）、hole（孔洞）四类典型缺陷。实验采用包含2345张图像的自建数据集，其中训练集1860张、验证集318张、测试集167张。
详细功能展示视频
https://www.bilibili.com/video/BV1bzd1BUE6y/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1bzd1BUE6y/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1bzd1BUE6y/
引言
随着工业自动化水平的不断提升，传送带系统在矿山、冶金、港口、制造等领域的应用日益广泛。然而，传送带在长期高负荷运行过程中，容易出现block（堵塞）、crack（裂纹）、foreign（异物）、hole（孔洞）等多种类型的表面缺陷。这些缺陷若未能及时发现，轻则影响生产效率，重则引发设备故障甚至安全事故。传统的人工巡检方式存在主观性强、效率低、实时性差等问题，难以满足现代工业对设备状态监测的智能化需求。
近年来，基于深度学习的目标检测技术在工业缺陷检测领域展现出强大的应用潜力。其中，YOLO系列算法因其检测速度快、精度高、部署便捷等优势，成为工业视觉检测的热门选择。本文基于YOLO26目标检测框架，构建了一套面向传送带表面缺陷的识别检测系统，实现对四类关键缺陷的自动识别与定位。通过对自建数据集的训练与验证，系统在检测精度和实时性方面均取得了良好效果，验证了该方法在工业场景下的可行性与有效性。
目录
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
在现代工业生产过程中，传送带系统承担着物料输送的关键职能，其运行状态直接影响生产线的连续性与安全性。随着工业规模的扩大和生产节奏的加快，传送带面临的工作环境愈发复杂，长期处于高负荷、高摩擦、高冲击的运行状态，极易产生各类表面缺陷。常见的传送带缺陷主要包括以下几类：一是block（堵塞），通常由物料堆积或机械卡滞引起，可能导致传送带停转或电机过载；二是crack（裂纹），多由长期疲劳、老化或外力冲击造成，若不及时处理，裂纹会逐步扩展，最终导致传送带断裂；三是foreign（异物），如金属碎片、石块等意外落入传送带表面或内部，可能划伤传送带或损坏托辊；四是hole（孔洞），通常由局部磨损、腐蚀或外力穿刺形成，严重影响传送带的承载能力和密封性。
传统上，企业对传送带缺陷的检测主要依赖人工巡检，即由经验丰富的运维人员定期沿传送带线路进行目视检查。然而，这种方式存在诸多局限性：首先，人工巡检难以实现全天候、全覆盖的监测，尤其在长距离、高架或封闭式传送带场景下，巡检难度大、安全风险高；其次，人工检测受主观因素影响较大，不同人员之间的判断标准不一，容易出现漏检或误判；再次，随着传送带运行速度的提升，微小缺陷在高速运动中难以被及时发现，往往在缺陷扩大后才被察觉，导致维修成本上升、停机时间延长。
为解决上述问题，近年来基于机器视觉的自动检测方法逐步成为研究热点。借助工业相机实时采集传送带表面图像，结合图像处理与深度学习算法，实现对缺陷的自动识别与定位，已成为工业智能运维的重要发展方向。其中，YOLO系列目标检测算法以其端到端、高实时性、高精度的特点，在工业缺陷检测领域得到了广泛应用。相较于传统图像处理方法，YOLO能够同时完成缺陷的分类与定位，且对复杂背景具有较强的鲁棒性，能够适应传送带表面光照变化、纹理复杂等实际工况。
因此，构建一套基于YOLO26的传送带缺陷识别检测系统，不仅能够有效替代传统人工巡检方式，提升检测效率与准确性，还能为工业设备的预测性维护提供数据支撑，具有显著的理论研究价值和工程应用前景。
数据集介绍
本研究所使用的数据集为自建的传送带表面缺陷图像数据集，数据集共包含2345张图像，按照7:1.2:0.8的比例划分为训练集、验证集和测试集，其中训练集1860张，验证集318张，测试集167张。数据集的构建充分考虑了实际工业场景的多样性，确保模型在训练过程中能够学习到丰富的特征表达。
数据集共标注四类典型传送带缺陷，类别名称及对应的中英文说明如下：
| 类别名称 | 中文名称 | 说明 |
|---|---|---|
| block | 堵塞 | 物料堆积或机械卡滞导致的传送带运行受阻 |
| crack | 裂纹 | 传送带表面或边缘出现的线性断裂痕迹 |
| foreign | 异物 | 混入传送带表面的外部物体，如金属、石块等 |
| hole | 孔洞 | 传送带表面形成的穿透性或非穿透性空洞 |
在数据标注方面，采用矩形框对每张图像中的缺陷目标进行精确标注，共标注有效缺陷实例数量为：训练集XX个（根据实际补充），验证集1697个，测试集XX个。各类别的样本分布情况如下：
-
block：训练集中占比最高，为最常见的缺陷类型，验证集中包含1069个实例；
-
crack：样本数量相对较少，验证集中包含140个实例，裂纹形态多样，部分与背景纹理相似，检测难度较高；
-
foreign：样本数量中等，验证集中包含368个实例，异物形态与背景差异明显，检测效果较好；
-
hole：样本数量最少，验证集中包含120个实例，孔洞边缘清晰，易于识别。
训练结果
整体性能评估
1. 总体指标
-
mAP50: 0.724
-
mAP50-95: 0.42
-
精确率（Precision）: 0.789
-
召回率（Recall）: 0.666
总体来看，模型在缺陷检测上具备较好的识别能力，尤其在精确率上表现良好，说明误检率较低。但召回率略低，存在一定漏检情况。
各类别性能分析
| 类别 | 精确率 | 召回率 | mAP50 | mAP50-95 | 样本数 |
|---|---|---|---|---|---|
| block | 0.855 | 0.431 | 0.571 | 0.315 | 1069 |
| crack | 0.723 | 0.643 | 0.656 | 0.363 | 140 |
| foreign | 0.78 | 0.848 | 0.875 | 0.614 | 368 |
| hole | 0.798 | 0.742 | 0.793 | 0.387 | 120 |
1. foreign（异物）
表现最好，mAP50高达0.875，召回率也最高（0.848），说明模型对该类缺陷识别能力强。
2. hole（孔洞）
表现良好，mAP50为0.793，精确率和召回率均衡，样本量虽少但识别稳定。
3. crack（裂纹）
中等表现，mAP50为0.656，召回率尚可。
4. block（堵塞）
表现最差，召回率仅0.431，mAP50为0.571。虽然精确率较高，但漏检多，说明模型对该类缺陷不敏感。
混淆矩阵分析
从归一化混淆矩阵可以看出：
-
crack 与 block 之间存在一定混淆，可能与缺陷形态相似有关。
-
foreign 和 hole 分类较为清晰，误检较少。
-
background 被误判为各类缺陷的情况较少，说明模型背景抑制能力尚可。
训练过程分析（results.png）
-
训练损失（box_loss、cls_loss、dfl_loss）稳步下降，未见明显震荡，说明模型收敛良好。
-
验证损失同步下降，未见明显过拟合。
-
精确率和召回率在训练后期趋于稳定，模型已达到较好平衡。
PR曲线与F1曲线
-
PR曲线显示，foreign 类在较高召回率下仍保持高精确率，表现优异。
-
hole 和 crack 的PR曲线较为平滑，说明分类边界清晰。
-
block 的PR曲线明显偏低，表明模型对其区分能力不足。
-
F1曲线中，foreign 和 hole 在较高置信度下仍保持良好F1值，block 整体偏低。
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 K2，MuSGD 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：
详细功能展示视频
https://www.bilibili.com/video/BV1bzd1BUE6y/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1bzd1BUE6y/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1bzd1BUE6y/
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
20
0- 0
已为社区贡献72条内容
所有评论(0)