Python HTML SQLiteNEWHOT

微小金属碎屑识别系统设计与实现

MobileNetV2 对 NEU-CLS 六类金属表面缺陷图像分类识别平台，输出置信度与 Top 概率分布，含在线训练与多维度统计图表，适合轻量级深度学习质检类毕业设计。

评分:4.8/5.0

销量:8

发布:7/6/2026

难度:L3 高级

获取完整源码

演示视频仅作效果参考。完整源码、项目说明与运行答疑，请私聊沟通（适合毕业设计 / 课程设计 / 课设参考）。

获取完整源码观看演示视频

✓含项目说明文档，便于对照学习

✓可本地运行，适合课设演示

✓沟通获取后可咨询运行问题

项目封面

项目概览

本系统面向工业金属表面质检场景，采用 Flask + PyTorch MobileNetV2 + SQLite + ECharts 技术栈，基于东北大学 NEU-CLS 公开数据集训练。支持上传金属表面图像进行六类缺陷（开裂、夹杂、斑块、点蚀、氧化铁皮压入、划痕）分类识别，返回置信度、各类别概率分布与推理耗时；数据概览含缺陷分布、识别趋势、置信度分析与训练曲线，管理员可配置轮次/批次/学习率在线重新训练并热加载权重，适合作为毕业设计中轻量级 CNN 分类、工业缺陷识别与 Flask 深度学习部署方向。

项目说明

微小金属碎屑识别系统设计与实现

项目简介

本系统是一个基于 Flask Web 框架与 PyTorch 深度学习模型的金属表面缺陷/微小碎屑智能识别平台。系统面向工业质检场景，能够对上传的金属表面图像进行六类典型缺陷（开裂、夹杂、斑块、点蚀、氧化铁皮压入、划痕）自动分类，并输出置信度与推理耗时，提供识别记录、数据统计、数据集管理与在线模型训练等完整功能。

系统使用东北大学公开发布的 NEU-CLS 金属表面缺陷数据集进行模型训练，管理员可在线发起模型重新训练，训练完成后自动加载新权重。

功能模块

模块	功能说明
用户认证	用户注册、登录、退出；基于 Session 的会话管理；管理员与普通用户两级角色权限控制
数据概览	展示累计识别次数、今日识别、平均置信度、高置信度占比、平均推理耗时；含缺陷类别分布、识别趋势、置信度分析、推理耗时分析、时段分布、训练曲线、用户活跃度等多维度图表
碎屑识别	支持上传单张金属表面/碎屑图像，执行 MobileNetV2 分类推理，返回缺陷类别、置信度、各类别概率分布，并自动保存识别记录
识别记录	检测历史分页浏览，支持 CSV 导出（中文表头），管理员可查看全部用户记录
数据集	展示 NEU-CLS 数据集信息（类别说明、样本数量、存储路径）
模型训练	可配置训练轮次、批次大小、学习率并启动在线训练，查看训练历史与验证准确率
用户管理	管理员查看系统用户列表

缺陷类别

系统支持识别以下六类金属表面缺陷/碎屑形态：

代码	英文标识	中文名称	说明
Cr	Crazing	开裂	表面细微裂纹
In	Inclusion	夹杂	异物压入形成的夹杂缺陷
Pa	Patches	斑块	局部色差斑块
PS	Pitted Surface	点蚀	点状腐蚀坑
RS	Rolled-in Scale	氧化铁皮压入	轧制过程中氧化皮压入
Sc	Scratches	划痕	机械划伤痕迹

标准版目录结构

python-weixiao-jinshu-shibie/
├── app.py                         # Flask 应用主入口，页面路由与 API 接口定义
├── config.py                      # 系统配置（端口、数据库路径、类别映射、训练默认参数）
├── run.py                         # Python 一键启动脚本
├── requirements.txt               # Python 依赖包清单
├── mac_run.sh                     # macOS/Linux 一键启动脚本
├── mac_clear_all.sh               # 交付前数据清理脚本
├── mac_clear_all.md               # 数据清理说明
├── window_run.bat                 # Windows 一键启动脚本
├── 项目说明.md                    # 项目功能与目录结构说明（本文件）
├── 训练手册.md                    # 模型训练与数据集使用手册
├── database/
│   └── db.py                      # SQLite 数据库表结构与数据访问
├── models/
│   ├── classifier.py              # MobileNetV2 分类模型定义
│   └── predict.py                 # 推理服务（加载权重、预测、热加载）
├── training/
│   ├── download_dataset.py        # NEU-CLS 数据集下载与整理
│   └── train_model.py             # 模型训练脚本
├── templates/                     # Jinja2 HTML 模板
│   ├── base.html                  # 基础模板
│   ├── layout.html                # 顶部导航布局
│   ├── login.html                 # 登录页
│   ├── register.html              # 注册页
│   ├── dashboard.html             # 数据概览
│   ├── detect.html                # 碎屑识别页
│   ├── history.html               # 识别记录页
│   ├── dataset.html               # 数据集管理页
│   ├── training.html              # 模型训练页
│   └── users.html                 # 用户管理页
├── static/
│   ├── css/style.css              # 工业风自定义样式
│   └── vendor/                    # 本地前端资源（无需 CDN）
│       ├── bootstrap/             # Bootstrap 5.3
│       └── echarts/               # ECharts 5.5
├── data/
│   └── neu_cls/                   # NEU-CLS 数据集（自动下载）
│       ├── Cr/ In/ Pa/ PS/ RS/ Sc/
├── weights/
│   ├── best_model.pth             # 训练输出的模型权重
│   └── model_meta.json            # 模型元信息（类别、准确率等）
├── uploads/                       # 用户上传图像
├── logs/                          # 训练日志
├── docs/
│   └── dataset.md                 # 数据集下载地址追溯文档
├── 运行步骤必看/
│   ├── mac.md                     # macOS 运行步骤
│   └── window.md                  # Windows 运行步骤
└── 用户上传检测文件/              # 测试用示例图像（每类一张）

技术栈

类别	技术
后端框架	Python 3.12 + Flask 3.0
用户认证	Werkzeug pbkdf2 密码哈希 + Flask Session
数据库	SQLite 3
深度学习	PyTorch 2.2 + torchvision MobileNetV2（图像分类）
图像处理	Pillow
前端	HTML5 + Bootstrap 5.3 + ECharts 5.5
数据集来源	NEU-CLS 东北大学金属表面缺陷公开数据集

环境要求

项目	要求
Python	3.12（mac 使用 `python3.12`，Windows 使用 `python`）
操作系统	Windows / macOS / Linux
内存	建议 4GB 以上
磁盘	约 1GB（含依赖、数据集与模型权重）
GPU	可选，支持 CUDA / CPU
浏览器	Chrome / Firefox / Safari / Edge 现代版本