微小异物检测与识别系统
YOLOv8 工业表面六类微小缺陷（龟裂、夹杂、点蚀等）检测平台，基于 NEU-DET 钢材数据集，支持单张/批量检测、在线训练与 PDF 报告导出，适合计算机视觉质检类毕业设计。
项目封面
项目概览
本系统面向钢材等工业产品表面质量检测场景，采用 Flask + YOLOv8 + SQLite + ECharts 技术栈，基于 NEU-DET（东北大学钢材表面缺陷）公开数据集训练。可对龟裂、夹杂异物、斑块、点蚀、氧化铁皮、划痕六类微小缺陷进行自动定位、分类与置信度评估，提供单张/批量检测（最多 20 张）、检测历史与 CSV/PDF 报告导出、类别分布与月度趋势统计，管理员可在线配置参数发起 YOLOv8 重新训练，适合作为毕业设计中目标检测、工业视觉质检与 YOLOv8 Web 部署方向。
项目说明
微小异物检测与识别系统
项目简介
本系统是一个基于 Flask Web 框架与 YOLOv8 深度学习模型的工业表面微小异物/缺陷智能检测平台。系统面向钢材等工业产品表面质量检测场景，能够对上传图片中的龟裂、夹杂异物、斑块、点蚀、氧化铁皮、划痕等六类微小缺陷进行自动定位、分类与置信度评估，并提供批量检测、历史记录、统计分析、模型在线训练与报告导出等完整功能。
系统采用 NEU-DET（东北大学钢材表面缺陷）公开数据集进行模型训练，内置已训练好的 YOLOv8n 权重，开箱即用；同时支持管理员在线发起模型重新训练。
功能模块
| 模块 | 功能说明 |
|---|---|
| 用户认证 | 用户注册、登录、退出；基于 Flask-Login 的会话管理；管理员与普通用户两级角色权限控制 |
| 控制台 | 展示总检测次数、发现异物数、今日检测、系统用户数等核心指标，近 7 天检测趋势折线图，快捷操作入口与最近检测记录列表 |
| 单张检测 | 支持拖拽或点击上传单张图片，实时执行 YOLOv8 推理，返回标注结果图、异物数量、各类别置信度与边界框坐标，并自动保存检测记录 |
| 批量检测 | 一次上传多张图片（最多 20 张）批量处理，展示每张图片的检测结果缩略图与异物数量，支持失败重试提示 |
| 检测历史 | 检测记录分页浏览与关键词搜索，查看检测详情（原图、结果图、检测框列表），删除记录，导出 CSV 与 PDF 报告 |
| 统计分析 | 异物类别分布饼图、月度检测趋势柱状图、总检测/异物/正常/异物率/平均耗时/平均置信度等汇总指标，所有数据按当前用户权限范围统计 |
| 数据集管理 | 展示 NEU-DET 数据集信息（总图片数、训练/验证/测试集划分、类别说明、数据集路径与更新时间），实时统计文件系统中的数据集规模 |
| 模型训练 | 管理员可配置训练轮次、批次大小、图片尺寸并启动 YOLOv8 在线训练，实时查看训练状态与完成后的 mAP50、精确率、召回率等指标，查看训练历史记录 |
| 系统设置 | 管理员可调整检测置信度阈值、NMS IOU 阈值、最大上传大小、自动保存开关、模型路径等系统参数 |
| 用户管理 | 管理员查看所有用户列表，启用/禁用用户账户 |
| 操作日志 | 管理员查看登录、检测、训练、设置变更等操作日志，支持分页 |
| 报告导出 | 一键导出检测记录为 PDF 报告或 CSV 表格 |
缺陷类别
系统支持检测以下六类工业表面微小异物/缺陷（基于 NEU-DET 数据集）：
| 类别 ID | 英文名称 | 中文名称 | 说明 |
|---|---|---|---|
| 0 | crazing | 龟裂 | 表面不规则龟壳状裂纹 |
| 1 | inclusion | 夹杂异物 | 非金属或氧化物夹杂压入表面 |
| 2 | patches | 斑块缺陷 | 表面局部色差斑块 |
| 3 | pitted_surface | 点蚀 | 表面密集点状凹坑 |
| 4 | rolled-in_scale | 氧化铁皮 | 氧化铁皮压入钢材表面 |
| 5 | scratches | 划痕 | 表面线性划伤痕迹 |
标准版目录结构
python-weixiaoyiwu-jiance-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（密钥、数据库路径、模型路径、类别映射、分页参数）
├── requirements.txt # Python 依赖包清单
├── mac_run.sh # macOS/Linux 一键启动脚本
├── 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
├── 训练手册.md # 模型训练与数据集使用手册
├── README.md # 项目简介
├── database/
│ └── models.py # SQLite 数据库表结构定义、初始化与操作日志记录
├── ml/
│ ├── detect.py # YOLOv8 检测引擎封装（模型加载、单张/批量检测、结果绘制）
│ ├── train.py # YOLOv8 模型训练脚本（训练、指标读取、任务状态更新）
│ ├── download_dataset.py # 数据集准备脚本（本地检测、格式转换、data.yaml 生成）
│ ├── data/
│ │ ├── NEU-DET_Yolo-master/ # NEU-DET 数据集（YOLO 格式）
│ │ │ ├── ImageSets/
│ │ │ │ ├── train/ # 训练集（images + labels）
│ │ │ │ ├── val/ # 验证集（images + labels）
│ │ │ │ └── test/ # 测试集（images + labels）
│ │ │ ├── labels/ # 全量 YOLO 标签文件
│ │ │ └── data.yaml # 数据集配置文件
│ │ └── neu_yolo.zip # 数据集压缩包备份
│ └── runs/
│ └── detect/
│ └── train/
│ ├── weights/ # 训练输出的模型权重（best.pt / last.pt）
│ ├── results.csv # 训练指标记录
│ └── args.yaml # 训练参数配置
├── templates/ # Jinja2 HTML 模板
│ ├── base.html # 基础模板（导航栏、CDN 引用）
│ ├── index.html # 首页
│ ├── login.html # 登录页
│ ├── register.html # 注册页
│ ├── dashboard.html # 控制台
│ ├── detect.html # 单张检测页
│ ├── batch_detect.html # 批量检测页
│ ├── history.html # 检测历史页
│ ├── statistics.html # 统计分析页
│ ├── dataset.html # 数据集管理页
│ ├── training.html # 模型训练页
│ ├── settings.html # 系统设置页
│ ├── users.html # 用户管理页
│ ├── logs.html # 操作日志页
│ └── error.html # 错误页
├── static/
│ ├── css/
│ │ └── style.css # 自定义样式
│ ├── js/
│ │ └── common.js # 公共工具函数
│ ├── uploads/ # 上传图片存储目录
│ └── results/ # 检测结果图存储目录
├── instance/
│ └── foreign_object.db # SQLite 数据库文件（自动生成）
├── 运行步骤必看/
│ └── window.md # Windows 运行步骤说明
├── 演示材料/
│ └── 演示视频.mp4 # 系统演示视频
└── yolov8n.pt # YOLOv8n 预训练权重（训练基线模型）
技术栈
| 类别 | 技术 |
|---|---|
| 后端框架 | Python 3.12 + Flask 3.0 |
| 用户认证 | Flask-Login 0.6 + Werkzeug pbkdf2:sha256 密码哈希 |
| 数据库 | SQLite 3 |
| 深度学习 | Ultralytics YOLOv8 8.4（目标检测） |
| 图像处理 | OpenCV（opencv-python-headless）+ Pillow |
| 数据处理 | NumPy + Pandas |
| 前端 | HTML5 + Bootstrap 5.3 + Bootstrap Icons + ECharts 5.5 |
| 报告生成 | ReportLab（PDF 导出） |
环境要求
| 项目 | 要求 |
|---|---|
| Python | 3.12 |
| 操作系统 | Windows / macOS / Linux |
| 内存 | 建议 4GB 以上（模型推理与训练时使用） |
| 磁盘 | 约 1GB（含依赖、数据集与模型权重） |
| GPU | 可选，无 GPU 时自动使用 CPU 推理与训练 |
| 浏览器 | Chrome / Firefox / Safari / Edge 现代版本 |
账号信息
系统初始化时自动创建以下默认账户：
| 角色 | 用户名 | 密码 | 权限 |
|---|---|---|---|
| 管理员 | admin | admin123 | 全部功能，含模型训练、系统设置、用户管理、操作日志 |
| 普通用户 | user | user123 | 检测、历史、统计、数据集查看 |
新注册用户默认为普通用户角色，仅能访问自身检测数据；管理员可查看全部用户数据。
获取完整源码
技术分类
包含内容
适合方向
适合人工智能、自动化、软件工程专业毕业设计中 YOLO 目标检测、工业表面缺陷识别与 Flask 推理服务方向。
关于 AI源码
AI源码 整理计算机毕业设计、课程设计向的可运行项目参考，含说明文档与演示材料。完整源码请通过联系方式沟通获取。
相关推荐
查看全部 →
基于用户画像的食谱推荐系统
Flask+SQLite 食谱推荐 Web：问卷与活动数据构建用户向量，KMeans 聚类画像 + 规则过滤 + RandomForest 融合排序，输出可解释推荐，含 Hit@K/NDCG 离线评估，适合推荐系统毕业设计。
基于协同过滤的电影推荐系统设计与实现
Flask+SQLite 豆瓣电影推荐平台：scikit-surprise 实现 UserCF/ItemCF，三级冷启动降级、星级评分收藏、Pyecharts 后台图表与一键重训，含算法讲解页，适合推荐算法毕业设计。
基于机器学习的古籍文字识别与断句校正系统
Vue3+Flask 古籍 OCR 流水线：PaddleOCR 识文、文本整理勘校、BERT 句读标注与多格式导出，JWT 任务隔离，支持离线微调数据闭环，适合 OCR+NLP 毕业设计。
基于深度学习的音乐风格分类系统
Django+Vue2 音乐平台：Mel 频谱 CNN+Bi-LSTM 八类风格分类，含在线 MP3 播放、协同过滤推荐、热榜与 SimpleUI 管理后台，MySQL 预置 12 首歌曲，适合深度学习+Web 毕业设计。
基于深度学习的日常服饰分类与推荐系统设计
PyTorch CNN 对 Fashion-MNIST 服饰图像 Top-5 分类，融合协同过滤与 Embedding 相似度的混合推荐引擎，含 120 件商品目录与评分收藏，适合深度学习推荐系统类毕业设计。
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。