金属表面缺陷检测是工业生产质量管控中的关键环节，直接关系到产品的可靠性、安全性以及企业的经济效益。传统的缺陷检测方式主要依赖人工肉眼目检或基于简单图像处理的机器视觉方法。人工检测受限于检测人员的经验、视力及疲劳状态，难以保持长期稳定的一致性与准确性，且面对高速生产线时往往力不从心。传统图像处理方法则需人工设计特征，对光照、背景变化敏感，泛化能力有限，难以适应复杂多变的工业现场环境。近年来，随着深度学习技术的迅猛发展，以卷积神经网络为代表的深度学习方法在图像识别、目标检测等领域展现出强大的特征提取能力与泛化性能，为金属表面缺陷的自动化检测提供了全新的技术路径。本文基于深度学习目标检测框架，设计并实现了一套面向金属表面常见缺陷的自动检测系统。系统以YOLO11作为核心检测模型，该模型通过骨干网络、颈部网络与检测头的精巧设计，在保持高效推理速度的同时，显著提升了检测精度。训练过程中，采用NEU金属表面缺陷数据集，该数据集包含裂纹、夹杂、斑块、点蚀表面、轧制氧化皮、划痕六类典型缺陷，共计一千八百幅图像。通过数据增强、迁移学习等策略，模型在验证集上取得了73.93%的平均精度，其中划痕类缺陷的检测精度最高。为满足不同应用场景的需求，系统基于PySide6框架开发了图形用户界面，支持图片检测、视频检测以及摄像头实时检测三种工作模式。图片检测模式可对单张图像进行快速分析并保存标注结果；视频检测模式能够逐帧处理视频文件，并在播放过程中实时显示每秒检测到的缺陷信息；摄像头实时检测模式通过多线程设计实现了流畅的实时预览与检测。实验结果表明，本文所构建的检测系统具有较高的准确性与良好的实时性，能够有效识别六类金属表面缺陷，为工业质量自动化检测提供了可行的解决方案。
3.1 系统架构设计
本文设计的金属表面缺陷检测系统采用分层架构，自底向上分为数据层、模型层、业务逻辑层和用户界面层，如图3-1所示。
图3-1 系统架构图
数据层负责管理训练数据集与预测结果存储。训练数据集采用NEU金属表面缺陷数据集，包含六类缺陷的标注图像；预测结果存储目录用于保存检测后的图片和视频文件。
模型层封装了训练好的YOLO11检测模型，以最佳权重文件形式存储，接收业务逻辑层传入的图像数据，返回检测结果。
业务逻辑层是系统的核心处理单元，包括图像预处理、模型推理、结果解析与绘制、日志记录等模块。图像预处理将输入图像转换为模型所需的格式，模型推理调用模型进行检测，结果解析模块提取检测框坐标、类别与置信度，绘制模块在原图上标注检测结果，日志模块记录检测过程中的关键信息。
用户界面层提供图片检测、视频检测和摄像头实时检测三种交互界面，用户通过按钮操作选择检测模式，并实时查看检测结果。
3.2 系统核心模块设计
3.2.1 图像检测模块
图像检测模块用于单张图片的缺陷检测。用户通过文件选择对话框选取图片后，系统读取图像并调用模型进行推理。检测结果包括边界框坐标、类别标签和置信度分数，随后在图像上绘制带中文标签的检测框，并保存标注后的图像至指定目录。同时，检测日志将显示检测到的缺陷类型及数量。
3.2.2 视频检测模块
视频检测模块对视频文件进行检测。系统首先读取视频文件，对每一帧调用检测模型，标注缺陷并写入输出视频文件。处理完成后，用户可通过播放控件控制视频播放，并在播放过程中实时显示每秒检测到的缺陷信息。该模块采用先处理后播放的策略，保证播放流畅性。
3.2.3 摄像头实时检测模块
摄像头实时检测模块通过调用本地摄像头获取实时图像流。为保持界面响应流畅，该模块采用多线程设计，将摄像头图像采集与检测任务放置于独立线程中执行，主线程仅负责更新界面显示。每采集一帧图像，即进行检测并绘制结果，实现实时预览与检测同步。
3.2.4 图形用户界面模块
图形用户界面基于PySide6框架构建，主窗口包含原始图像显示区、检测结果图像显示区、日志输出区和控制按钮区。控制按钮区包括“图片检测”、“视频检测”、“播放”、“停止”等按钮，根据当前模式动态调整可用状态。界面设计遵循简洁直观的原则，便于用户快速上手
4.3 检测可视化
检测可视化是用户与系统交互的核心环节，本系统通过图形用户界面直观展示检测结果。系统主界面基于PySide6框架构建，如图4-3所示。
图4-3 可视化页面
该界面采用左右双栏布局，左侧为原始图像显示区域，右侧为检测结果图像显示区域，便于用户对比检测前后差异。顶部设置标题栏，底部设置控制按钮区与日志输出区。控制按钮包括“图片检测”“视频检测”“播放”“停止”，分别对应不同的检测模式。
图4-4 检测结果展示
图4-4展示了图片检测模式下的缺陷识别效果。用户点击“图片检测”按钮并选择待检测图片后，系统调用训练好的YOLO11模型对图像进行推理，并在右侧检测结果区域绘制边界框与中文标签。图中左侧原始图像为一块金属表面，存在明显的裂纹缺陷；右侧检测结果图像中，系统用红色边界框准确标注出两处裂纹的位置，并在框上方显示“裂纹 0.13”和“裂纹 0.43”的标签，其中数字为模型输出的置信度分数。从图中可以看出，即使裂纹形态细小且与背景纹理较为接近，模型仍然能够成功识别并给出合理的置信度评估。该图直观体现了系统对金属表面缺陷的检测能力，验证了模型在实际图像上的有效性。
)
