基于 YOLOv11 的目标检测与轴承缺陷质量控制

YOLO-Quality-Control：基于 YOLOv11 的目标检测与质量控制

项目概述

本项目旨在利用 YOLOv11（You Only Look Once 第 11 版）实现制造业生产线中的实时目标检测。其核心目标是通过识别物体、将其分类为“损坏”或“正常”并高效计数，从而自动化质量控制流程。该系统可集成到生产线中，提升生产效率和产品质量。

项目目录

1. 概述
2. 数据集
3. 方法论
4. 结果
5. 使用说明
6. 演示
7. 致谢
   

概述

制造业需要高效的质量控制系统以确保产品一致性并减少浪费。本项目采用 YOLOv11，一种先进的目标检测模型，实现以下功能：
• 检测生产线上的物体。
• 将其分类为“损坏”或“正常”。
• 统计每类物体的数量。
该解决方案设计为快速、准确且可扩展，适用于工业应用。

数据集

本项目使用的数据集来自 Kaggle，包含在不同条件下拍摄的物体图像。每个物体均标注了边界框，并分类为以下两类：
• 损坏：存在可见缺陷的物体。
• 正常：符合质量标准的物体。

关键信息：
• 数据集名称
• 图像数量：700
• 标注：边界框和标签（损坏/正常）或波斯语。

方法论

模型架构
使用 YOLO11l 和 YOLO11s，这是一种以速度和准确性著称的实时目标检测模型。其关键特性包括：
• 单次检测以实现高速推理。
• 支持多类别（本例中为“损坏”和“正常”）。

训练过程

1. 预处理：
   • 将图像调整为固定分辨率（如 512x512）。
   • 将数据划分为训练集（80%）、验证集（10%）和测试集（10%）。
2. 训练：
   • 在自定义数据集上微调 YOLO11。
   • 使用迁移学习以利用预训练权重。
3. 评估：
   • 指标：精确率（Precision）、召回率（Recall）、平均精度（mAP）和 F1 分数。
   • 在测试集上实现了 0.95% 的 mAP。

部署
训练后的模型通过 Python 和 OpenCV 部署到生产线模拟器中，用于实时推理。

结果

性能指标

指标	值
精确率	95.55%
召回率	95.65%
mAP@0.5	95.10%
损失	0.17

示例输出
以下是一个测试图像上的模型输出示例视频：下载链接。

使用说明

环境要求
• Python 3.10.16
• 安装依赖项：

pip install torch torchvision opencv-python ultralytics

总结

本项目展示了 YOLOv11 在制造业质量控制中的强大能力，通过实时目标检测和分类，显著提升了生产效率和产品质量。未来，随着模型的进一步优化，其应用范围将更加广泛。