基于 ResNet18 深度学习

工业零件表面缺陷
智能检测系统

采用先进的深度学习技术，实现高精度、实时的工业零件表面缺陷自动分类，为智能制造提供强有力的技术支撑

查看 GitHub 下载源代码在线演示

核心特性

先进技术，卓越性能

采用业界领先的深度学习技术，为工业质检提供智能化解决方案

迁移学习

利用在 ImageNet 大规模数据集上预训练的 ResNet18 模型，在小样本情况下实现优异性能，大幅降低训练成本

参数冻结

冻结前 8 层参数，仅训练自定义全连接层，有效防止过拟合，显著提高训练效率和模型稳定性

数据增强

采用 RandomResizedCrop 和 RandomHorizontalFlip 等先进技术，显著提升模型泛化能力和鲁棒性

高精度检测

验证集准确率达到 98.33%，各类别 F1 分数均不低于 0.95，达到工业级应用标准

Web 演示

基于 Streamlit 的友好 Web 界面，支持实时缺陷检测和概率可视化，操作简单直观

跨平台支持

支持 Windows、macOS、Linux 三大平台，提供可执行文件和源代码，满足不同环境需求

缺陷类型

六类常见缺陷

系统可精准识别 6 种常见的工业零件表面缺陷，覆盖主要质量问题

类别 1

Crazing

裂纹

表面出现细小裂纹，通常由材料疲劳或应力集中引起，是金属零件常见的表面缺陷之一

类别 2

Inclusion

夹杂

表面嵌入异物，可能是生产过程中混入的杂质或原材料中的夹杂物，影响零件质量

类别 3

Patches

斑块

表面出现斑块状缺陷，通常由涂层不均匀、化学腐蚀或表面处理不当引起

类别 4

Pitted Surface

麻点

表面出现细小凹坑，可能是化学腐蚀、电化学腐蚀或机械损伤导致的表面缺陷

类别 5

Rolled-in Scale

氧化皮

表面氧化形成的鳞片状物质，常见于高温加工后的金属表面，影响外观和性能

类别 6

Scratches

划痕

表面被划伤的痕迹，可能是运输、加工或装配过程中产生的机械损伤

实验结果

优异的性能表现

经过 15 轮训练，模型在验证集上取得优异性能，各项指标均达到工业级标准

训练曲线

各类别性能指标

缺陷类别	精确率	召回率	F1 分数
Crazing	100%	100%	1.00
Inclusion	100%	90%	0.95
Patches	100%	100%	1.00
Pitted_surface	100%	100%	1.00
Rolled-in_scale	100%	100%	1.00
Scratches	91%	100%	0.95

技术栈

业界领先的技术

采用业界领先的深度学习框架和工具，确保系统的稳定性和可扩展性

Python

3.9+

PyTorch

2.8.0

Torchvision

0.23.0

Streamlit

1.50.0

Matplotlib

3.9.4

Scikit-learn

1.6.1

NumPy

2.0.2

ResNet18

ImageNet 预训练

在线演示

实时检测体验

上传工业零件图片，实时检测表面缺陷类型，体验智能检测的便捷与高效

Web 演示界面

基于 Streamlit 构建的交互式 Web 应用，提供直观友好的用户界面

支持 JPG、PNG、BMP 格式图片上传

实时显示检测结果和置信度

概率分布可视化展示

中英文类别名称双语显示

查看源代码

项目文档

完整的技术文档

详细的技术文档和使用指南，帮助您快速了解和使用本系统

课程论文

完整的课程设计论文，包含详细的设计思路、实现步骤和实验结果，适合学术参考

查看论文

PPT 大纲

29 页详细内容，包含演讲时间分配和设计建议，适合课程答辩和展示

查看大纲

打包指南

详细的本地和 GitHub Actions 打包说明，支持多平台应用打包

查看指南

GitHub Actions

自动构建三端可执行文件的配置说明，实现 CI/CD 自动化