摘要传送带作为工业生产中的关键输送设备其表面缺陷的实时检测对于保障生产安全、提高运维效率具有重要意义。针对传统人工检测效率低、易漏检等问题本文基于YOLO26目标检测算法构建了一套传送带缺陷识别检测系统重点识别block堵塞、crack裂纹、foreign异物、hole孔洞四类典型缺陷。实验采用包含2345张图像的自建数据集其中训练集1860张、验证集318张、测试集167张。详细功能展示视频https://www.bilibili.com/video/BV1bzd1BUE6y/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1bzd1BUE6y/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1bzd1BUE6y/引言随着工业自动化水平的不断提升传送带系统在矿山、冶金、港口、制造等领域的应用日益广泛。然而传送带在长期高负荷运行过程中容易出现block堵塞、crack裂纹、foreign异物、hole孔洞等多种类型的表面缺陷。这些缺陷若未能及时发现轻则影响生产效率重则引发设备故障甚至安全事故。传统的人工巡检方式存在主观性强、效率低、实时性差等问题难以满足现代工业对设备状态监测的智能化需求。近年来基于深度学习的目标检测技术在工业缺陷检测领域展现出强大的应用潜力。其中YOLO系列算法因其检测速度快、精度高、部署便捷等优势成为工业视觉检测的热门选择。本文基于YOLO26目标检测框架构建了一套面向传送带表面缺陷的识别检测系统实现对四类关键缺陷的自动识别与定位。通过对自建数据集的训练与验证系统在检测精度和实时性方面均取得了良好效果验证了该方法在工业场景下的可行性与有效性。目录摘要引言详细功能展示视频功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块背景数据集介绍训练结果整体性能评估​编辑1. 总体指标各类别性能分析1. foreign异物2. hole孔洞3. crack裂纹4. block堵塞混淆矩阵分析​编辑训练过程分析results.png​编辑PR曲线与F1曲线​编辑​编辑Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅参数实时调节置信度和IoU阈值✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查背景在现代工业生产过程中传送带系统承担着物料输送的关键职能其运行状态直接影响生产线的连续性与安全性。随着工业规模的扩大和生产节奏的加快传送带面临的工作环境愈发复杂长期处于高负荷、高摩擦、高冲击的运行状态极易产生各类表面缺陷。常见的传送带缺陷主要包括以下几类一是block堵塞通常由物料堆积或机械卡滞引起可能导致传送带停转或电机过载二是crack裂纹多由长期疲劳、老化或外力冲击造成若不及时处理裂纹会逐步扩展最终导致传送带断裂三是foreign异物如金属碎片、石块等意外落入传送带表面或内部可能划伤传送带或损坏托辊四是hole孔洞通常由局部磨损、腐蚀或外力穿刺形成严重影响传送带的承载能力和密封性。传统上企业对传送带缺陷的检测主要依赖人工巡检即由经验丰富的运维人员定期沿传送带线路进行目视检查。然而这种方式存在诸多局限性首先人工巡检难以实现全天候、全覆盖的监测尤其在长距离、高架或封闭式传送带场景下巡检难度大、安全风险高其次人工检测受主观因素影响较大不同人员之间的判断标准不一容易出现漏检或误判再次随着传送带运行速度的提升微小缺陷在高速运动中难以被及时发现往往在缺陷扩大后才被察觉导致维修成本上升、停机时间延长。为解决上述问题近年来基于机器视觉的自动检测方法逐步成为研究热点。借助工业相机实时采集传送带表面图像结合图像处理与深度学习算法实现对缺陷的自动识别与定位已成为工业智能运维的重要发展方向。其中YOLO系列目标检测算法以其端到端、高实时性、高精度的特点在工业缺陷检测领域得到了广泛应用。相较于传统图像处理方法YOLO能够同时完成缺陷的分类与定位且对复杂背景具有较强的鲁棒性能够适应传送带表面光照变化、纹理复杂等实际工况。因此构建一套基于YOLO26的传送带缺陷识别检测系统不仅能够有效替代传统人工巡检方式提升检测效率与准确性还能为工业设备的预测性维护提供数据支撑具有显著的理论研究价值和工程应用前景。数据集介绍本研究所使用的数据集为自建的传送带表面缺陷图像数据集数据集共包含2345张图像按照7:1.2:0.8的比例划分为训练集、验证集和测试集其中训练集1860张验证集318张测试集167张。数据集的构建充分考虑了实际工业场景的多样性确保模型在训练过程中能够学习到丰富的特征表达。数据集共标注四类典型传送带缺陷类别名称及对应的中英文说明如下类别名称中文名称说明block堵塞物料堆积或机械卡滞导致的传送带运行受阻crack裂纹传送带表面或边缘出现的线性断裂痕迹foreign异物混入传送带表面的外部物体如金属、石块等hole孔洞传送带表面形成的穿透性或非穿透性空洞在数据标注方面采用矩形框对每张图像中的缺陷目标进行精确标注共标注有效缺陷实例数量为训练集XX个根据实际补充验证集1697个测试集XX个。各类别的样本分布情况如下block训练集中占比最高为最常见的缺陷类型验证集中包含1069个实例crack样本数量相对较少验证集中包含140个实例裂纹形态多样部分与背景纹理相似检测难度较高foreign样本数量中等验证集中包含368个实例异物形态与背景差异明显检测效果较好hole样本数量最少验证集中包含120个实例孔洞边缘清晰易于识别。训练结果整体性能评估1.总体指标mAP50: 0.724mAP50-95: 0.42精确率Precision: 0.789召回率Recall: 0.666总体来看模型在缺陷检测上具备较好的识别能力尤其在精确率上表现良好说明误检率较低。但召回率略低存在一定漏检情况。各类别性能分析类别精确率召回率mAP50mAP50-95样本数block0.8550.4310.5710.3151069crack0.7230.6430.6560.363140foreign0.780.8480.8750.614368hole0.7980.7420.7930.3871201.foreign异物表现最好mAP50高达0.875召回率也最高0.848说明模型对该类缺陷识别能力强。2.hole孔洞表现良好mAP50为0.793精确率和召回率均衡样本量虽少但识别稳定。3.crack裂纹中等表现mAP50为0.656召回率尚可。4.block堵塞表现最差召回率仅0.431mAP50为0.571。虽然精确率较高但漏检多说明模型对该类缺陷不敏感。混淆矩阵分析从归一化混淆矩阵可以看出crack与block之间存在一定混淆可能与缺陷形态相似有关。foreign和hole分类较为清晰误检较少。background被误判为各类缺陷的情况较少说明模型背景抑制能力尚可。训练过程分析results.png训练损失box_loss、cls_loss、dfl_loss稳步下降未见明显震荡说明模型收敛良好。验证损失同步下降未见明显过拟合。精确率和召回率在训练后期趋于稳定模型已达到较好平衡。PR曲线与F1曲线PR曲线显示foreign类在较高召回率下仍保持高精确率表现优异。hole和crack的PR曲线较为平滑说明分类边界清晰。block的PR曲线明显偏低表明模型对其区分能力不足。F1曲线中foreign和hole在较高置信度下仍保持良好F1值block整体偏低。Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集​成残差对数似然估计​(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码详细功能展示视频https://www.bilibili.com/video/BV1bzd1BUE6y/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1bzd1BUE6y/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1bzd1BUE6y/