基于 YOLOv8 的钢铁表面缺陷检测系统
面向钢铁生产表面质量检测场景，基于深度学习目标检测技术实现钢材表面缺陷（裂纹、氧化皮、结疤、划痕等）的自动检测与分类。
角色：算法 / 后端开发 时间：2023.06 – 2023.12
目标检测工业质检计算机视觉
核心亮点
- 基于 YOLOv8 构建钢材表面缺陷检测与分类模型，针对小目标、缺陷类别不均衡问题采用数据增强与损失函数优化，缺陷检测 mAP 提升至 92% 以上
- 使用 OpenCV 进行图像预处理（光照归一化、ROI 裁剪、噪声抑制），提升复杂产线光照与反光环境下的检测稳定性
- 负责 FastAPI 后端接口开发，实现缺陷记录管理、检测结果统计报表及历史数据查询等 REST API
- 基于产线工业相机视频流完成实时推理与缺陷标注可视化，通过 WebSocket 推送异常缺陷预警，支撑质检人员实时复核
项目背景
钢铁生产表面质量检测传统依赖人工目检，效率低且漏检率高。本项目基于深度学习目标检测技术，实现钢材表面缺陷（裂纹、氧化皮、结疤、划痕等）的自动检测与分类，支持图片与产线摄像头实时视频流检测。
我的职责
负责缺陷检测算法的构建与后端接口开发，完成从模型训练到产线实时推理的完整落地。
技术方案
缺陷检测模型
基于 YOLOv8 构建钢材表面缺陷检测与分类模型。针对小目标、缺陷类别不均衡问题，采用数据增强与损失函数优化，将缺陷检测 mAP 提升至 92% 以上。
图像预处理
使用 OpenCV 进行图像预处理（光照归一化、ROI 裁剪、噪声抑制），提升复杂产线光照与反光环境下的检测稳定性。
后端服务
基于 FastAPI 开发后端接口，实现缺陷记录管理、检测结果统计报表及历史数据查询等 REST API。
实时推理与预警
基于产线工业相机视频流完成实时推理与缺陷标注可视化，通过 WebSocket 推送异常缺陷预警，支撑质检人员实时复核。
技术栈
- 后端：Python、FastAPI、MySQL、SQLAlchemy
- AI：YOLOv8、OpenCV、PyTorch
- 实时通信：WebSocket
成果
- 缺陷检测 mAP 提升至 92% 以上
- 实现产线实时缺陷检测与预警，支撑质检人员实时复核
技术栈
PythonFastAPIYOLOv8OpenCVPyTorchMySQLSQLAlchemyWebSocket