企业官网建设流程全解析

基于 YOLO11 的钢材表面六类缺陷智能检测系统

把热轧钢板、冷轧钢板表面的"裂纹、夹杂、麻面、划痕……"这些工业缺陷，从靠老师傅打手电变成镜头一拍就出报表。

一、背景

1.1 行业痛点

钢材是工业制造的"骨头"，但产线上的钢板/钢卷绕不开一件事——表面缺陷。这些缺陷既是质量门槛，也是合规底线：

• 裂纹：轧制应力或冷却不均产生的细长裂纹，关系强度与寿命；
• 夹杂：钢材中的非金属杂质或氧化物，会显著降低疲劳寿命；
• 斑块：成片色差或纹理异常，常见于热轧氧化或表面污染；
• 麻面：密集小坑，多由腐蚀或脱落造成；
• 氧化皮压入：氧化皮被轧辊压进基体，剥落后形成凹坑；
• 划痕：搬运/轧制过程中尖锐物刮擦的线性损伤。

传统的人工目检：

• 工序快、缺陷小，老师傅在线一天看 8 小时眼睛都能看花；
• 不同班组打分口径不一致，质量数据难沉淀；
• 一旦漏检流到下游冲压、焊接环节，返工成本极高。

本项目用 YOLO11n 做"六类钢材表面缺陷"的目标检测，配套 Streamlit 前端，让一线质检员从"打手电+笔记本"变成"上传图片 → 自动出缺陷位置 + 类别 + 风险等级"。

视频演示与源码下载

https://www.bilibili.com/video/BV1rHH96VE57/

包含：
📦完整项目源码
📦预训练模型权重
🗂️数据集

1.2 项目运行效果

1.3 项目介绍

核心创新点：

风险等级（写进 UI 图例与悬浮提示）：

技术栈：

二、设计框架

┌──────────────────────────────────────────────┐ │ 产线相机 / 质检员手机 / 巡检 PAD │ │ 单图 / 批量 / 视频 / 摄像头 │ └──────────────┬───────────────────────────────┘ ▼ HTTP（默认 8501） ┌──────────────────────────────────────────────┐ │ Streamlit 应用 app/streamlit_app.py │ │ ├─ infer_image_path() 单帧推理 │ │ ├─ 类别 → 风险等级（high / medium / low）映射 │ │ └─ render_batch_analysis() 缺陷分布 + 风险图 │ └──────────────┬───────────────────────────────┘ ▼ ultralytics.YOLO ┌──────────────────────────────────────────────┐ │ YOLO11n 推理引擎 │ │ model/best.pt（6 类钢材表面缺陷） │ └──────────────────────────────────────────────┘

YOLO11 网络结构（一图速通）：

输入 640×640 │ ┌───▼──── Backbone（C3k2 + SPPF） ────┐ │ 纹理 / 边缘 / 微小斑点特征提取 │ └───┬───────────────────────────────┘ │ ┌───▼──── Neck（FPN + PAN） ─────────┐ │ 小目标（裂纹/夹杂）+ 大目标（斑块）│ └───┬───────────────────────────────┘ │ ┌───▼── Head（Decoupled + DFL） ─────┐ │ 6 类分类 + DFL 边框回归 │ └───┬───────────────────────────────┘ │ 输出：N×(x1,y1,x2,y2,conf,缺陷类)

为什么选 YOLO11n：钢材缺陷大多是长宽比悬殊的小目标（细长裂纹、点状夹杂、线状划痕），YOLO11 的多尺度特征 + DFL 回归对这种形态非常友好；5MB 级模型也方便下沉到产线边缘 AI 盒子。

检测流程：

钢板图 ──▶ letterbox 640 ──▶ YOLO11n 推理 │ ▼ conf ≥ 0.25 + NMS（IoU 0.7） │ ▼ result.plot() 画框 │ ▼ class_name → 风险等级 → 缺陷位置/严重程度报告

三、代码结构（核心 50 行）

# app/streamlit_app.py（节选）frompathlibimportPathimportstreamlitasst,pandasaspd,yamlfromultralyticsimportYOLO ROOT=Path(__file__).parent.parent MODEL_PATH=ROOT/"model"/"best.pt"CFG=yaml.safe_load(open(ROOT/"configs"/"project.yaml",encoding="utf-8"))APP=CFG.get("app",{})SEVERITY=APP.get("class_severity",{})# ① 风险等级映射@st.cache_resource(show_spinner=False)defload_model(p:str)->YOLO:returnYOLO(p)# ② 缓存权重definfer_image_path(model:YOLO,image_path:Path,conf:float):result=model.predict(str(image_path),conf=conf,verbose=False)[0]# ③ 推理annotated=result.plot()rows=[]ifresult.boxesisnotNone:forboxinresult.boxes:cls_id=int(box.cls.item())x1,y1,x2,y2=[float(v)forvinbox.xyxy[0].tolist()]cls_name=result.names[cls_id]rows.append({"class_name":cls_name,"severity":SEVERITY.get(cls_name,"low"),# ④ 自动打风险等级"confidence":round(float(box.conf.item()),4),"x1":round(x1,1),"y1":round(y1,1),"x2":round(x2,1),"y2":round(y2,1),})returnannotated[:,:,::-1],pd.DataFrame(rows)# ---------- Streamlit 入口 ----------st.set_page_config(page_title=APP.get("title","Steel Defect AI"),layout="wide")conf=st.sidebar.slider("置信度阈值",0.1,0.9,0.25,0.05)model=load_model(str(MODEL_PATH))mode=st.radio("输入类型",["单张图片","批量图片","视频","摄像头"],horizontal=True)ifmode=="单张图片":up=st.file_uploader("上传待检测钢板图片",type=["jpg","jpeg","png","webp","bmp"])ifupisnotNone:annotated,df=infer_image_path(model,Path(up.name),conf)col1,col2=st.columns(2)col1.image(up.getvalue(),caption="原图")col2.image(annotated,caption="检测结果")# 高风险计数high_n=int((df["severity"]=="high").sum())ifnotdf.emptyelse0st.metric("高风险缺陷数",high_n)st.dataframe(df)

5 段解析：

1. SEVERITY—— 把"裂纹/氧化皮压入 = high，夹杂/麻面 = medium，斑块/划痕 = low"做成可配置的字典，业务专家想调整无需动 Python 代码。
2. @st.cache_resource—— Streamlit 会话级缓存权重，刷新页面只加载一次。
3. model.predict(...)[0]—— ultralytics 一行完成 letterbox、NMS、置信度过滤。
4. 在结果 DataFrame 里当场打上 severity 字段，下游"高风险缺陷数"卡片、风险柱状图、CSV 导出全部基于这一字段。
5. st.metric("高风险缺陷数", high_n)—— 把"看几张图能看出来什么"这件事，从图片直接转成数字 KPI，质检主管一眼就能看到产线状态。

四、训练效果

模型基于yolo11n.pt、imgsz=640、batch=16，在 NEU-DET 六类钢材缺陷数据集上训练。

模型在测试集上检测效果良好，可稳定识别裂纹、夹杂、斑块、麻面、氧化皮压入、划痕这六类钢材表面缺陷，已能满足产线初筛、巡检与质检数字化等场景的使用需要。

五、项目总结

做对了什么：

• 任务对齐工业语义：检测结果不止有类名，还自动带"高/中/低"风险等级，直接可对接质检系统的告警与放行规则。
• 轻量 + 边缘友好：5MB 级权重，可导出 ONNX 给产线工业 PC、嵌入式 AI 盒子。
• 配置驱动 UI：类别说明、风险等级、配色等都从configs/project.yaml注入，把"换品类（如铝材表面缺陷）"这件事压成一份 yaml + 一份新权重。

还能怎么做：

1. 同时输出缺陷面积比：基于检测框面积 / 钢板可视区域比例计算"单板缺陷率"，更对得上工业 PPM 指标；
2. 多模态融合：可见光 + 表面轮廓激光 / 红外，对低对比度的氧化皮压入、麻面更稳；
3. 追加缺陷分割：检测框只定位，再叠一个轻量分割头能给出像素级缺陷面积，直接对接退货/降级规则；
4. 数据扩充：加入更多车间真实工况图像，提升模型在不同光照、不同钢种下的鲁棒性。

一句话总结：用 YOLO11n 把"钢板表面缺陷在哪+什么类+多大风险"这套质检小流程跑通，是 5MB 模型撬动一条产线在线质检的典型样例。