🤖 基于深度学习的金属加工表面缺陷自动化视觉检测系统

本项目所有代码均由gemini生成，本人仅进行了参数的调节。

🔗 项目链接速览 (Quick Links)

• GitHub 源代码仓库: 点击访问本项目 GitHub 页面
• 项目完整报告: 点击阅读详细 PDF 报告(作业本体)

📖 项目简介

本项目为《人工智能导论》课程大作业。 针对金属表面缺陷（划痕、斑块、龟裂等）人工质检主观性强、易疲劳、效率低下等痛点，本项目构建了一套基于 YOLOv8n 轻量级架构的自动化视觉检测系统。

在工程实现中，系统将图像降维为单色（灰度图）以降低算力开销。针对极其微弱的缺陷（如龟裂），本项目通过引入重度空间数据增强策略配合 200 轮（Epochs）的长周期迭代，成功激发了轻量级模型的极限特征解码能力，打破了长尾漏检瓶颈。最终量产模型在验证集上的 mAP@0.5 达到 0.742，实现了高精度与低延迟的完美闭环。

⚙️ 环境配置 (Environment)

本项目基于 Python 运行，深度学习框架为 PyTorch，核心算法依赖 Ultralytics 库。 建议在 Conda 虚拟环境中执行以下命令快速安装依赖：

pip install ultralytics
# 如有其他特殊依赖，请执行 pip install -r Code/requirements.txt

🚀 快速运行与实测 (Quick Start)

为方便批阅与验证模型实测效果，请按以下步骤操作：

1. 环境准备： 确保已安装上述依赖，并将终端目录切换至 Code/ 文件夹下。
2. 执行预测： 直接运行 predict.py 脚本，系统将自动调用 Weights/best.pt 权重，对 Test_Images/ 目录下的样本进行检测。

cd Code
python predict.py

📊 核心指标与权重说明

• Weights/best.pt: 这是经过多个版本架构重组与数据消融实验后，在重度增强折磨下锻造出的最终权重。
• 检出性能: 在保持毫秒级推理速度的前提下，模型对显性损伤（如 scratches 划痕）准确率达 97%，并将极具挑战性的隐性微小缺陷（crazing 龟裂）检出率史无前例地拉升至 57%。