智慧 缺陷检测-基于YOLO的飞机表面缺陷智能检测系统【python源码Pyqt5界面数据集训练代码】图片文件夹视频摄像头均可本文使用的飞机表面缺陷 数据集共包含 1250 张图片。各类标签的数量分别为Paint Peeling: 2845Dents or Deformation: 572Cracks: 1679Corrosion: 1514Scratches: 567标签类别如下[‘Paint Peeling’, ‘Dents or Deformation’, ‘Cracks’, ‘Corrosion’, ‘Scratches’]基于YOLO飞机表面缺陷智能检测系统一、数据集信息汇总表项目参数详情项目名称飞机表面缺陷目标检测数据集可视化检测系统任务类型2D目标检测YOLO图像总量1250张缺陷类别5类Paint Peeling漆面剥落、Dents or Deformation凹陷变形、Cracks裂纹、Corrosion腐蚀锈蚀、Scratches划痕各类标注数量Paint Peeling2845Dents or Deformation572Cracks1679Corrosion1514Scratches567标注格式YOLO TXT标注格式配套系统功能单张图片检测、文件夹批量检测、视频检测、摄像头实时检测、检测结果表格导出、置信度阈值调节、GPU/CPU推理切换开发环境Python PyQt5 Ultralytics YOLO模型指标整体mAP0.5可达0.988腐蚀Corrosion类别识别精度最优二、数据集yaml配置文件 aircraft_defect.yamlpath:./aircraft_defect_datasettrain:images/trainval:images/valnc:5names:0:Paint Peeling1:Dents or Deformation2:Cracks3:Corrosion4:Scratches三、YOLO训练代码 train_aircraft.pyfromultralyticsimportYOLOdeftrain_aircraft_defect():# 加载YOLOv11s预训练权重也可替换yolov8s.ptmodelYOLO(yolo11s.pt)train_resultmodel.train(data./aircraft_defect_dataset/aircraft_defect.yaml,epochs100,imgsz640,batch12,device0,workers4,lr00.001,augmentTrue,mosaic1.0,patience15,projectruns/train,nameaircraft_surface_defect,exist_okTrue)# 验证模型metricsmodel.val()print(f整体mAP0.5{metrics.box.map50:.4f})if__name____main__:train_aircraft_defect()四、简易PyQt5推理界面核心代码importsysimportcv2fromPyQt5.QtWidgetsimportQApplication,QMainWindow,QPushButton,QWidget,QVBoxLayoutfromultralyticsimportYOLOclassAircraftDetectWindow(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle(飞机表面缺陷检测系统)self.modelYOLO(best.pt)defimage_predict(self,img_path):resultsself.model.predict(sourceimg_path,conf0.25,iou0.45,saveTrue)returnresultsif__name____main__:appQApplication(sys.argv)winAircraftDetectWindow()win.show()sys.exit(app.exec_())五、可直接复制发布文案标题【YOLO飞机表面缺陷检测系统】Python源码PyQt界面数据集训练代码正文基于YOLO的飞机表面缺陷智能检测完整项目配套可视化操作界面支持图片、文件夹批量识别、视频检测、摄像头实时检测检测结果支持导出。✅数据集信息数据集总计1250张图像5类飞机常见表面缺陷漆面剥落、凹陷变形、裂纹、腐蚀锈蚀、划痕标注数量明细Paint Peeling(漆面剥落): 2845Dents or Deformation(凹陷变形): 572Cracks(裂纹): 1679Corrosion(腐蚀锈蚀): 1514Scratches(划痕): 567✅项目配套资源完整数据集、YOLO训练代码、训练权重、PyQt5图形界面源码、项目说明文档、实验报告模板。模型训练效果优秀整体mAP0.5高达0.988可直接用于航空机身巡检、飞机维保智能检测、毕业设计、工业视觉项目二次开发。六、标签关键词#飞机缺陷检测 #YOLO目标检测 #航空表面缺陷识别 #PyQt视觉系统 #机身腐蚀裂纹检测 #计算机视觉毕设 #工业缺陷检测数据集