【算法介绍】
基于YOLOv9的轴承缺陷检测系统是一种高效、准确且自动化的解决方案,专门设计用于检测机械设备中轴承的缺陷。该系统利用了YOLOv9这一前沿的实时目标检测模型,通过深度学习技术和先进的架构设计,实现了对轴承表面缺陷的快速识别与分类。
YOLOv9结合了通用ELAN(GELAN)架构和可编程梯度信息(PGI),在保持高准确性的同时,显著提升了检测速度和效率。这使得系统能够在复杂的工业环境中,实时处理图像数据,及时检测出轴承的缺陷。
该系统不仅支持对单个轴承图像的检测,还具备摄像头实时检测,视频检测等多种功能。用户可以通过简单的界面操作,轻松上传图像或视频,系统即可自动进行缺陷检测,并实时展示检测结果。
此外,基于YOLOv9的轴承缺陷检测系统还具有良好的可扩展性和鲁棒性,能够适应不同类型和尺寸的轴承检测需求,并在不同环境和条件下保持稳定的识别率。这一系统的应用,将大大提高轴承缺陷检测的准确性和效率,降低人工检查的成本,为工业自动化生产线的质量控制和预测性维护提供有力支持。
【效果展示】
【测试环境】
windows10
anaconda3+python3.8
torch==2.3.0
onnxruntime==1.16.3
【训练数据集信息】
数据集格式:Pascal VOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
图片数量(jpg文件个数):3582
标注数量(xml文件个数):3582
标注数量(txt文件个数):3582
标注类别数:1
标注类别名称(注意yolo格式类别顺序不和这个对应,而以labels文件夹classes.txt为准):["crack"]
每个类别标注的框数:
crack 框数 = 3582
总框数:3582
使用标注工具:labelImg
标注规则:对类别进行画矩形框
重要说明:暂无
特别声明:本数据集不对训练的模型或者权重文件精度作任何保证,数据集只提供准确且合理标注
图片预览:
标注例子(随机抽16张图展示):
【模型可以检测出1类别】
crack
【使用步骤】
(1)首先根据官方框架yolov9安装教程安装好yolov9环境,并安装好pyqt5
(2)切换到自己安装的yolov9环境后,并切换到源码目录,执行python main.py即可运行启动界面,进行相应的操作即可
项目提供文件有:
python源码
yolov9s.onnx模型(不提供pytorch模型)
训练的map,P,R曲线图(在weights\results.png)
测试图片(在test_img文件夹下面)
提供训练的数据集