基于YOLOv11的风力叶片缺陷识别检测系统（YOLOv11深度学习+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

一、项目介绍

随着风力发电的快速发展，风力叶片作为核心部件，其表面缺陷的检测对保障机组安全运行至关重要。传统人工检测方法效率低且易受主观因素影响，而基于深度学习的智能检测技术能够显著提升缺陷识别的准确性和效率。本文提出了一种基于YOLOv11的风力叶片缺陷检测系统，针对7类常见缺陷（燃烧、裂纹、变形、污渍、油渍、剥落、锈蚀）进行自动化识别。系统采用包含3898张训练图像、380张验证图像和189张测试图像的数据集进行模型训练，并结合用户友好的UI界面与登录注册功能，实现了缺陷检测的便捷化与可视化。实验结果表明，该系统在测试集上表现优异，能够高效、精准地识别多种叶片缺陷，为风力发电设备的智能运维提供了可靠解决方案。

引言

风力发电作为清洁能源的重要组成部分，其设备可靠性直接关系到发电效率与运营成本。风力叶片长期暴露在复杂环境中，易产生燃烧、裂纹、变形等缺陷，若不及时检测与修复，可能导致严重事故。传统检测依赖人工巡检或无人机拍摄后人工分析，存在成本高、效率低、漏检率高等问题。近年来，基于深度学习的目标检测技术（如YOLO系列模型）在工业缺陷检测中展现出显著优势，但其在风力叶片多类别缺陷识别中的应用仍有待深入探索。

本文基于YOLOv11算法，设计了一套端到端的风力叶片缺陷检测系统。通过构建包含7类缺陷（燃烧、裂纹、变形、污渍、油渍、剥落、锈蚀）的标注数据集（总计4467张图像），结合数据增强与迁移学习策略优化模型性能。系统进一步集成Python开发的交互式UI界面，支持用户登录、图像上传、实时检测及结果可视化功能，降低了技术使用门槛。实验验证表明，该系统在测试集上实现了高精度检测，为风力叶片的智能化运维提供了高效工具。本研究不仅推动了YOLOv11在工业场景的落地应用，也为其他复杂表面的缺陷检测提供了技术参考。

目录

一、项目介绍

引言

二、项目功能展示

2.1 用户登录系统

2.2 检测功能

2.3 检测结果显示

2.4 参数配置

2.5 其他功能

3. 技术特点

4. 系统流程

三、数据集介绍

1. 数据集组成

数据集配置文件

四、项目环境配置

创建虚拟环境

安装所需要库

五、模型训练

训练代码

训练结果

六、核心代码

🔐登录注册验证

🎯 多重检测模式

🖼️ 沉浸式可视化

⚙️ 参数配置系统

✨ UI美学设计

🔄 智能工作流

七、项目源码（视频简介）

基于深度学习YOLOv11的风力叶片缺陷识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili

二、项目功能展示

✅ 用户登录注册：支持密码检测和安全性验证。

✅ 三种检测模式：基于YOLOv11模型，支持图片、视频和实时摄像头三种检测，精准识别目标。

✅ 双画面对比：同屏显示原始画面与检测结果。

✅ 数据可视化：实时表格展示检测目标的类别、置信度及坐标。

✅智能参数调节：提供置信度滑块，动态优化检测精度，适应不同场景需求。

✅科幻风交互界面：深色主题搭配动态光效，减少视觉疲劳，提升操作体验。

✅多线程高性能架构：独立检测线程保障流畅运行，实时状态提示，响应迅速无卡顿。

2.1 用户登录系统

• 提供用户登录和注册功能

• 用户名和密码验证

• 账户信息本地存储(accounts.json)

• 密码长度至少6位的安全要求

2.2 检测功能

• 图片检测：支持JPG/JPEG/PNG/BMP格式图片的火焰烟雾检测

• 视频检测：支持MP4/AVI/MOV格式视频的逐帧检测

• 摄像头检测：实时摄像头流检测(默认摄像头0)

• 检测结果保存到"results"目录

2.3 检测结果显示

• 显示原始图像和检测结果图像

• 检测结果表格展示，包含：

  • 检测到的类别

  • 置信度分数

  • 物体位置坐标(x,y)、

2.4 参数配置

• 模型选择

• 置信度阈值调节(0-1.0)

• IoU(交并比)阈值调节(0-1.0)

• 实时同步滑块和数值输入框

2.5 其他功能

• 检测结果保存功能

• 视频检测时自动保存结果视频

• 状态栏显示系统状态和最后更新时间

• 无边框窗口设计，可拖动和调整大小

3. 技术特点

• 采用多线程处理检测任务，避免界面卡顿

• 精美的UI设计，具有科技感的视觉效果：

  • 发光边框和按钮

  • 悬停和按下状态效果

  • 自定义滑块、表格和下拉框样式

• 检测结果保存机制

• 响应式布局，适应不同窗口大小

4. 系统流程

1. 用户登录/注册

2. 选择检测模式(图片/视频/摄像头)

3. 调整检测参数(可选)

4. 开始检测并查看结果

5. 可选择保存检测结果

6. 停止检测或切换其他模式

三、数据集介绍

本系统采用的风力叶片缺陷检测数据集共包含4,467 张高质量图像，涵盖7 类常见缺陷，包括燃烧（burning）、裂纹（crack）、变形（deformity）、污渍（dirt）、油渍（oil）、剥落（peeling）、锈蚀（rusty）。数据集经过严格标注，采用YOLO 格式（每张图像对应一个.txt文件，存储归一化后的边界框坐标及类别标签），并划分为训练集、验证集和测试集，确保模型训练的科学性和泛化能力。

1. 数据集组成

数据集配置文件

数据集采用标准化YOLO格式组织：

train: F:\风力叶片检测数据集\train val: F:\风力叶片检测数据集\valid test: F:\风力叶片检测数据集\test nc: 7 names: ['burning', 'crack', 'deformity', 'dirt', 'oil', 'peeling', 'rusty']

四、项目环境配置

创建虚拟环境

首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。

终端输入

conda create -n yolov11 python==3.9

激活虚拟环境

conda activate yolov11

安装cpu版本pytorch

pip install torch torchvision torchaudio

安装所需要库

pip install -r requirements.txt

pycharm中配置anaconda

五、模型训练

训练代码

from ultralytics import YOLO model_path = 'yolo11s.pt' data_path = 'data.yaml' if __name__ == '__main__': model = YOLO(model_path) results = model.train(data=data_path, epochs=100, batch=8, device='0', workers=0, project='runs', name='exp', )

根据实际情况更换模型 # yolov11n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 # yolov11s.yaml (small)：小模型，适合实时任务。 # yolov11m.yaml (medium)：中等大小模型，兼顾速度和精度。 # yolov11b.yaml (base)：基本版模型，适合大部分应用场景。 # yolov11l.yaml (large)：大型模型，适合对精度要求高的任务。

• --batch 8：每批次8张图像。
• --epochs 100：训练100轮。
• --datasets/data.yaml：数据集配置文件。
• --weights yolov11s.pt：初始化模型权重，yolov11s.pt是预训练的轻量级YOLO模型。

训练结果

六、核心代码

import sys import cv2 import numpy as np from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog from PyQt5.QtCore import QThread, pyqtSignal from ultralytics import YOLO from UiMain import UiMainWindow import time import os from PyQt5.QtWidgets import QDialog from LoginWindow import LoginWindow class DetectionThread(QThread): frame_received = pyqtSignal(np.ndarray, np.ndarray, list) # 原始帧, 检测帧, 检测结果 finished_signal = pyqtSignal() # 线程完成信号 def __init__(self, model, source, conf, iou, parent=None): super().__init__(parent) self.model = model self.source = source self.conf = conf self.iou = iou self.running = True def run(self): try: if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')): # 视频或摄像头 cap = cv2.VideoCapture(self.source) while self.running and cap.isOpened(): ret, frame = cap.read() if not ret: break # 保存原始帧 original_frame = frame.copy() # 检测 results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot() # 提取检测结果 detections = [] for result in results: for box in result.boxes: class_id = int(box.cls) class_name = self.model.names[class_id] confidence = float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) # 发送信号 self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) # 控制帧率 time.sleep(0.03) # 约30fps cap.release() else: # 图片 frame = cv2.imread(self.source) if frame is not None: original_frame = frame.copy() results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot() # 提取检测结果 detections = [] for result in results: for box in result.boxes: class_id = int(box.cls) class_name = self.model.names[class_id] confidence = float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) except Exception as e: print(f"Detection error: {e}") finally: self.finished_signal.emit() def stop(self): self.running = False class MainWindow(UiMainWindow): def __init__(self): super().__init__() # 初始化模型 self.model = None self.detection_thread = None self.current_image = None self.current_result = None self.video_writer = None self.is_camera_running = False self.is_video_running = False self.last_detection_result = None # 新增：保存最后一次检测结果 # 连接按钮信号 self.image_btn.clicked.connect(self.detect_image) self.video_btn.clicked.connect(self.detect_video) self.camera_btn.clicked.connect(self.detect_camera) self.stop_btn.clicked.connect(self.stop_detection) self.save_btn.clicked.connect(self.save_result) # 初始化模型 self.load_model() def load_model(self): try: model_name = self.model_combo.currentText() self.model = YOLO(f"{model_name}.pt") # 自动下载或加载本地模型 self.update_status(f"模型 {model_name} 加载成功") except Exception as e: QMessageBox.critical(self, "错误", f"模型加载失败: {str(e)}") self.update_status("模型加载失败") def detect_image(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)") if file_path: self.clear_results() self.current_image = cv2.imread(file_path) self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB) self.display_image(self.original_image_label, self.current_image) # 创建检测线程 conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测图片: {os.path.basename(file_path)}") def detect_video(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return file_path, _ = QFileDialog.getOpenFileName( self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)") if file_path: self.clear_results() self.is_video_running = True # 初始化视频写入器 cap = cv2.VideoCapture(file_path) frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) fps = cap.get(cv2.CAP_PROP_FPS) cap.release() # 创建保存路径 save_dir = "results" os.makedirs(save_dir, exist_ok=True) timestamp = time.strftime("%Y%m%d_%H%M%S") save_path = os.path.join(save_dir, f"result_{timestamp}.mp4") fourcc = cv2.VideoWriter_fourcc(*'mp4v') self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height)) # 创建检测线程 conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测视频: {os.path.basename(file_path)}") def detect_camera(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return self.clear_results() self.is_camera_running = True # 创建检测线程 (默认使用摄像头0) conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, 0, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status("正在从摄像头检测...")

🔐登录注册验证

对应文件：LoginWindow.py

# 账户验证核心逻辑 def handle_login(self): username = self.username_input.text().strip() password = self.password_input.text().strip() if not username or not password: QMessageBox.warning(self, "警告", "用户名和密码不能为空！") return if username in self.accounts and self.accounts[username] == password: self.accept() # 验证通过 else: QMessageBox.warning(self, "错误", "用户名或密码错误！") # 密码强度检查（注册时） def handle_register(self): if len(password) < 6: # 密码长度≥6位 QMessageBox.warning(self, "警告", "密码长度至少为6位！")

🎯多重检测模式

对应文件：main.py

图片检测

def detect_image(self): file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)") if file_path: self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.start() # 启动检测线程

视频检测

def detect_video(self): file_path, _ = QFileDialog.getOpenFileName( self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)") if file_path: self.video_writer = cv2.VideoWriter() # 初始化视频写入器 self.detection_thread = DetectionThread(self.model, file_path, conf, iou)

实时摄像头

def detect_camera(self): self.detection_thread = DetectionThread(self.model, 0, conf, iou) # 摄像头设备号0 self.detection_thread.start()

🖼️沉浸式可视化

对应文件：UiMain.py

双画面显示

def display_image(self, label, image): q_img = QImage(image.data, w, h, bytes_per_line, QImage.Format_RGB888) pixmap = QPixmap.fromImage(q_img) label.setPixmap(pixmap.scaled(label.size(), Qt.KeepAspectRatio)) # 自适应缩放

结果表格

def add_detection_result(self, class_name, confidence, x, y): self.results_table.insertRow(row) items = [ QTableWidgetItem(class_name), # 类别列 QTableWidgetItem(f"{confidence:.2f}"), # 置信度 QTableWidgetItem(f"{x:.1f}"), # X坐标 QTableWidgetItem(f"{y:.1f}") # Y坐标 ]

⚙️参数配置系统

对应文件：UiMain.py

双阈值联动控制

# 置信度阈值同步 def update_confidence(self, value): confidence = value / 100.0 self.confidence_spinbox.setValue(confidence) # 滑块→数值框 self.confidence_label.setText(f"置信度阈值: {confidence:.2f}") # IoU阈值同步 def update_iou(self, value): iou = value / 100.0 self.iou_spinbox.setValue(iou)

✨UI美学设计

对应文件：UiMain.py

科幻风格按钮

def create_button(self, text, color): return f""" QPushButton {{ border: 1px solid {color}; color: {color}; border-radius: 6px; }} QPushButton:hover {{ background-color: {self.lighten_color(color, 10)}; box-shadow: 0 0 10px {color}; # 悬停发光效果 }} """

动态状态栏

def update_status(self, message): self.status_bar.showMessage( f"状态: {message} | 最后更新: {time.strftime('%H:%M:%S')}" # 实时时间戳 )

🔄智能工作流

对应文件：main.py

线程管理

class DetectionThread(QThread): frame_received = pyqtSignal(np.ndarray, np.ndarray, list) # 信号量通信 def run(self): while self.running: # 多线程检测循环 results = self.model(frame, conf=self.conf, iou=self.iou) self.frame_received.emit(original_frame, result_frame, detections)

七、项目源码（视频简介）

基于深度学习YOLOv11的风力叶片缺陷识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili