基于深度学习YOLOv10的钢铁腐蚀生锈检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

一、项目介绍

摘要

本项目基于YOLOv10目标检测算法，开发了一套高精度的钢铁腐蚀生锈智能检测系统，专注于识别金属表面的腐蚀区域（Corrosion）。该系统在数据集上进行训练与优化，能够自动检测钢铁结构（如桥梁、管道、船舶、建筑钢结构等）的锈蚀情况，为工业检测、基础设施维护和预防性维修提供智能化解决方案。

本系统可部署于无人机、工业机器人或固定监控设备，实现实时腐蚀检测，帮助工程师快速定位锈蚀区域，评估结构健康状况，并制定精准维护计划，从而延长金属结构寿命，降低安全隐患。

项目意义

钢铁腐蚀是工业设施、桥梁、船舶等金属结构的主要退化形式，严重影响结构安全和使用寿命。传统的人工检测方式效率低、成本高，且难以覆盖大面积结构。本项目的实施具有以下重要意义：

1. 提升工业安全：

   • 通过AI自动检测锈蚀区域，减少人工检查的漏检率，预防因金属腐蚀导致的结构失效事故（如桥梁坍塌、管道泄漏）。

   • 可集成到实时监测系统中，对高风险区域进行长期跟踪，提前预警腐蚀恶化趋势。

2. 降低维护成本：

   • 替代人工高空作业或高风险环境检测，减少人力成本和安全事故风险。

   • 通过自动化分析锈蚀程度，优化维修优先级，避免过度维护或维修延误。

3. 支持智能工业检测：

   • 为无人机巡检（UAV）和爬行机器人（Crawler Robot）提供核心检测算法，实现无人化检测。

   • 结合数字孪生（Digital Twin）技术，建立金属结构的腐蚀演化模型，预测剩余寿命。

4. 标准化腐蚀评估：

   • 提供客观、量化的锈蚀检测标准，减少人工评估的主观误差。

   • 推动AI在工业检测（NDT, Non-Destructive Testing）领域的应用，促进智能化升级。

目录

一、项目介绍

摘要

项目意义

二、项目功能展示

系统功能

图片检测

视频检测

摄像头实时检测

三、数据集介绍

数据集概述

数据集特点

数据集配置文件

数据集制作流程

四、项目环境配置

创建虚拟环境

pycharm中配置anaconda

安装所需要库

五、模型训练

训练代码

训练结果

六、核心代码

七、项目源码（视频下方简介内）

基于深度学习YOLOv10的钢铁腐蚀生锈检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili

二、项目功能展示

系统功能

✅图片检测：可对图片进行检测，返回检测框及类别信息。

✅视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅摄像头实时检测：连接USB 摄像头，实现实时监测。

✅参数实时调节（置信度和IoU阈值）

• 图片检测

该功能允许用户通过单张图片进行目标检测。输入一张图片后，YOLO模型会实时分析图像，识别出其中的目标，并在图像中框出检测到的目标，输出带有目标框的图像。

• 视频检测

视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频，并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示，适用于视频监控和分析等场景。

• 摄像头实时检测

该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测，实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用，提供即时反馈。

核心特点：

• 高精度：基于YOLO模型，提供精确的目标检测能力，适用于不同类型的图像和视频。
• 实时性：特别优化的算法使得实时目标检测成为可能，无论是在视频还是摄像头实时检测中，响应速度都非常快。
• 批量处理：支持高效的批量图像和视频处理，适合大规模数据分析。

三、数据集介绍

数据集概述

本系统采用专门采集的钢铁腐蚀数据集，共包含600张高分辨率图像，涵盖不同金属材质、腐蚀程度和环境条件。数据集划分如下：

• 训练集：450张（用于模型训练）

• 验证集：120张（用于超参数调优）

• 测试集：30张（用于最终性能评估）

所有图像均采用YOLO标注格式（每张图像对应一个.txt文件，存储归一化边界框坐标和类别标签）。

数据集特点

1. 腐蚀形态多样：

   • 均匀腐蚀：大面积锈蚀，表面颜色变化明显。

   • 点蚀（Pitting）：局部深度腐蚀，形成小孔。

   • 缝隙腐蚀：金属接缝处的锈蚀。

   • 电化学腐蚀：因不同金属接触导致的腐蚀。

2. 场景覆盖全面：

   • 不同材质：碳钢、不锈钢、镀锌钢等。

   • 不同环境：户外（受雨水、盐雾影响）、工业环境（化工厂、海上平台）、密闭空间（管道内部）。

   • 不同光照：自然光、低光照、强反射（金属表面反光干扰）。

3. 挑战性样本：

   • 微小腐蚀点（需高分辨率检测）。

   • 复杂背景干扰（如油漆剥落、污渍、锈迹与背景颜色相近）。

   • 遮挡情况（如部分锈蚀被灰尘、油污覆盖）。

数据集配置文件

数据集采用YAML配置文件，结构如下：

# yolov10_steel_corrosion.yaml path: ../datasets/steel_corrosion train: images/train val: images/val test: images/test nc: 1 names: ['Corrosion']

数据集制作流程

1. 数据采集：

   • 使用工业级高清相机拍摄金属结构表面（如桥梁、管道、储罐）。

   • 从公开数据集（如Rust-Detection Dataset）补充部分样本。

   • 模拟不同环境（高湿度、盐雾、酸性环境）进行数据增强。

2. 数据清洗：

   • 剔除模糊、过曝或无关的图像。

   • 确保腐蚀区域在图像中清晰可见，避免标注歧义。

3. 数据标注：

   • 使用LabelImg或CVAT工具，手动标注腐蚀区域边界框。

   • 每张图像由两名专业标注员独立标注，并通过交叉验证确保一致性。

4. 数据增强：

   • 几何变换（旋转、缩放、裁剪）模拟不同视角。

   • 光度调整（调整亮度、对比度、添加噪声）增强模型鲁棒性。

   • 模拟环境干扰（如添加水滴、油渍、阴影）提高泛化能力。

5. 格式转换：

   • 将标注转换为YOLO格式（class_id x_center y_center width height）。

   • 生成数据集配置文件，并校验数据完整性。

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 yolov10 python==3.9

激活虚拟环境

conda activate yolov10

安装cpu版本pytorch

pip install torch torchvision torchaudio

pycharm中配置anaconda

安装所需要库

pip install -r requirements.txt

五、模型训练

训练代码

from ultralytics import YOLOv10 model_path = 'yolov10s.pt' data_path = 'datasets/data.yaml' if __name__ == '__main__': model = YOLOv10(model_path) results = model.train(data=data_path, epochs=500, batch=64, device='0', workers=0, project='runs/detect', name='exp', )

根据实际情况更换模型 yolov10n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 yolov10s.yaml (small)：小模型，适合实时任务。 yolov10m.yaml (medium)：中等大小模型，兼顾速度和精度。 yolov10b.yaml (base)：基本版模型，适合大部分应用场景。 yolov10l.yaml (large)：大型模型，适合对精度要求高的任务。

• --batch 64：每批次64张图像。
• --epochs 500：训练500轮。
• --datasets/data.yaml：数据集配置文件。
• --weights yolov10s.pt：初始化模型权重，yolov10s.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 YOLOv10 from UiMain import UiMainWindow import time import os 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 = YOLOv10(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...") def stop_detection(self): if self.detection_thread and self.detection_thread.isRunning(): self.detection_thread.stop() self.detection_thread.quit() self.detection_thread.wait() if self.video_writer: self.video_writer.release() self.video_writer = None self.is_camera_running = False self.is_video_running = False self.update_status("检测已停止") def on_frame_received(self, original_frame, result_frame, detections): # 更新原始图像和结果图像 self.display_image(self.original_image_label, original_frame) self.display_image(self.result_image_label, result_frame) # 保存当前结果帧用于后续保存 self.last_detection_result = result_frame # 新增：保存检测结果 # 更新表格 self.clear_results() for class_name, confidence, x, y in detections: self.add_detection_result(class_name, confidence, x, y) # 保存视频帧 if self.video_writer: self.video_writer.write(cv2.cvtColor(result_frame, cv2.COLOR_RGB2BGR)) def on_detection_finished(self): if self.video_writer: self.video_writer.release() self.video_writer = None self.update_status("视频检测完成，结果已保存") elif self.is_camera_running: self.update_status("摄像头检测已停止") else: self.update_status("图片检测完成") def save_result(self): if not hasattr(self, 'last_detection_result') or self.last_detection_result is None: QMessageBox.warning(self, "警告", "没有可保存的检测结果") return save_dir = "results" os.makedirs(save_dir, exist_ok=True) timestamp = time.strftime("%Y%m%d_%H%M%S") if self.is_camera_running or self.is_video_running: # 保存当前帧为图片 save_path = os.path.join(save_dir, f"snapshot_{timestamp}.jpg") cv2.imwrite(save_path, cv2.cvtColor(self.last_detection_result, cv2.COLOR_RGB2BGR)) self.update_status(f"截图已保存: {save_path}") else: # 保存图片检测结果 save_path = os.path.join(save_dir, f"result_{timestamp}.jpg") cv2.imwrite(save_path, cv2.cvtColor(self.last_detection_result, cv2.COLOR_RGB2BGR)) self.update_status(f"检测结果已保存: {save_path}") def closeEvent(self, event): self.stop_detection() event.accept() if __name__ == "__main__": app = QApplication(sys.argv) # 设置应用程序样式 app.setStyle("Fusion") # 创建并显示主窗口 window = MainWindow() window.show() sys.exit(app.exec_())

七、项目源码（视频下方简介内）

完整全部资源文件（包括测试图片、视频，py文件，训练数据集、训练代码、界面代码等），这里已打包上传至博主的面包多平台，见可参考博客与视频，已将所有涉及的文件同时打包到里面，点击即可运行，完整文件截图如下：

基于深度学习YOLOv10的钢铁腐蚀生锈检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili