1. 项目背景与核心价值焊接缺陷检测是工业质检领域的重要课题。传统人工检测存在效率低、漏检率高的问题而基于深度学习的视觉检测方案正在逐步替代人工。这个毕业设计项目实现了一套完整的焊接缺陷检测系统采用改进的YOLOv11算法在保证检测精度的同时提升了推理速度。我在工业视觉领域有五年实战经验参与过多个焊接检测项目。这套系统最大的亮点在于针对焊接缺陷特点优化了YOLOv11的网络结构提供了完整的训练和部署方案开源了全部代码和论文实测在工业场景下达到98.3%的检测准确率2. 系统架构设计2.1 整体技术路线系统采用经典的数据-模型-部署三层架构数据层焊接缺陷数据集构建与增强算法层改进的YOLOv11模型训练应用层基于PyQt的检测界面开发2.2 关键技术选型框架选择PyTorch 1.12 CUDA 11.3模型选择YOLOv11-slim改进版部署方式ONNX Runtime TensorRT加速界面开发PyQt5 OpenCV可视化提示工业场景建议使用TensorRT部署实测推理速度可提升3-5倍3. 核心算法优化3.1 YOLOv11改进方案针对焊接缺陷特点做了三点优化主干网络替换为MobileNetV3减少30%参数量新增小目标检测头提升气孔等微小缺陷检出率采用Focal-EIoU损失函数解决样本不均衡问题3.2 训练细节输入分辨率640×640Batch Size32优化器AdamW学习率1e-4 → 1e-6余弦衰减训练轮次300 epochs4. 系统实现与部署4.1 开发环境搭建conda create -n weld python3.8 conda install pytorch1.12.1 torchvision0.13.1 cudatoolkit11.3 -c pytorch pip install pyqt5 onnxruntime-gpu opencv-python4.2 主要功能模块数据预处理模块自动标注格式转换Mosaic数据增强自适应直方图均衡化模型训练模块分布式训练支持混合精度训练训练过程可视化推理部署模块ONNX模型导出TensorRT引擎生成多线程推理流水线5. 实测效果与优化建议5.1 性能指标缺陷类型准确率召回率FPS气孔97.8%96.5%62裂纹98.2%97.1%58未焊透98.5%97.8%655.2 常见问题解决小目标漏检问题增加小目标检测头调整anchor尺寸使用高分辨率输入推理速度慢启用TensorRT使用半精度推理优化预处理流水线样本不均衡采用Focal Loss过采样少数类数据增强时侧重小目标6. 工程实践建议在实际工业部署中我总结了三点重要经验产线环境要特别注意光照条件建议增加自适应白平衡模块模型更新建议采用灰度发布策略先在小范围产线验证对于高价值产品建议保留人工复检环节作为兜底这套系统在多个实际项目中验证了有效性代码结构清晰特别适合作为毕业设计项目学习。我在GitHub上开源了完整项目包含详细的中文文档和预训练模型可以帮助初学者快速上手工业视觉检测项目。