象元AI边缘工业缺陷检测系统

检测模式选择

单张图片缺陷检测摄像头实时检测

拖拽图片到此处或点击上传

支持 JPG/PNG 格式，最大 10MB

AI检测结果

请选择图片或开启摄像头进行检测

检测结果可视化

等待检测结果...

6类工业缺陷说明

缺陷编号	缺陷名称	缺陷说明
01	裂纹 (crazing)	钢材表面出现的细微裂纹，通常由材料疲劳或应力引起
02	夹杂物 (inclusion)	冶炼过程中残留的非金属杂质，影响钢材纯度
03	斑块 (patches)	表面出现的不规则颜色斑块，可能是氧化或腐蚀
04	点蚀 (pitted_surface)	表面出现的点状腐蚀坑，由电化学腐蚀引起
05	氧化皮 (rolled-in_scale)	轧制过程中卷入的氧化铁皮，影响表面质量
06	划痕 (scratches)	加工或运输过程中产生的表面划痕损伤

边缘端开发板部署全流程演示

对应比赛要求的边缘部署环节

部署进度 0/5 步骤完成

模型文件准备

未完成

准备部署所需的模型文件和配置文件

model/
├── inference_model.json      # 模型配置文件
├── inference_model.pdiparams # 模型权重文件
├── resnet50_neu_best.pdparams # 预训练权重
├── lite_inference_model.json # 轻量化模型配置
└── lite_inference_model.pdiparams # 轻量化权重

开发板环境搭建

未完成

在边缘开发板上安装必要的依赖环境

# 更新系统
sudo apt-get update && sudo apt-get upgrade -y

# 安装Python环境
sudo apt-get install python3 python3-pip -y

# 安装PaddlePaddle Lite
pip3 install paddlelite

# 安装依赖库
pip3 install opencv-python numpy pillow

文件传输到开发板

未完成

将模型文件和代码传输到边缘开发板指定目录

传输命令

scp -r model/ pi@192.168.1.100:/home/pi/

目标路径

/home/pi/model/

文件夹结构

开发板文件结构

单张图片测试

未完成

测试单张图片的缺陷检测功能

# 运行单张图片检测
python3 defect_detect.py \
  --model_path=./model/ \
  --image_path=./test.jpg \
  --output_path=./result/

测试结果截图

实时检测演示

未完成

启动摄像头实时检测功能，演示边缘端推理效果

# 启动实时检测
python3 lite_defect_detect.py \
  --model_path=./model/lite_inference_model \
  --camera_id=0 \
  --threshold=0.8

实时画面

检测结果输出

缺陷类型: crazing

置信度: 0.95

耗时: 120ms

最佳验证准确率

99.5%

较上一版本提升 1.3%

模型体积

24 MB

轻量化前 98 MB

单帧推理速度

105 ms

较上一版本提升 12.5%

支持缺陷类别

6 类

覆盖 NEU 数据集全部类别

模型训练过程指标变化

6类缺陷检测准确率分布

历史检测记录

序号	图片缩略图	缺陷类别	置信度	检测时间	操作
暂无检测记录

显示 0-0 条，共 0 条记录

第 1/1 页

项目背景

本项目基于NEU钢材表面缺陷数据集，使用ResNet50深度学习模型进行训练，实现6类工业缺陷的自动检测。由于比赛要求部署到边缘设备，但受限于硬件条件，本平台提供1:1仿真模拟，完整复现边缘端的检测流程。

核心优势

• 轻量化模型：模型体积从98MB压缩至24MB，适合边缘部署
• 实时推理：单帧推理时间120ms，满足实时检测要求
• 高准确率：验证集准确率98.2%，覆盖6类缺陷
• 完整部署流程：提供从模型准备到实时检测的完整指南

工业应用场景

本系统可应用于钢铁生产线上的自动化质量检测，替代人工肉眼检测，提高检测效率和准确性，降低生产成本。

比赛适配说明

本平台完全按照比赛要求设计，包含单张图片检测、摄像头实时检测、模型部署流程演示等核心功能，满足答辩演示需求。

单张图片检测操作步骤

在「仿真检测中心」页面，确保选中「单张图片缺陷检测」模式
点击或拖拽图片到上传区域，支持JPG/PNG格式，最大10MB
上传成功后，点击「开始检测」按钮
等待检测流程完成，查看右侧结果展示区的检测结果
可点击「保存结果图片」或「导出检测报告」保存结果

摄像头实时检测操作步骤

在「仿真检测中心」页面，选中「摄像头实时检测」模式
点击「打开摄像头」按钮，允许浏览器访问摄像头
（可选）从下拉框选择要模拟的缺陷类别
点击「开始实时检测」按钮，系统每500ms进行一帧检测
点击「截图保存」可保存当前检测画面
点击「停止检测」结束实时检测

部署流程演示方法

切换到「部署流程演示」页面
按照步骤顺序点击每个步骤的操作按钮
完成的步骤会自动标记，并更新顶部进度条
所有步骤完成后显示「部署流程演示完成」

摄像头权限无法开启

请检查浏览器设置，确保已允许网站访问摄像头。在Chrome浏览器中，可点击地址栏左侧的锁图标，检查摄像头权限是否已启用。

模型准确率说明

本系统展示的检测结果为模拟推理结果，真实模型的准确率为98.2%。实际部署时，准确率可能受光照、角度等因素影响。

开发板部署报错

请确保开发板已正确安装依赖环境，模型文件路径正确，且开发板具有足够的存储空间。如仍有问题，请检查网络连接和文件传输完整性。

检测结果异常

检测结果受图片质量、光线条件、缺陷位置等因素影响。建议使用清晰、光照均匀的图片进行检测。

文件名	文件说明	提交要求
defect_detect.py	单张图片检测脚本	必须提交
inference_model.json	模型配置文件	必须提交
inference_model.pdiparams	模型权重文件	必须提交
resnet50_neu_best.pdparams	预训练权重	必须提交
lite_defect_detect.py	轻量化实时检测脚本	必须提交
lite_inference_model.json	轻量化模型配置	必须提交
lite_inference_model.pdiparams	轻量化模型权重	必须提交
train.py	训练脚本	建议提交

象元AI边缘工业缺陷检测系统

检测模式选择

AI检测结果

检测结果可视化

6类工业缺陷说明

边缘端开发板部署全流程演示

模型文件准备

开发板环境搭建

文件传输到开发板

单张图片测试

实时检测演示

模型训练过程指标变化

6类缺陷检测准确率分布

历史检测记录

项目介绍

项目背景

核心优势

工业应用场景

比赛适配说明

仿真平台操作手册

单张图片检测操作步骤

摄像头实时检测操作步骤

部署流程演示方法

常见问题解答

摄像头权限无法开启

模型准确率说明

开发板部署报错

检测结果异常

比赛提交文件清单

检测模式选择

AI检测结果

检测结果可视化

6类工业缺陷说明

边缘端开发板部署全流程演示

模型文件准备

开发板环境搭建

文件传输到开发板

单张图片测试

实时检测演示

模型训练过程指标变化

6类缺陷检测准确率分布

历史检测记录

项目介绍

项目背景

核心优势

工业应用场景

比赛适配说明

仿真平台操作手册

单张图片检测操作步骤

摄像头实时检测操作步骤

部署流程演示方法

常见问题解答

摄像头权限无法开启

模型准确率说明

开发板部署报错

检测结果异常

比赛提交文件清单

提示

模型文件详情