AI 工业视觉缺陷检测产品系统

面向工业生产过程中的图像质量检测场景，开发基于深度学习的视觉缺陷检测系统。

项目通过采集和标注少量工业缺陷图像，训练 YOLOv11 目标检测模型，对产品图像中的异常区域进行自动识别和定位，用于辅助人工质检，提高缺陷筛查效率和检测一致性。

系统采用 Web 化方式部署，支持图像上传、模型推理、缺陷结果展示及检测数据管理。

系统主要包含以下功能：

缺陷图像数据处理

对工业图像进行整理、筛选和人工标注，构建目标检测训练数据集，并完成训练集、验证集划分。

YOLOv11 模型训练

基于少量已标注缺陷图像训练 YOLOv11 模型，通过数据增强、训练参数调整等方式提升小样本条件下的缺陷识别能力。

工业图像自动检测

将训练后的模型部署到后端服务中，对输入工业图像进行自动推理，输出缺陷类别、位置及置信度等信息。

检测结果可视化

前端对检测结果进行可视化展示，在原始图像上标记检测框及缺陷信息，方便用户快速定位异常区域。

检测记录管理

使用 MySQL 保存检测任务、图像信息及检测结果，支持历史数据查询和结果追溯。

后端采用 Python + Flask 开发，将训练完成的 YOLOv11 模型封装为图像检测服务。

用户通过 Vue 前端提交工业图像，后端完成图像预处理、模型推理和检测结果解析，并将缺陷类别、坐标位置及置信度等信息返回前端。

前端根据模型输出结果，在原图上绘制目标框并展示对应缺陷信息，实现工业图像检测结果的直观呈现。

数据层使用 MySQL 保存检测记录及相关业务数据，实现检测任务和历史结果管理。

针对实际工业场景中缺陷样本数量有限的问题，采用小样本标注、数据增强及迁移学习方式训练 YOLOv11 模型，在有限数据条件下完成缺陷检测模型的快速构建和迭代。