一、项目概述

1.1 项目名称

轴承缺陷检测系统（Bearing Defect Detection System）

1.2 项目简介

系统是一个基于YOLOv9深度学习算法的智能轴承缺陷检测平台，采用前后端分离架构，实现对轴承表面缺陷的自动化识别与管理。系统支持图像上传、摄像头实时检测和视频检测三种方式，能够准确识别铸造毛刺、裂纹、划痕、凹坑等8种缺陷类型。

1.3 技术栈

1. 前端：Vue.js 3.2.13、Vue Router 4.6.3、Axios 1.12.2；
2. 后端：Flask 3.0.3、Flask-SQLAlchemy、Flask-JWT-Extended；
3. 深度学习：YOLOv9、PyTorch 2.0+、OpenCV 4.8+；
4. 数据库：SQLite。

二、系统架构

2.1 整体架构

系统采用前后端分离的B/S架构：

1. 前端：Vue.js单页应用，提供用户交互界面；
2. 后端：Flask RESTful API服务，处理业务逻辑；
3. AI模型：YOLOv9目标检测模型，负责缺陷识别；
4. 数据库：SQLite存储用户信息和检测记录。

2.2 目录结构

项目根目录/
├── fxapp-frontend/          # 前端Vue项目
│   ├── src/
│   │   ├── views/           # 页面组件
│   │   ├── services/        # API服务
│   │   ├── router/          # 路由配置
│   │   └── App.vue          # 根组件
│   └── package.json
├── fxapp-backend/           # 后端Flask项目
│   ├── app.py               # 主应用文件
│   └── instance/            # 数据库文件
├── yolov9-main/             # YOLOv9模型
│   ├── data1/               # 训练数据集
│   └── runs/                # 训练结果
└── requirements.txt         # Python依赖

三、功能模块

3.1 用户管理模块

• 用户注册：用户名、手机号、密码注册，支持手机号格式验证；
• 用户登录：支持普通用户和管理员登录，JWT Token认证；
• 权限控制：普通用户查看个人数据，管理员管理全局数据。

# 用户登录
@app.route('/api/login', methods=['POST'])
def login():
    data = request.get_json()
    username = data['username']
    password = data['password']
    # 检查管理员
    if username == 'admin' and password == 'admin123':
        access_token = create_access_token(
            identity={'username': 'admin', 'is_admin': True, 'id': 0}
        )
        return jsonify({'access_token': access_token}), 200
    # 普通用户验证
    user = User.query.filter_by(username=username).first()
    if user and user.check_password(password):
        access_token = create_access_token(identity={'username': user.username, 'id': user.id})
        return jsonify({'access_token': access_token, 'user': user.to_dict()}), 200

3.2 缺陷检测模块

• 图像上传检测：支持JPG/PNG/BMP格式，最大16MB，拖拽上传；
• 摄像头实时检测：调用设备摄像头，实时拍照检测；
• 缺陷识别：识别8种轴承缺陷（铸造毛刺、裂纹、划痕、凹坑、抛光铸件、应变、未抛光铸件、毛刺）；
• 结果展示：标注图像、缺陷类型、置信度、坐标信息。

# 缺陷检测
def detect_violation(image_path):
    # 加载模型
    yolo_model = torch.hub.load('../yolov9-main', 'custom', path=model_path, source='local')
    yolo_model.conf = 0.25
    # 读取图像并检测
    img = cv2.imread(image_path)
    results = yolo_model(img)
    detections = results.pandas().xyxy[0]
    # 解析结果
    detected_objects = {'defects': []}
    for idx, row in detections.iterrows():
        defect_type = translate_label_to_chinese(row['name'])
        detected_objects['defects'].append({
            'type': defect_type,
            'confidence': float(row['confidence']),
            'bbox': [int(row['xmin']), int(row['ymin']), int(row['xmax']), int(row['ymax'])]
        })
    return {'violation_type': defect_type, 'detected_objects': detected_objects}

3.3 记录管理模块

• 记录列表：分页显示、按类型筛选、批量删除；
• 记录详情：查看标注图像和详细信息。

# 获取记录列表
@app.route('/api/violations/records', methods=['GET'])
@jwt_required()
def get_violation_records():
    current_user = get_jwt_identity()
    page = request.args.get('page', 1, type=int)
    # 查询记录
    query = ViolationRecord.query.filter_by(user_id=current_user['id'])
    pagination = query.order_by(ViolationRecord.created_at.desc()).paginate(page=page, per_page=10)
    return jsonify({
        'records': [record.to_dict() for record in pagination.items],
        'total': pagination.total
    }), 200

3.4 统计分析模块

• 用户统计：总记录数、活跃天数、平均置信度、本月检测次数；
• 管理员统计：用户总数、缺陷分布图、7天趋势图。

# 获取统计数据
@app.route('/api/violations/statistics', methods=['GET'])
@jwt_required()
def get_violation_statistics():
    current_user = get_jwt_identity()
    # 总数统计
    total_violations = ViolationRecord.query.filter_by(user_id=current_user['id']).count()
    # 按类型统计
    violation_by_type = db.session.query(
        ViolationRecord.violation_type,
        func.count(ViolationRecord.id).label('count')
    ).filter_by(user_id=current_user['id']).group_by(ViolationRecord.violation_type).all()
    # 平均置信度
    avg_confidence = db.session.query(
        func.avg(ViolationRecord.confidence)
    ).filter_by(user_id=current_user['id']).scalar()
    return jsonify({
        'total_violations': total_violations,
        'violation_by_type': [{'type': t, 'count': c} for t, c in violation_by_type],
        'avg_confidence': round(float(avg_confidence), 2)
    }), 200

四、数据库设计

4.1 用户表（User）

字段名	类型	说明
id	integer	主键
username	String(80)	用户名（唯一）
phone	tring(11)	手机号（唯一）
password_hash	String(60)	密码哈希
is_admin	Boolean	是否管理员
created_at	DateTime	创建时间

4.2 违章记录表（ViolationRecord）

字段名	类型	说明
id	Integer	主键
user_id	Integer	用户ID（外键）
image_path	String(255)	图像路径（Base64）
vehicle_type	String(50)	车辆类型
plate_number	String(20)	车牌号
violation_type	String(100)	违章类型
confidence	Float	置信度
location	String(255)	地点
description	Text	描述
detected_objects	Text	检测对象（JSON）
created_at	DateTime	创建时间

五、YOLOv9模型配置

5.1 数据集配置

data1.yaml
path: C:/Users/admin/Desktop/yolov9-main/data1
train: images/train  # 2559张训练图像
val: images/val      # 732张验证图像
nc: 8                # 8个类别
names:
  0: Casting_burr
  1: crack
  2: scratch
  3: pit
  4: Polished_casting
  5: strain
  6: unpolished_casting
  7: burr

5.2 模型参数

置信度阈值：0.25
NMS IOU阈值：0.45
模型路径：../yolov9-main/runs/train/exp/weights/best.pt

5.3 检测流程

加载YOLOv9模型 --> 读取输入图像 --> 执行目标检测 --> 解析检测结果 --> 绘制标注框和中文标签 --> 保存标注图像 --> 返回检测结果

六、部署说明

6.1 环境要求

Python 3.8+
Node.js 14+
支持CUDA的GPU（可选，用于加速）

6.2 后端部署

# 安装依赖
pip install -r requirements.txt
# 运行后端服务
cd fxapp-backend
python app.py
# 服务运行在 http://localhost:5000

6.3 前端部署

# 安装依赖
cd fxapp-frontend
npm install
# 开发模式运行
npm run serve
# 访问 http://localhost:8080
# 生产构建
npm run build

6.4 默认账户

管理员账户：
用户名：admin
密码：admin123

七、视频演示