项目介绍
基于YOLO的布匹缺陷检测系统实现，整体采用"前后端分离 + 深度学习检测模型"的设计思路实现。前端基于 Vue3 与 Element Plus 搭建交互界面，负责完成用户注册登录、布匹图片上传、检测结果展示、历史记录查询以及管理员用户管理等功能；后端基于 Flask 框架构建 RESTful 接口，负责业务逻辑处理、身份认证、文件存储、检测记录持久化及模型调用。系统核心算法采用 YOLOv8，对布匹图像中的布接、接头、皱印、纸接、横档、纸皱等缺陷进行识别，并输出带标注的检测结果图、缺陷数量、缺陷类别及中文摘要信息。
选题背景与意义
在纺织生产过程中，布匹表面容易出现多种缺陷，这些问题会直接影响成品质量、企业信誉以及后续加工效果。传统布匹检测方式主要依赖人工目检，不仅工作强度大、效率较低，而且容易受到检验人员经验水平、注意力状态和环境光照等因素影响，导致漏检、误检现象较为常见。随着计算机视觉和深度学习技术的不断发展，利用目标检测算法对布匹缺陷进行自动识别，已经成为提升纺织行业智能制造水平的重要方向。本课题围绕布匹缺陷自动检测展开研究与实现，将深度学习模型与 Web 管理系统相结合，使用户能够在线完成图片检测、结果查看和历史追踪，管理员能够统一维护平台用户信息。
关键技术栈：YOLOv8
YOLOv8 是当前目标检测领域中较为先进且应用广泛的一种单阶段检测算法，具有检测速度快、精度较高、部署灵活等优点，适合本系统对布匹缺陷进行快速识别的业务需求。与传统检测方法相比，YOLOv8 能够直接对输入图像进行端到端推理，在一次前向传播中同时完成目标定位与类别判别，从而显著提升处理效率。在本系统中，后端通过加载训练完成的 YOLOv8 权重文件，对用户上传的布匹图片执行缺陷检测，并提取检测框坐标、类别标签、置信度等信息，再进一步生成中文缺陷摘要和可视化结果图。由于布匹缺陷通常具有目标尺寸小、形态差异大、背景纹理复杂等特点，YOLOv8 在特征提取与多尺度检测方面的优势能够较好适配此类场景。
技术架构图
系统功能模块图（mindmap）
