【基于 YOLOv10 与 PyQt5 的汽车零件缺陷检测系统实战开发】

目录

前言

一、技术栈选型

[1. 核心算法：YOLOv10](#1. 核心算法：YOLOv10)

[2. 开发工具](#2. 开发工具)

二、环境配置

三、基础功能实现：检测脚本开发

[1. 模型加载与核心检测逻辑](#1. 模型加载与核心检测逻辑)

[2. 基础脚本功能说明](#2. 基础脚本功能说明)

[四、进阶功能实现：PyQt5 可视化检测系统](#四、进阶功能实现：PyQt5 可视化检测系统)

[1. 系统核心设计思路](#1. 系统核心设计思路)

[2. 核心代码实现](#2. 核心代码实现)

（1）检测线程类（关键）

[（2）主窗口类（GUI 交互）](#（2）主窗口类（GUI 交互）)

[3. GUI 系统功能亮点](#3. GUI 系统功能亮点)

五、系统运行效果

六、项目总结与拓展方向

[1. 项目总结](#1. 项目总结)

[2. 拓展方向](#2. 拓展方向)

七、完整代码说明

---

前言

在工业质检领域，汽车零件的缺陷检测是保障产品质量的关键环节。传统人​编辑CSDN同步助手工检测效率低、误检率高，难以满足规模化生产需求。本文将结合YOLOv10 目标检测算法 与PyQt5 GUI 框架，开发一套集图片检测、视频检测、摄像头实时检测于一体的汽车零件缺陷检测系统，实现工业质检的智能化、可视化与高效化。

本项目分为两部分核心实现：基础检测脚本（验证模型效果）+ 可视化 GUI 系统（落地实用工具），零基础也能快速复现，适合工业检测、算法落地等场景学习与应用。

一、技术栈选型

1. 核心算法：YOLOv10

YOLOv10 是 Ultralytics 团队推出的轻量化实时目标检测算法，相比前代模型，在精度和速度上实现双重优化，支持 CPU/GPU 推理，非常适合工业端侧部署，能够快速识别零件的划痕、变形、缺料等缺陷。

2. 开发工具

• Python：核心开发语言
• OpenCV-Python：图像 / 视频读取、预处理、可视化
• PyQt5：构建图形化交互界面，实现可视化操作
• Ultralytics：一键加载、推理 YOLOv10 模型
• OS/Glob：文件路径管理、批量图片处理

二、环境配置

首先搭建项目运行环境，执行以下命令安装依赖库：

# 安装YOLOv10依赖
pip install ultralytics
# 安装图像处理库
pip install opencv-python
# 安装GUI框架
pip install pyqt5

三、基础功能实现：检测脚本开发

在开发 GUI 系统前，我们先编写基础检测脚本，验证 YOLOv10 模型在汽车零件缺陷检测上的效果，支持单张图片、批量图片、视频 / 摄像头检测。

1. 模型加载与核心检测逻辑

加载训练好的 YOLOv10 权重文件（best.pt），封装图片、批量图片、视频三大检测函数：

import os
import cv2
import glob
from ultralytics import YOLO

# 加载训练好的汽车零件缺陷检测模型
model = YOLO(r'D:\software\Pycharm\yolov10\dataset_part\best.pt')

# 1. 单张图片检测
def image_load(image_path):
    frame = cv2.imread(image_path)
    # 模型推理
    res = model(frame)
    # 绘制检测框、标签、置信度
    ann = res[0].plot()
    cv2.imshow("yolov10_image", ann)
    cv2.waitKey(0)
    
    # 解析检测结果：坐标、置信度、类别ID
    boxes = res[0].boxes
    if boxes is not None:
        xyxy = boxes.xyxy.cpu().numpy()  # 检测框坐标
        conf = boxes.conf.cpu().numpy()  # 置信度
        cls = boxes.cls.cpu().numpy()    # 缺陷类别
        print("检测框坐标：", xyxy)
        print("置信度：", conf)
        print("类别ID：", cls)

# 2. 批量图片检测
def images_load(images_path):
    imgs = glob.glob(os.path.join(images_path, '*.jpg'))
    for img in imgs:
        # 自动保存检测结果
        model.predict(img, save=True)

# 3. 视频/摄像头检测
def video_load(video_path):
    cap = cv2.VideoCapture(video_path)
    while cap.isOpened():
        ret, frame = cap.read()
        if ret:
            res = model(frame)
            ann = res[0].plot()
            cv2.imshow("yolov10_video", ann)
            # 按ESC退出
            if cv2.waitKey(1) == 27:
                break
    cv2.destroyAllWindows()
    cap.release()

if __name__ == '__main__':
    # 测试单张图片
    image_load(r"D:\software\Pycharm\yolov10\dataset_part\images\train\c41.bmp")
    # 测试批量图片
    # images_load(r'D:\code\lingjianjiance\tu')
    # 测试摄像头
    # video_load(0)
    # 测试视频
    # video_load(r"D:\software\Pycharm\yolov10\dataset_part\test_video.mp4")

运行结果：

这张图是训练的 YOLOv10 汽车零件缺陷检测模型的推理结果，核心结论如下：

检测效果优秀：模型成功识别出零件上的4 处固定板破损缺陷，定位精准，无漏检、误检。

置信度高：所有缺陷的置信度在 0.86~0.94 之间，模型对缺陷判断的可信度极高。

具备实用价值：可替代人工实现自动化、多缺陷同时检测，有效避免人工漏检和主观误差，适用于工业质检场景。

2. 基础脚本功能说明

1. 单张图片检测：读取图片→模型推理→绘制检测框→展示结果→输出检测数据
2. 批量图片检测：遍历文件夹所有图片，自动推理并保存结果
3. 视频 / 摄像头检测：实时读取视频流，逐帧检测，实时可视化

运行脚本即可快速验证模型效果，确认无误后，我们基于此逻辑开发可视化 GUI 系统。

四、进阶功能实现：PyQt5 可视化检测系统

基础脚本仅能通过代码调用，不适合非技术人员使用。因此我们基于PyQt5开发图形化界面，结合多线程技术避免界面卡顿，实现一键式检测操作。

1. 系统核心设计思路

多线程检测：将 YOLO 推理放在子线程，防止界面卡死

三大检测模式：图片 / 视频 / 摄像头实时检测

可视化交互：按钮控制、阈值调节、结果展示、数据表格

结果保存：自动保存检测图片、视频、截图到本地

2. 核心代码实现

（1）检测线程类（关键）

继承QThread实现异步检测，通过信号机制将检测结果传递给主线程更新界面：

class DetectionThread(QThread):
    # 定义信号：原始帧、检测后帧、检测结果
    frame_received = pyqtSignal(np.ndarray, np.ndarray, list)
    finished_signal = pyqtSignal()

    def __init__(self, model, source, conf, iou, parent=None):
        super().__init__(parent)
        self.model = model
        self.source = source
        self.conf = conf  # 置信度阈值
        self.iou = iou    # IOU阈值
        self.running = True

    def run(self):
        # 处理视频/摄像头
        if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')):
            cap = cv2.VideoCapture(self.source)
            while self.running and cap.isOpened():
                ret, frame = cap.read()
                if not ret:
                    break
                # 模型推理
                results = self.model(frame, conf=self.conf, iou=self.iou)
                annotated_frame = results[0].plot()
                # 解析结果
                detections = []
                for box in results[0].boxes:
                    class_name = self.model.names[int(box.cls)]
                    confidence = float(box.conf)
                    x, y, _, _ = box.xywh[0].tolist()
                    detections.append((class_name, confidence, x, y))
                # 发送信号更新界面
                self.frame_received.emit(
                    cv2.cvtColor(frame, cv2.COLOR_BGR2RGB),
                    cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
                    detections
                )
                time.sleep(0.03)
            cap.release()
        # 处理图片
        else:
            frame = cv2.imread(self.source)
            results = self.model(frame, conf=self.conf, iou=self.iou)
            annotated_frame = results[0].plot()
            detections = []
            for box in results[0].boxes:
                class_name = self.model.names[int(box.cls)]
                confidence = float(box.conf)
                detections.append((class_name, confidence, 0, 0))
            self.frame_received.emit(
                cv2.cvtColor(frame, cv2.COLOR_BGR2RGB),
                cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
                detections
            )
        self.finished_signal.emit()

    def stop(self):
        self.running = False

（2）主窗口类（GUI 交互）

绑定按钮事件、实现模型加载、检测控制、结果保存等功能：

class MainWindow(QtWidgets.QMainWindow):
    def __init__(self, parent=None):
        super(MainWindow, self).__init__(parent)
        self.ui = UiMainWindow()
        self.ui.setupUi(self)
        
        # 绑定按钮事件
        self.ui.image_btn.clicked.connect(self.detect_image)
        self.ui.video_btn.clicked.connect(self.detect_video)
        self.ui.camera_btn.clicked.connect(self.detect_camera)
        self.ui.stop_btn.clicked.connect(self.stop_detection)
        self.ui.save_btn.clicked.connect(self.save_result)
        self.ui.model_btn.clicked.connect(self.select_model_file)

        # 初始化变量
        self.model = None
        self.detection_thread = None
        self.last_detection_result = None

    # 加载YOLO模型
    def load_model(self, model_path):
        self.model = YOLO(model_path)
        self.ui.update_status("模型加载成功！")

    # 图片检测
    def detect_image(self):
        file_path, _ = QFileDialog.getOpenFileName(self, "选择图片", "", "*.jpg *.png *.bmp")
        if file_path:
            conf = self.ui.confidence_spinbox.value()
            self.detection_thread = DetectionThread(self.model, file_path, conf, 0.5)
            self.detection_thread.frame_received.connect(self.on_frame_received)
            self.detection_thread.start()

    # 帧数据回调：更新界面显示
    def on_frame_received(self, original_frame, result_frame, detections):
        self.ui.display_image(self.ui.original_image_label, original_frame)
        self.ui.display_image(self.ui.result_image_label, result_frame)
        self.last_detection_result = result_frame
        # 展示检测结果表格
        for name, conf, x, y in detections:
            self.ui.add_detection_result(name, conf, x, y)

    # 停止检测
    def stop_detection(self):
        if self.detection_thread:
            self.detection_thread.stop()
        self.ui.update_status("检测已停止")

if __name__ == "__main__":
    app = QApplication(sys.argv)
    window = MainWindow()
    window.show()
    sys.exit(app.exec_())

3. GUI 系统功能亮点

一键加载模型：支持自定义选择训练好的.pt权重文件

灵活阈值调节：可视化调整置信度、IOU 阈值，适配不同检测场景

实时结果展示：双窗口显示原始图像 + 检测结果，表格展示缺陷类别、置信度

一键保存结果：自动保存检测图片、视频、摄像头截图

安全退出：关闭窗口自动释放摄像头 / 视频资源，无内存泄漏

五、系统运行效果

模型加载：点击「选择模型」加载训练好的 YOLOv10 权重，状态栏提示加载成功

图片检测：选择零件图片，一键推理，界面实时显示缺陷位置与置信度

视频 / 摄像头检测：实时流检测，无界面卡顿，支持随时停止、截图保存

结果管理：所有检测结果自动保存到results文件夹，方便溯源

六、项目总结与拓展方向

1. 项目总结

本文基于YOLOv10实现了汽车零件缺陷的高精度检测，结合PyQt5完成了可视化系统开发，解决了传统工业检测效率低、操作复杂的问题。

优势：轻量化、实时性强、操作简单、支持多场景检测

核心技术：YOLOv10 推理、PyQt5 多线程、OpenCV 图像处理

2. 拓展方向

模型优化：使用更大的零件缺陷数据集训练，提升小缺陷检测精度

功能升级：添加缺陷分类统计、报表导出、异常报警功能

端侧部署：打包为 exe 可执行文件，直接在工业电脑上运行

云端联动：对接云端平台，实现检测数据实时上传、远程监控

七、完整代码说明

本文提供的代码分为基础检测脚本 和GUI 系统两部分：

1. 基础脚本：快速验证模型，适合调试使用
2. GUI 系统：完整落地工具，适合实际工业场景使用
3. 配套 UI 文件UiMain.py：通过 PyQt5 Designer 设计，自动生成即可

需要完整 UI 文件、数据集、训练好的模型权重的小伙伴可以留言获取，零基础也能快速复现本项目！