基于yolo8的轴承故障检测

前言

  • 轴承是机械设备中常见的基础零件,表面的油污、锈蚀和划痕是外观检测中需要关注的问题。
  • 本文介绍一种基于 YOLOv8 的轴承故障检测方法,通过图片识别轴承位置及其外观状态。
  • 项目可识别合格、油污、锈蚀和划痕四种类别,并在图片中绘制检测框、类别名称和置信度。
  • 本文中的“故障检测”具体指轴承外观状态检测,当前项目不涉及振动信号分析、内部故障诊断或剩余寿命预测。


  • 整体流程主要分为两步。
  • 第一步:准备带有轴承位置和类别标注的图片,使用 YOLO8 预训练权重进行训练,得到适用于当前数据集的检测模型。
  • 第二步:加载训练好的 best.pt,对指定轴承图片进行预测,输出检测明细并保存标注后的图片。

介绍

  • 下面按照环境配置、数据准备、模型训练和图片检测的顺序介绍项目实现。

第一步:轴承故障检测模型训练

YOLOv8 环境配置

  • 项目使用 Python 开发,通过 Ultralytics 调用 YOLO8。
  • 基础依赖安装命令如下:
pip install ultralytics

数据集准备与处理

  • 当前训练使用项目中的 dataset 目录数据集,共有 2000多张图片,导出时统一拉伸为 512 × 512,标注采用 YOLO 目标检测格式。
  • 每条标注包含类别编号、归一化的中心点坐标、宽度和高度。当前数据中,每张图片均对应一个轴承目标框。
类别编号 英文类别 中文含义 训练集 验证集 测试集
0 good 合格 552 22 23
1 grease 油污 861 36 36
2 rust 锈蚀 570 24 24
3 scratch 划痕 762 31 32
合计 — — 2,745 113 115
  • 训练集包含数据增强生成的图片,增强方式包括水平翻转、垂直翻转、旋转、亮度调整和高斯模糊。
  • 增强图片可以增加外观变化,但不能视为同等数量的独立采集样本。

训练目标检测模型

  • 项目使用 yolo8.pt 作为初始权重,在轴承图片上进行微调。
  • 在项目根目录运行train.py来训练模型.
  • 图片输入模型后,模型预测轴承的边界框、类别和置信度。

训练结果评估

  • 训练过程中会保存损失曲线、精确率、召回率、mAP、PR 曲线和混淆矩阵。
  • 结果表明,模型在当前数据集中的轴承定位与外观类别识别表现较好。测试集上油污和锈蚀的召回率分别约为 95.49% 和 95.83%,仍存在漏检或误分类的情况。
  • 上述 mAP 是目标检测指标,不能直接等同于产品合格判定准确率;表中的精确率和召回率也不是针对推理脚本固定 conf=0.5 的专项统计。

第二步:指定轴承图片检测

加载检测权重

  • 已有训练生成的最佳权重文件 best.pt。
  • 推理程序默认使用项目根目录中的 best.pt。当前根目录权重与上述训练目录中的最佳权重内容一致。
  • predict.py 提供 predict_image 函数,可传入图片路径、结果保存路径、已加载的模型对象和置信度阈值。批量调用时,可以复用同一个模型对象。

使用脚本识别图片

  • 在项目根目录执行如下文件来识别指定图片中的轴承故障分类:
python predict.py
  • 当前脚本加载 best.pt,使用 CPU、512 输入尺寸和 0.5 置信度阈值进行检测,将标注图片保存为 result.jpg。
  • 现有结果图中,模型在轴承周围绘制了边界框,输出 rust 0.93,表示模型将该目标判断为锈蚀类别,置信度约为 0.93。
  • 返回结果还包含中文类别名、英文类别名、置信度、各目标的边界框坐标以及缺陷数量等字段。
  • 存在多个检测结果时,顶层结论优先采用置信度最高的缺陷类别。

检测效果与适用范围

  • 当前样例的标注框覆盖整个轴承,因此输出能够说明轴承的位置和外观状态,但不能精确描绘划痕或锈斑的轮廓,也不提供缺陷面积、深度等测量结果。
  • 后续可补充不同轴承、光照、背景和采集批次的图片,并按实体轴承或批次划分测试集,进一步评估实际使用中的漏检率与误报率。

总结

  • 以上就是基于 YOLO8 的轴承故障检测项目的主要实现流程:准备多个类别轴承数据,微调 YOLO8 模型,再使用最佳权重进行图片检测和结果展示。
  • 如果需要进一步定位具体缺陷区域,应补充划痕、锈斑等局部区域标注,并依据实际业务需求完善检测与判定流程。
  • 感兴趣的小伙伴可以联系我.