基于 YOLO 的工业钢材表面缺陷检测

在 NEU-DET 钢材表面缺陷数据集上做六类缺陷的目标检测：YOLOv8n / YOLOv8s / YOLO11n 三模型对标 + TOPSIS 多准则选型 + EigenCAM 可解释——带注释代码、技术文档、面试问答全配齐。

任务类型计算机视觉
专业方向计算机 · 人工智能 · 电气/自动化

项目亮点

NEU Surface Defect Database — 东北大学钢材表面缺陷数据库
1800 张 200×200 灰度图，6 类缺陷：龟裂、夹杂、斑块、点蚀表面、轧入氧化皮、划痕
Kaggle: [neu-surface-defect-database](https://www.kaggle.com/datasets/kaustubhdikshit/neu-surface-defect-database)
Python 3.8+，CUDA 11.6+，PyTorch 1.12+

数据与任务

样本量	NEU-DET · 1800 图 · 6 类缺陷
核心方法	YOLOv8/YOLO11 + TOPSIS
技术栈	PyTorch · Ultralytics

如果你想找一个紧贴工业落地、又能把目标检测全流程讲清楚的项目，这个「YOLO 工业钢材表面缺陷检测」很合适。

它面向钢铁制造质检这个真实场景，配套也给你备齐了，帮你真正搞懂它、在面试和答辩里讲明白：带中文注释、能读懂的代码，一份从背景讲到每步实现的技术文档，一份把面试问题连答案都写好的问答文档，还有一整套能直接做 PPT 的配图。

flowchart LR A["NEU-DET 钢材缺陷图"] --> B["XML → YOLO 格式转换"] B --> C["YOLOv8n / v8s / YOLO11n 训练"] C --> D["mAP / 速度 多指标评估"] D --> E["TOPSIS 客观选型"] E --> F["缺陷定位 + EigenCAM 可解释"]

先说清楚，它到底在做什么

钢材表面的龟裂、夹杂、斑块、点蚀、轧入氧化皮、划痕这六类缺陷，长期靠人工目检——又慢、又累、判得还不一致，跟不上大规模产线。难点在于：这些缺陷有的细长（划痕、龟裂）、有的成片（斑块），尺度和形态差异很大，而且工业质检不能只说"这张图有缺陷"，得把缺陷框在哪、是哪一类精确定位出来，才能指导后续切割或返工。

这个项目基于 YOLO 目标检测搭了一条完整管线：先把 NEU-DET 的 Pascal VOC 标注批量转成 YOLO 格式、按 7:2:1 划分，再针对工业固定拍摄角度设计差异化增强（关掉旋转/翻转、保留 Mosaic）；然后把 YOLOv8n、YOLOv8s、YOLO11n 三个轻量模型在同一套配置下对标，最后用 TOPSIS 把精度和速度多个指标揉成一个客观排名，选出最适合部署的那个。

六类钢材缺陷与检测流程 — 六类钢材表面缺陷的真实样貌，以及从工业相机采集到 YOLO 推理引擎的检测流程——这就是项目要解决的难题。

搞懂它，你能在面试里讲清楚什么

把下面几件事吃透，面试官顺着问下来你都能接得住。

为什么用目标检测、为什么选 YOLO。 这是地基。你要能讲清楚：图像分类只能判"有没有"，目标检测能同时给出类别和边界框坐标，正好满足工业质检的定位需求；而 YOLO 这类单阶段检测器在速度上明显优于 Faster R-CNN 等两阶段方法，更贴合产线实时性。

跨代模型对比里，YOLO11n 凭什么用更少参数反超。 项目同时跑了三个模型，并不是随便挑一个。借这张架构对比图，你能讲清楚 YOLO11 用 C3k2 模块和 C2PSA 注意力替换了 YOLOv8 的 C2f——在参数量从 3.2M 降到 2.6M 的同时，mAP@0.5 反而从 0.7634 提到 0.8124，把"架构改进带来的效率提升"说明白。

YOLOv8 与 YOLO11 架构对比 — 照着这张图，能把 YOLOv8 的 C2f 与 YOLO11 的 C3k2 / C2PSA 改进，以及参数效率的差异一次讲明白。

怎么用 TOPSIS 把"选哪个模型"讲成一个科学决策。 直接比 mAP 容易被追问"那速度呢、参数呢"。TOPSIS 把 mAP@0.5、mAP@0.5:0.95、精确率、召回率、FPS 五个维度按权重揉成一个综合得分，给出客观排名。你能借此讲清楚工程选型不是拍脑袋，而是多准则权衡。

下面这组分析图也都给你做好了，可以直接放进答辩或面试 PPT：

更关键的是，每张图怎么跑出来的、该怎么解读，技术文档里都讲清楚了——比如 EigenCAM 热力图能看出模型到底盯着缺陷的哪个部位下判断，让黑盒变透明；AP 热力图则一眼看出划痕、龟裂因为形态细长最难检。你能说明白每张图到底说明了什么。

面试官会问的，都帮你备好了

随便感受几个这个项目真实会被追问的问题：

为什么用目标检测而不是图像分类来做缺陷检测？

YOLO11n 参数量更少，凭什么精度反而比 YOLOv8n 更高？

TOPSIS 是怎么工作的？为什么不直接看 mAP 选模型？

看到会愣一下？正常。配套的面试问答文档把这个项目——从整体思路到每个流程细节、各种可能被追问的点——连参考答案都给你写好了。另外还有现成的简历描述，照着改就能写进简历；那套配图也能直接套进 PPT 模板，快速出一份面试 / 答辩 PPT。

配套资料：搞懂一个项目需要的，这里全都有

先看那份技术文档——从背景、数据格式工程、YOLOv8 与 YOLO11 结构、训练策略一直讲到多模型对标与 TOPSIS 选型，图文并茂：

代码也给你了——关键部分都带着中文注释，帮你读懂"它到底是怎么实现的"：

技术文档、面试问答、源码注释、整套配图——搞懂一个项目、并在面试里讲清楚它，需要的全都备齐了。

适合谁

不管你是赶毕设、想给简历添个有分量的项目，还是在准备面试，这个题目都接得住。专业上，计算机、人工智能、自动化、机械/材料、电子信息方向都很合适。工业缺陷检测是目标检测最有代表性的落地方向之一，把这条从数据工程到多模型选型再到可解释分析的完整管线真正搞懂、能讲出来，就是一个能写进简历、撑得起面试的项目。

想把这样的项目做成你简历上的亮点？

这是一套配齐了代码、文档、面试问答和配图的 AI+X 项目，可写进简历、在面试里讲清楚。想做同类项目、或获取「基于 YOLO 的工业钢材表面缺陷检测」的完整资料（代码 / 数据处理流程 / 论文文档 / 配图），请联系为你介绍本页面的老师咨询，按你的情况定一个合适的项目。