基于YOLO的桥梁混凝土表观缺陷检测-yolo

项目描述 基于YOLO的桥梁混凝土表观缺陷检测
本项目是桥梁混凝土表观缺陷智能检测。系统以 YOLO 目标检测为核心，对桥梁图片进行自动识别与定位，并结合桌面端、Web 端、检测记录管理和本地大模型辅助分析，形成从图片检测到结果归档的完整流程。检测结果仅作辅助参考，不能替代专业人员的现场检查与规范判定。

项目功能
支持裂缝、破损、蜂窝、孔洞、钢筋外露、渗水六类缺陷检测，输出类别、置信度、边界框、中心坐标和启发式严重程度，并生成标注图。提供 JavaFX 桌面端和 Flask Web 界面：桌面端包含图片检测、缺陷记录、设置和摄像头模块；Web 端提供图片上传检测、检测记录查询与删除、参数设置，并复用同一套 YOLO 与 Ollama 能力。检测记录分别保存在 H2 与 SQLite 数据库中。连接本机 Ollama 后，可对检测结果生成辅助解读与维修建议，未启用时完全离线运行。项目还提供数据生成、YOLO 训练及 QLoRA 微调脚本。

运行环境
操作系统为 Windows 10/11。Python 建议 3.13（3.10–3.13 兼容），主要依赖 PyTorch、torchvision、Ultralytics、OpenCV、Flask。桌面端需要 JDK 26 及以上和 JavaFX SDK 26.0.1，H2 驱动已随项目提供。大模型分析为可选功能，需要本机安装并启动 Ollama 及对应模型。GPU 非必需，桌面端与 Web 端默认使用 CPU 推理，单张图片约需 10–30 秒。

项目技术
目标检测基于 Ultralytics YOLO11，使用 Python 与 OpenCV 完成推理和结果标注；桌面端采用 JavaFX 构建界面，通过子进程调用 Python 推理脚本，H2 嵌入式数据库保存缺陷记录；Web 端采用 Flask 提供页面与接口，SQLite 保存记录，运行时数据集中在 data/web 目录；大模型部分通过 Ollama HTTP 接口调用 Gemma 系列模型，并将桥梁规范片段注入提示词，训练侧提供基于 transformers、peft、bitsandbytes 的 QLoRA 微调脚本。项目权重已随仓库提供，原始数据集未包含，重新训练需自行准备 YOLO 格式图片与标签。

以上系统源码经过技术整理与调试，确保能正常运行