摘要
随着工业制造向智能化、高精度方向快速发展，轴承作为关键基础零部件，其表面质量直接影响整机设备的运行可靠性与寿命。传统的人工目视检测方法效率低下、主观性强且易疲劳，难以满足现代化生产线的在线检测需求。为此，本研究设计并实现了一个集成了先进深度学习算法与现代化 Web 技术的智能化轴承缺陷检测系统。
本系统以 SpringBoot 后端框架与前后端分离架构构建了稳定、可扩展的 Web 交互平台。核心检测模块创新性地集成了 YOLOv8、YOLOv10、YOLOv11 及 YOLOv12 四种前沿的目标检测模型，允许用户根据实际场景在精度与速度之间灵活切换，实现了对轴承表面'凹槽、凹线、擦伤、划痕'四类典型缺陷的高效、精准识别。系统不仅支持图片、视频及摄像头实时流的多种检测模式，并将所有检测记录与用户操作数据持久化存储于 MySQL 数据库中，确保了数据的可追溯性。特别地，系统引入了 DeepSeek 大型语言模型的智能分析功能，能够对检测结果进行语义化解读与成因分析，提升了系统的决策支持能力。
此外，系统构建了完善的用户管理体系，包含安全的登录注册、管理员后台、个人中心以及多维度的数据可视化面板，实现了从检测任务执行、记录管理到系统运维的全流程覆盖。经测试，系统在包含 1085 张图像（训练集 759 张，验证集 326 张）的数据集上表现优异，具备良好的鲁棒性与实用性，为工业轴承缺陷的自动化检测提供了一套完整的软件解决方案。
一、引言
1.1 研究背景与意义
轴承是旋转机械中不可或缺的'关节'，其健康状态是设备安全稳定运行的基石。在制造与使用过程中，轴承表面因加工误差、装配不当或疲劳磨损，极易产生凹槽、凹线、擦伤、划痕等缺陷。这些微小的缺陷在高速、重载工况下会迅速扩展，引发振动加剧、噪音增大，最终导致设备突发性故障，造成巨大的经济损失甚至安全事故。因此，在出厂前与定期维护中对轴承进行严格的质量检测至关重要。
传统的检测方法主要依赖经验丰富的工人使用放大镜或显微镜进行目视检查，这种方式存在劳动强度大、检测标准不一、易漏检误检、无法实现连续作业等固有弊端。随着计算机视觉与人工智能技术的突破，基于深度学习的自动光学检测技术已成为工业质检领域的研究热点。其中，以 YOLO 系列为代表的单阶段目标检测算法，因其卓越的实时性与良好的精度，在工业缺陷检测中展现出巨大潜力。与此同时，现代软件工程推崇的模块化、可维护架构，使得将强大的 AI 模型封装为易用的 Web 服务成为可能，让非专业用户也能便捷地使用复杂的检测功能。
1.2 国内外研究现状
近年来，国内外学者将多种深度学习模型应用于表面缺陷检测。早期工作多采用基于卷积神经网络的两阶段检测器（如 Faster R-CNN）或图像分类模型，虽精度较高，但速度难以满足实时要求。YOLO 系列算法的出现，以其'You Only Look Once'的设计哲学，实现了速度与精度的良好平衡。从 YOLOv5 到最新的 YOLOv12，每一代都在网络结构、损失函数、训练策略等方面进行优化，持续提升模型性能。
然而，现有研究大多聚焦于单一模型算法的改进或特定场景的应用，较少有工作系统性地对比和集成多个最新 YOLO 版本，并为用户提供灵活选择的平台。此外，大多数缺陷检测系统仅停留在'识别 - 定位'阶段，缺乏对检测结果的深度分析与知识挖掘，未能充分发挥 AI 的潜能。在系统架构上，许多方案仍采用传统桌面应用或简单的脚本形式，在可访问性、数据管理和多用户协作方面存在局限。
1.3 本文主要工作与贡献
针对上述研究空白与实际需求，本文旨在设计并开发一个功能完备、技术先进的智能化轴承缺陷检测系统。本系统的主要工作与创新贡献如下：
- 多模型集成与可切换检测框架：率先在同一系统中集成 YOLOv8、YOLOv10、YOLOv11 和 YOLOv12 四个主流且先进的检测模型。用户可根据对检测速度、精度的不同要求，在 Web 界面上一键切换模型，实现了检测策略的灵活配置，为模型性能的实战对比提供了便利平台。
- DeepSeek 赋能的可解释性智能分析：超越传统的视觉检测，创新性地集成 DeepSeek 大型语言模型。在完成缺陷分类后，系统可调用 AI 分析接口，对缺陷的形态、可能的成因、潜在风险及处理建议生成一段连贯的文本描述，极大提升了系统的智能化水平和辅助决策价值。
- 企业级 Web 应用架构设计：采用 SpringBoot 构建高性能后端服务，结合前后端分离架构与现代化前端技术，开发了友好、直观的 Web 交互界面。系统具备完整的用户认证与权限管理模块，支持图片、视频、实时摄像头三种检测模式，所有操作记录均保存至 MySQL 数据库，实现了检测流程的规范化与数据管理的系统化。
- 全面的数据管理与可视化：设计并实现了图片、视频、摄像头识别记录的管理功能，以及用户管理、个人中心等模块。通过图表、仪表盘等形式对检测统计、用户行为等数据进行可视化呈现，帮助管理员宏观掌握系统运行状况与缺陷分布趋势。
- 构建专用轴承缺陷数据集：针对四类典型轴承缺陷（aocao，aoxian，cashang，huahen），收集并标注了包含 1085 张高质量图像的数据集（训练集 759 张，验证集 326 张），为模型的训练与评估提供了可靠的数据基础。
二、系统核心特性概述
功能模块
- 用户登录注册：支持密码检测，保存到 MySQL 数据库。
