基于YOLO11/v10/v8/v5深度学习的煤矿传送带异物检测系统设计与实现【python源码+Pyqt5界面+数据集+训练代码】

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

基本功能演示

摘要：煤矿开采过程中，传送带是运输煤炭的关键设备之一。然而，在实际运作中，传送带上可能会出现非煤炭物质，即“异物”，如机械零件或其他大块物体，这些异物不仅会损坏传送带本身，还可能引起严重的安全事故，甚至导致生产中断。本文基于YOLOv11/v10/v8/v5的深度学习框架，通过3089张实际场景中煤矿传送带异物的相关图片，训练了可进行煤矿传送带异物目标检测的模型,可以分别检测2种类别：['异物部件','大块物体']，同时全面对比分析了YOLOv5n、YOLOv8n、YOLOv10n、YOLO11这4种模型在验证集上的评估性能表现。最终基于训练好的模型制作了一款带UI界面的煤矿传送带异物检测系统，更便于进行功能的展示。该系统是基于python与PyQT5开发的，支持图片、视频以及摄像头进行目标检测，并保存检测结果。本文提供了完整的Python代码和使用教程，给感兴趣的小伙伴参考学习，完整的代码资源文件获取方式见文末。

点击跳转至文末《完整相关文件及源码》获取

研究背景

煤矿开采过程中，传送带是运输煤炭的关键设备之一。然而，在实际运作中，传送带上可能会出现非煤炭物质，即“异物”，如机械零件或其他大块物体，这些异物不仅会损坏传送带本身，还可能引起严重的安全事故，甚至导致生产中断。基于YOLO深度学习框架开发的煤矿传送带异物检测系统，能够自动识别并分类两种主要类型的异物——异物部件和大块物体，这对于保障煤矿安全生产、提高生产效率以及减少维护成本具有极其重要的意义。

其主要应用场景有：
实时监控与警报：在煤矿生产线上安装该系统后，可以持续监控传送带运行状态，一旦检测到异物立即发出警报，促使工作人员迅速采取措施移除异物，避免潜在的安全事故。
预防性维护：通过长期收集的数据分析，该系统可以帮助企业更好地理解哪些环节容易产生异物，并据此采取相应预防措施，比如改善矿井内部环境或加强员工培训。
质量控制：除了防止异物进入下一加工阶段外，该系统还可以辅助于原料筛选过程，确保最终产品的纯净度。
事故调查：如果不幸发生了与传送带相关的事故，此系统提供的记录可以作为重要证据，帮助分析事故原因，从而采取有效措施防止类似事件再次发生。
远程管理：对于大型矿业集团来说，通过中央控制系统接入该异物检测功能，可以实现对分布在各地矿山传送带状况的远程监控，便于统一调度资源处理紧急情况。

总之，煤矿传送带异物检测系统的建立极大地提高了矿区作业的安全水平，减少了因异物引起的故障停机时间和经济损失。它不仅仅是一种简单的监控手段，更是推动煤炭行业向智能化转型的重要组成部分。通过集成先进的人工智能技术，该系统为实现更加安全高效的采矿作业提供了强有力的技术支撑。随着人工智能技术的不断发展，相信未来这类系统将会变得更加智能化、可靠化，成为保障矿山安全运营不可或缺的一部分。

主要工作内容

本文的主要内容包括以下几个方面：

1. 搜集与整理数据集：搜集整理实际场景中煤矿传送带异物的相关数据图片，并进行相应的数据处理，为模型训练提供训练数据集；
2. 训练模型：基于整理的数据集，根据最前沿的YOLOv11/v10/v8/v5目标检测技术训练目标检测模型，实现对需要检测的对象进行有效检测的功能；
3. 模型性能对比：对训练出的4种模型在验证集上进行了充分的结果评估和对比分析，主要目的是为了揭示每个模型在关键指标（如Precision、Recall、mAP50和mAP50-95等指标）上的优劣势。这不仅帮助我们在实际应用中选择最适合特定需求的模型，还能够指导后续模型优化和调优工作，以期获得更高的检测准确率和速度。最终，通过这种系统化的对比和分析，我们能更好地理解模型的鲁棒性、泛化能力以及在不同类别上的检测表现，为开发更高效的计算机视觉系统提供坚实的基础。
4. 可视化系统制作：基于训练出的目标检测模型，搭配Pyqt5制作的UI界面，用python开发了一款界面简洁的软件系统，可支持图片、视频以及摄像头检测，同时可以将图片或者视频检测结果进行保存。其目的是为检测系统提供一个用户友好的操作平台，使用户能够便捷、高效地进行检测任务。

软件初始界面如下图所示：

检测结果界面如下：

一、软件核心功能介绍及效果演示

软件主要功能

1. 可用于常见煤矿传送带异物检测与识别，分为2个检测类别：['异物部件','大块物体'];
2. 支持图片、视频及摄像头进行检测，同时支持图片的批量检测；
3. 界面可实时显示目标位置、目标总数、置信度、用时等信息;
4. 支持图片或者视频的检测结果保存；
5. 支持将图片的检测结果保存为csv文件;

界面参数设置说明

置信度阈值：也就是目标检测时的conf参数，只有检测出的目标框置信度大于该值，结果才会显示；
交并比阈值：也就是目标检测时的iou参数，对检测框重叠比例iou大于该阈值的目标框进行过滤【也就是说假如两检测框iou大于该值的话，会过滤掉其中一个，该值越小，重叠框会越少】；

检测结果说明

显示标签名称与置信度：表示是否在检测图片上标签名称与置信度，显示默认勾选，如果不勾选则不会在检测图片上显示标签名称与置信度；
总目标数：表示画面中检测出的目标数目；
目标选择：可选择单个目标进行位置信息、置信度查看。
目标位置：表示所选择目标的检测框，左上角与右下角的坐标位置。默认显示的是置信度最大的一个目标信息；

主要功能说明

功能视频演示见文章开头，以下是简要的操作描述。

（1）图片检测说明

点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹，操作演示如下：
点击目标下拉框后，可以选定指定目标的结果信息进行显示。
点击保存按钮，会对检测结果进行保存，存储路径为：save_data目录下,同时会将图片检测信息保存csv文件。
注：1.右侧目标位置默认显示置信度最大一个目标位置，可用下拉框进行目标切换。所有检测结果均在左下方表格中显示。

（2）视频检测说明

点击视频按钮，打开选择需要检测的视频，就会自动显示检测结果，再次点击可以关闭视频。
点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。

（3）摄像头检测说明

点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击，可关闭摄像头。

（4）保存图片与视频检测说明

点击保存按钮后，会将当前选择的图片【含批量图片】或者视频的检测结果进行保存，对于图片图片检测还会保存检测结果为csv文件,方便进行查看与后续使用。检测的图片与视频结果会存储在save_data目录下。
【注：暂不支持视频文件的检测结果保存为csv文件格式。】

保存的检测结果文件如下：

图片文件保存的csv文件内容如下，包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。
注：其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。

二、YOLOv5/v8/v10/11介绍

关于YOLOv5/v8/v10/v11模型的详细介绍可以参考之前分享的博客文章《YOLOv5/v8/v10/v11详细介绍：网络结构，创新点》，地址：

https://a-xu-ai.blog.csdn.net/article/details/143272589

二、模型训练、评估与推理

本文主要基于YOLOv5n、YOLOv8n、YOLOv10n、YOLO11n这4种模型进行模型的训练，训练完成后对4种模型在验证集上的表现进行全面的性能评估及对比分析。模型训练和评估流程基本一致，包括：数据集准备、模型训练、模型评估。
下面主要以最新的YOLO11为例进行训练过程的详细讲解，YOLOv5、YOLOv8与YOLOv10的训练过程类似。

1. 数据集准备与训练

通过网络上搜集关于实际场景中煤矿传送带异物的相关图片，并使用Labelimg标注工具对每张图片进行标注，分2个检测类别，分别是['异物部件','大块物体']。

最终数据集一共包含3089张图片，其中训练集包含2421张图片，验证集包含442张图片，测试集包含226张图片。
部分图像及标注如下图所示：

数据集各类别数目分布情况如下：

2.模型训练

准备好数据集后，将图片数据以如下格式放置在项目目录中。在项目目录中新建datasets目录，同时将检测的图片分为训练集与验证集放入Data目录下。

同时我们需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv11在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。data.yaml的具体内容如下：

train: D:\2MyCVProgram\2DetectProgram\ForeignObjectDetection_v11\datasets\Data\train
val: D:\2MyCVProgram\2DetectProgram\ForeignObjectDetection_v11\datasets\Data\valid
test: D:\2MyCVProgram\2DetectProgram\ForeignObjectDetection_v11\datasets\Data\test

nc: 2
names: ['bolt', 'bulk']

注：train与val后面表示需要训练图片的路径，建议直接写自己文件的绝对路径。
数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小【根据内存大小调整，最小为1】，optimizer设定的优化器为SGD，训练代码如下：

#coding:utf-8
from ultralytics import YOLO
import matplotlib
matplotlib.use('TkAgg')

# 模型配置文件
model_yaml_path = "ultralytics/cfg/models/11/yolo11.yaml"
#数据集配置文件
data_yaml_path = 'datasets/Data/data.yaml'
#预训练模型
pre_model_name = 'yolo11n.pt'

if __name__ == '__main__':
    #加载预训练模型
    model = YOLO(model_yaml_path).load(pre_model_name)
    #训练模型
    results = model.train(data=data_yaml_path,
                          epochs=150,      # 训练轮数
                          batch=4,         # batch大小
                          name='train_v11', # 保存结果的文件夹名称
                          optimizer='SGD') # 优化器

模型常用训练超参数参数说明：
YOLO11 模型的训练设置包括训练过程中使用的各种超参数和配置。这些设置会影响模型的性能、速度和准确性。关键的训练设置包括批量大小、学习率、动量和权重衰减。此外，优化器、损失函数和训练数据集组成的选择也会影响训练过程。对这些设置进行仔细的调整和实验对于优化性能至关重要。
以下是一些常用的模型训练参数和说明：

3. 训练结果评估

在深度学习中，我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv11在训练时主要包含三个方面的损失：定位损失(box_loss)、分类损失(cls_loss)和动态特征损失（dfl_loss），在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：

各损失函数作用说明：
定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；
分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；
动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。
本文训练结果如下：

我们通常用PR曲线来体现精确率和召回率的关系，本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值。mAP@.5：表示阈值大于0.5的平均mAP，可以看到本文模型目标检测的mAP@0.5值为0.911，结果还是不错的。

模型验证集上的评估结果如下：

4. 使用模型进行推理

模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/train/weights目录下。我们可以使用该文件进行后续的推理检测。
图片检测代码如下：

#coding:utf-8
from ultralytics import YOLO
import cv2

# 所需加载的模型目录
path = 'models/best.pt'
# 需要检测的图片地址
img_path = "TestFiles/-_000915_0722_jpg.rf.198e7cd98460e7108583bcdee64a03aa.jpg"

# 加载预训练模型
model = YOLO(path, task='detect')

# 检测图片
results = model(img_path)
print(results)
res = results[0].plot()
# res = cv2.resize(res,dsize=None,fx=2,fy=2,interpolation=cv2.INTER_LINEAR)
cv2.imshow("YOLOv8 Detection", res)
cv2.waitKey(0)

执行上述代码后，会将执行的结果直接标注在图片上，结果如下：

更多检测结果示例如下：

三、YOLOv5/v8/v10/11性能对比分析

本文在介绍的数据集上分别训练了YOLOv5n、YOLOv8n、YOLOv10n、YOLO11n这4种模型用于对比分析，训练轮数为150个epoch。主要分析这4种模型的训练结果在Precision（精确度）、Recall（召回率）、mAP50、mAP50-95、F1-score等性能指标上的表现，以选出更适合本数据集的最优模型。
4种模型基本信息如下：

FlOPs(floating point operations)：浮点运算次数，用于衡量算法/模型的复杂度。
params (M):表示模型的参数量

这3种模型都是各个YOLO系列种最小尺寸结构的模型，在模型参数与计算量上都相差不大，属于同一个级别的模型，因此能够进行横向的对比分析。

1.常用评估参数介绍

1. Precision（精确度）:

   • 精确度是针对预测结果的准确性进行衡量的一个指标，它定义为预测为正例（即预测为目标存在）中真正正例的比例。

   • 公式：
     

   • 其中，TP（True Positives）是正确预测为正例的数量，FP（False Positives）是错误预测为正例的数量。

2. Recall（召回率）:

   • 召回率衡量的是模型检测到所有实际正例的能力，即预测为正例的样本占所有实际正例的比例。

   • 公式：
     

   • 其中，FN（False Negatives）是错误预测为负例（即漏检）的数量。

3. mAP50（平均精度，Mean Average Precision at Intersection over Union 0.5）:

   • mAP50是目标检测中一个非常重要的指标，它衡量的是模型在IoU（交并比）阈值为0.5时的平均精度。IoU是一个衡量预测边界框与真实边界框重叠程度的指标。
   • mAP50通常在多个类别上计算，然后取平均值，得到整体的平均精度。
   • 计算方法：对于每个类别，首先计算在IoU阈值为0.5时的精度-召回率曲线（Precision-Recall Curve），然后计算曲线下的面积（AUC），最后对所有类别的AUC取平均值。

这三个指标共同提供了对目标检测模型性能的全面评估：

• 精确度（Box_P）关注预测的准确性，即减少误检（FP）。
• 召回率（Box_R）关注检测的完整性，即减少漏检（FN）。
• mAP50提供了一个平衡精确度和召回率的指标，同时考虑了模型在不同类别上的表现。

在实际应用中，根据具体需求，可能会更侧重于精确度或召回率，例如在需要减少误报的场合，可能会更重视精确度；而在需要确保所有目标都被检测到的场合，可能会更重视召回率。mAP50作为一个综合指标，能够帮助研究者和开发者平衡这两个方面，选择最合适的模型。

4. mAP50-95:

• 这是衡量目标检测模型在不同IoU阈值下性能的指标。IoU是预测的边界框与真实边界框之间的重叠程度，mAP50-95计算了从IoU为0.5到0.95的范围内，模型的平均精度。
• 精度-召回率曲线在不同的IoU阈值上绘制，然后计算曲线下的面积（AUC），最后取这些AUC的平均值，得到mAP50-95。
• 这个指标反映了模型在不同匹配严格度下的性能，对于评估模型在实际应用中的泛化能力非常重要。

5. F1分数:

   • 这是精确度和召回率的调和平均数，能够平衡两者的影响，是一个综合考虑精确度和召回率的指标。

   • 公式：
     

   • 当精确度和召回率差距较大时，F1分数能够提供一个更全面的模型性能评估。

2. 模型训练过程对比

YOLOv5n、YOLOv8n、YOLOv10n、YOLO11n这4种模型的训练过程损失曲线与性能曲线如下。
训练过程的损失曲线对比如下：

训练过程中的精确度（Precision）、召回率（Recall）、平均精确度（Mean Average Precision, mAP）等参数的对比如下：

直观的从曲线上看，4种模型在模型精度上看，差别不是很大。下面对具体的性能数值进行详细分析。

3.各模型性能评估

在YOLOv5n、YOLOv8n、YOLOv10n、YOLO11n这3种模型训练完成后，我们可以通过验证集对各个模型分别进行性能评估。
YOLOv5n模型在验证集上的性能评估结果如下：

表格列说明：

Class:表示模型的检测类别名称；
Images:表示验证集图片数目；
Instances:表示在所有图片中目标数；
P:表示精确度Precison;
R:表示召回率Recall;
mAP50：表示IoU（交并比）阈值为0.5时的平均精度。
mAP50-95：表示从IoU为0.5到0.95的范围内【间隔0.05】，模型的平均精度。

表格行说明：

第一行all，除Instances是所有类别目标数之和，其他参数表示所有类别对应列参数的平均值；
其他行，表示每一个类别对应参数的值。

YOLOv8n模型在验证集上的性能评估结果如下：

YOLOv10n模型在验证集上的性能评估结果如下：

YOLO11模型在验证集上的性能评估结果如下：

4.模型总体性能对比

下面我们从总体的平均指标上对YOLOv5n、YOLOv8n、YOLOv10n、YOLO11n这4种模型进行对比分析。
下表是YOLOv5n、YOLOv8n、YOLOv10n、YOLO11n这4不同模型目标检测结果的整体性能平均指标对比情况：

为了方便更加直观的查看与对比各个结果，同样我们将表格绘制成图表的形式进行分析。

从上述数据中，我们可以看出：

• 在精确率（Precision）方面，YOLOv5n模型表现出色，其精确率高达88.10%，位居首位。相比之下，YOLOv8n模型的精确率最低，为84.90%，这表明在所有被预测为正例的样本中，YOLOv5n模型具有最高的准确度。

• 当考虑召回率（Recall）时，YOLOv8n模型的表现最为突出，其召回率达到了82.80%，领先于其他模型。而YOLOv10n模型的召回率最低，仅为76.50%，这意味着在所有实际为正类的样本中，YOLOv8n模型具有最高的识别能力。

• 在平均精度@IoU=0.5（mAP50）的评估指标上，YOLO11n模型取得了最佳成绩，其mAP50达到了91.10%。相反，YOLOv10n模型在这一指标上的表现最差，mAP50为87.50%，显示出YOLO11n模型在IoU阈值为0.5时具有更高的精度。

• 对于平均精度@IoU=0.5-0.95（mAP50-95）的评估，YOLO11n模型同样表现优异，其mAP50-95达到了60.30%，位居第一。而YOLOv10n模型的表现最差，仅有57.70%，这表明在不同IoU阈值下，YOLO11n模型具有更稳定的性能和更好的效果。

• 从F1分数（F1-score）的角度来看，YOLOv5n和YOLO11n模型并列第一，均获得了84.00%的F1-score。YOLOv10n模型以80.80%的F1-score排在最后，说明在精确率和召回率的综合评价中，YOLOv5n和YOLO11n模型的表现最为出色。

当然，我们除了从整体的平均指标上对比之外，也可以单独对比相同类别在不同模型上的指标表现，以查看不同模型在各个类别上的优劣势。 此处不再赘述。

结论：
基于模型的评估结果来看，YOLO11n整体来看似乎是最优秀的模型，在大多数评测指标上都取得了最好的成绩或接近最好的成绩，是最佳选择。

四、可视化系统制作

基于上述训练出的目标检测模型，为了给此检测系统提供一个用户友好的操作平台，使用户能够便捷、高效地进行检测任务。博主基于Pyqt5开发了一个可视化的系统界面，通过图形用户界面（GUI），用户可以轻松地在图片、视频和摄像头实时检测之间切换，无需掌握复杂的编程技能即可操作系统。【系统详细展示见第一部分内容】

Pyqt5详细介绍

关于Pyqt5的详细介绍可以参考之前的博客文章：《Python中的Pyqt5详细介绍：基本机构、部件、布局管理、信号与槽、跨平台》，地址：

https://a-xu-ai.blog.csdn.net/article/details/143273797

系统制作

博主基于Pyqt5框架开发了此款煤矿传送带异物检测系统，即文中第一部分的演示内容，能够很好的支持图片、视频及摄像头进行检测，同时支持检测结果的保存。

通过图形用户界面（GUI），用户可以轻松地在图片、视频和摄像头实时检测之间切换，无需掌握复杂的编程技能即可操作系统。这不仅提升了系统的可用性和用户体验，还使得检测过程更加直观透明，便于结果的实时观察和分析。此外，GUI还可以集成其他功能，如检测结果的保存与导出、检测参数的调整，从而为用户提供一个全面、综合的检测工作环境，促进智能检测技术的广泛应用。

关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、训练好的模型、测试图片视频等相关文件，均已打包上传，感兴趣的小伙伴可以通过下载链接自行获取。

【获取方式】

本文涉及到的完整全部程序文件：包括python源码、数据集、训练好的结果文件、训练代码、UI源码、测试图片视频等（见下图），获取方式见文末：

注意：该代码基于Python3.9开发，运行界面的主程序为MainProgram.py，其他测试脚本说明见上图。为确保程序顺利运行，请按照程序运行说明文档txt配置软件运行所需环境。