🏗️ 基于YOLO和大语言模型的墙体裂缝检测系统

WCIS (Wall Crack Inspection System) 是一款基于YOLO和大语言模型的墙体裂缝检测系统。它结合了 YOLOv8 的高精度目标检测能力和 LLaVA 多模态大语言模型的深度分析能力，不仅能精准识别墙体裂缝，还能智能分析裂缝成因并提供专业的修复建议。

---

代码获取地址：https://mbd.pub/o/bread/YZWZmZlqZw==

🏗️ 系统架构设计

本系统采用模块化分层架构设计，主要包含以下核心组件：

1. 表现层 (Presentation Layer)

• Web UI: 基于 Gradio 4.0 构建的交互式前端。
• 功能模块:
  • AdvancedWebInterface: 主界面控制器，管理所有 Tab 页面的布局与交互。
  • 实时反馈: 利用 Gradio 的 Event Listener 实现训练进度的实时轮询与展示。

2. 业务逻辑层 (Business Logic Layer)

• 核心控制器: crack_detection_system.py 负责协调各子模块。
• 视频处理: video_detector.py 使用 OpenCV 逐帧读取视频，调用检测器进行推理，并合成标注视频。
• 批量处理: web_interface_advanced.py 内置多线程批处理逻辑，支持文件队列管理与结果打包。
• 历史管理: history_manager.py 基于 SQLite/JSON 记录所有操作日志，支持持久化存储。

3. 算法核心层 (Algorithm Core Layer)

• 目标检测:
  • YOLOv8: 负责定位裂缝坐标 (bbox)、计算置信度 (confidence)。
  • 多尺度推理: 支持自适应图片缩放，确保小裂缝不漏检。
• 智能分析:
  • LLaVA: 使用 llava_analyzer.py 连接 Ollama 服务。
  • Prompt Engineering: 内置专为裂缝分析设计的提示词模板，自动提取检测结果并生成专业报告。

---

🌟 核心功能特性

1. 🎯 高精度裂缝检测 (YOLOv8)

• 实时检测: 毫秒级响应，快速识别墙体表面的横向、纵向及网状裂缝。
• 可视化标注: 在原图上精准绘制检测框，采用工业级红/黄警示色标注，并显示置信度百分比。
• 多模型支持: 支持 YOLOv8n/s/m/l/x 全系列模型，用户可根据硬件算力在速度与精度间灵活权衡。

2. 🧠 LLaVA 智能成因分析

• 深度诊断: 集成 LLaVA 多模态大模型，系统不仅"看到"裂缝，更能结合上下文"理解"裂缝。
• 专业报告: 自动生成结构化报告，包含：
  • 裂缝分布: 描述裂缝的位置、走向。
  • 严重程度: 评估裂缝宽度、长度带来的风险等级。
  • 可能成因: 分析是否由地基沉降、温度收缩或外力撞击引起。
  • 修复建议: 提供灌浆、封闭或结构加固等专业建议。
• 交互式问答: 内置智能助手，用户可针对检测结果进行追问，获取更多工程建议。

3. 📂 全能检测模式

• 单图检测: 适合精细化分析单张图片，支持缩放查看细节。
• 视频流检测:
  • 支持 MP4/AVI/MOV 等多格式视频流。
  • 跳帧优化: 可调节跳帧参数以平衡处理速度与检测密度。
  • 自动合成: 处理结束后自动生成带有标注框的视频文件，方便回看。
• 批量处理 (High Efficiency):
  • 支持一次性拖拽上传数百张现场照片。
  • 后台多线程队列处理，不阻塞主界面。
  • 自动生成 CSV 统计报表（包含文件名、裂缝数、最大置信度）。
  • 一键下载打包好的结果图集 (ZIP)。

4. 🚀 可视化模型训练

• 零代码训练: 无需编写任何 Python 代码，在 Web 界面即可配置 Epochs、Batch Size、Image Size 等超参数。
• 实时监控:
  • 动态展示 mAP50 / mAP50-95 指标变化曲线。
  • 实时滚动显示训练日志。
  • 可视化进度条预估剩余时间。
• 硬件自适应: 自动检测并优先使用 GPU (CUDA)，若无 GPU 则自动降级至 CPU 模式并调整推荐参数。

5. 📊 历史记录与数据管理

• 全生命周期记录: 所有的检测任务（图片、视频）和训练任务都会自动记录到本地数据库。
• 数据回溯:
  • 支持按时间范围、任务类型（检测/训练）筛选。
  • 随时查看过往的检测结果详情和 LLaVA 分析报告。
• 一键刷新: 界面自动同步最新的后台数据状态，确保多人协作时信息一致。

---

� 系统环境要求

为了获得最佳体验，建议满足以下配置：

组件	最低配置	推荐配置
操作系统	Windows 10/11, Linux (Ubuntu 20.04+)	Windows 11 或 Ubuntu 22.04
Python	3.8	3.10
GPU	NVIDIA GTX 1060 (6GB)	NVIDIA RTX 3060 (12GB) 或更高
内存	16 GB	32 GB
硬盘	20 GB 可用空间	50 GB SSD

必需软件:

• Ollama: 用于运行 LLaVA 模型 (智能分析功能必需)。
• FFmpeg: 用于视频处理 (视频检测功能必需)。

---

�️ 安装与部署指南

第一步: 环境准备

1. 安装 Python 依赖

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

第二步: 安装外部依赖

1. 安装 Ollama (智能分析)
   • 访问 Ollama 官网 下载并安装。
   • 安装完成后，在终端运行以下命令下载 LLaVA 模型：

     ollama pull llava
     

第三步: 启动系统

运行以下命令启动高级 Web 界面：

python run_web_advanced.py

启动成功后，浏览器自动访问: http://localhost:7860

---

📖 详细使用手册

Tab 1: 🎯 模型训练

在此页面，你可以对自己收集的数据集进行模型微调。

1. 配置环境: 系统会自动检测 GPU。选择 GPU 以获得更快的速度。
2. 设置参数:
   • 模型大小: n (nano) 最快，x (extra large) 最准。推荐使用 s 或 m。
   • Epochs: 训练轮数，通常 100-300 轮效果较好。
3. 开始训练: 点击"🚀 开始训练"，右侧日志区会显示实时进度。

Tab 2: 📸 图片检测

1. 加载模型: 默认加载 best.pt，只需点击"📂 加载模型"。
2. 上传图片: 点击图片区域上传或拖拽图片。
3. 配置项:
   • 置信度阈值: 过滤低可信度的检测框。
   • 启用 LLaVA: 勾选后会调用大模型进行深度分析（速度较慢，约 5-10秒/张）。
4. 查看结果: 左侧显示检测图，右侧显示智能分析报告。

Tab 3: 🎥 视频检测

1. 上传视频: 支持 MP4/AVI 等常见格式。
2. 跳帧设置: 默认为 5。数值越大处理越快，但可能漏检快闪过的裂缝。
3. 下载结果: 处理完成后，可以直接播放或通过顶部图标下载标注好的视频。

Tab 4: 📂 批量检测 (新功能)

1. 批量上传: 一次性选择多张图片上传。
2. 自动化处理: 点击"🚀 开始批量处理"，系统将自动遍历所有图片。
3. 结果导出:
   • 预览: 缩略图形式预览检测结果。
   • 下载: 自动生成包含所有标注图片和 summary_report.csv 的 ZIP 压缩包。

Tab 5: 💬 智能问答

• 这是一个通用的工程助手。你可以询问关于建筑规范、裂缝修复工艺、材料选择等任何问题。
• 底层调用 Ollama/LLaVA 模型进行对话。

Tab 6: 📜 历史记录

• 自动保存: 所有的检测和训练任务都会被记录。
• 筛选查看: 点击"检测历史"或"训练历史"子标签查看详细表格。
• 自动刷新: 切换到此标签页时表格会自动刷新。

---

⚙️ 配置文件 (config.yaml) 说明

系统核心配置位于 config.yaml，可根据需要修改：

web:
  host: "127.0.0.1"  # 监听地址
  port: 7860       # 端口号
  share: false     # 是否创建公网链接

yolov8:
  model_size: "n"  # 默认模型大小
  train:
    device: 0      # GPU索引
    batch_size: 16

llava:
  ollama_url: "http://localhost:11434" # Ollama服务地址
  model: "llava"

---

🔧 故障排查 (Troubleshooting)

问题现象	可能原因	解决方案
启动报错 NameError: yaml	依赖未正确导入	确保已运行 pip install pyyaml
LLaVA 无法启用	Ollama 服务未运行	检查是否安装 Ollama，尝试并在终端运行 ollama serve
视频检测报错 FileNotFound	缺少 FFmpeg	请安装 FFmpeg 并将其添加到系统环境变量 PATH 中
训练时显存溢出 (OOM)	批次大小过大	在训练设置中调小 Batch Size (如改为 8 或 4)
端口被占用	程序已在运行	关闭其他终端窗口，或使用任务管理器结束 python.exe 进程

---