【完结】基于深度学习的工业压力表智能检测与读数系统【4】Pyqt5制作系统软件界面

发布时间：2025-10-21 08:56

如何更新智能手表系统软件 #生活技巧# #数码产品使用技巧# #智能手表设置指南#

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于深度学习的行人跌倒检测系统】9.【基于深度学习的PCB板缺陷检测系统】10.【基于深度学习的生活垃圾分类目标检测系统】11.【基于深度学习的安全帽目标检测系统】12.【基于深度学习的120种犬类检测与识别系统】13.【基于深度学习的路面坑洞检测系统】14.【基于深度学习的火焰烟雾检测系统】15.【基于深度学习的钢材表面缺陷检测系统】16.【基于深度学习的舰船目标分类检测系统】17.【基于深度学习的西红柿成熟度检测系统】18.【基于深度学习的血细胞检测与计数系统】19.【基于深度学习的吸烟/抽烟行为检测系统】20.【基于深度学习的水稻害虫检测与识别系统】21.【基于深度学习的高精度车辆行人检测与计数系统】22.【基于深度学习的路面标志线检测与识别系统】23.【基于深度学习的智能小麦害虫检测识别系统】24.【基于深度学习的智能玉米害虫检测识别系统】25.【基于深度学习的200种鸟类智能检测与识别系统】26.【基于深度学习的45种交通标志智能检测与识别系统】27.【基于深度学习的人脸面部表情识别系统】28.【基于深度学习的苹果叶片病害智能诊断系统】29.【基于深度学习的智能肺炎诊断系统】30.【基于深度学习的葡萄簇目标检测系统】31.【基于深度学习的100种中草药智能识别系统】32.【基于深度学习的102种花卉智能识别系统】33.【基于深度学习的100种蝴蝶智能识别系统】34.【基于深度学习的水稻叶片病害智能诊断系统】35.【基于与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于深度学习的智能草莓病害检测与分割系统】37.【基于深度学习的复杂场景下船舶目标检测系统】38.【基于深度学习的农作物幼苗与杂草检测系统】39.【基于深度学习的智能道路裂缝检测与分析系统】40.【基于深度学习的葡萄病害智能诊断与防治系统】41.【基于深度学习的遥感地理空间物体检测系统】42.【基于深度学习的无人机视角地面物体检测系统】43.【基于深度学习的木薯病害智能诊断与防治系统】44.【基于深度学习的野外火焰烟雾检测系统】45.【基于深度学习的脑肿瘤智能检测系统】46.【基于深度学习的玉米叶片病害智能诊断与防治系统】47.【基于深度学习的橙子病害智能诊断与防治系统】48.【基于深度学习的车辆检测追踪与流量计数系统】49.【基于深度学习的行人检测追踪与双向流量计数系统】50.【基于深度学习的反光衣检测与预警系统】51.【基于深度学习的危险区域人员闯入检测与报警系统】52.【基于深度学习的高密度人脸智能检测与统计系统】53.【基于深度学习的CT扫描图像肾结石智能检测系统】54.【基于深度学习的水果智能检测系统】55.【基于深度学习的水果质量好坏智能检测系统】56.【基于深度学习的蔬菜目标检测与识别系统】57.【基于深度学习的非机动车驾驶员头盔检测系统】58.【太基于深度学习的阳能电池板检测与分析系统】59.【基于深度学习的工业螺栓螺母检测】60.【基于深度学习的金属焊缝缺陷检测系统】61.【基于深度学习的链条缺陷检测与识别系统】62.【基于深度学习的交通信号灯检测识别】63.【基于深度学习的草莓成熟度检测与识别系统】64.【基于深度学习的水下海生物检测识别系统】65.【基于深度学习的道路交通事故检测识别系统】66.【基于深度学习的安检X光危险品检测与识别系统】67.【基于深度学习的农作物类别检测与识别系统】68.【基于深度学习的危险驾驶行为检测识别系统】69.【基于深度学习的维修工具检测识别系统】70.【基于深度学习的维修工具检测识别系统】71.【基于深度学习的建筑墙面损伤检测系统】72.【基于深度学习的煤矿传送带异物检测系统】73.【基于深度学习的老鼠智能检测系统】74.【基于深度学习的水面垃圾智能检测识别系统】75.【基于深度学习的遥感视角船只智能检测系统】76.【基于深度学习的胃肠道息肉智能检测分割与诊断系统】77.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】78.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】79.【基于深度学习的果园苹果检测与计数系统】80.【基于深度学习的半导体芯片缺陷检测系统】81.【基于深度学习的糖尿病视网膜病变检测与诊断系统】82.【基于深度学习的运动鞋品牌检测与识别系统】83.【基于深度学习的苹果叶片病害检测识别系统】84.【基于深度学习的医学X光骨折检测与语音提示系统】85.【基于深度学习的遥感视角农田检测与分割系统】86.【基于深度学习的运动品牌LOGO检测与识别系统】87.【基于深度学习的电瓶车进电梯检测与语音提示系统】88.【基于深度学习的遥感视角地面房屋建筑检测分割与分析系统】89.【基于深度学习的医学CT图像肺结节智能检测与语音提示系统】90.【基于深度学习的舌苔舌象检测识别与诊断系统】91.【基于深度学习的蛀牙智能检测与语音提示系统】92.【基于深度学习的皮肤癌智能检测与语音提示系统】

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------》

目录基本功能演示引言系统核心功能及其说明1. 核心功能系统操作说明（1）图片检测说明（2）视频检测说明（3）摄像头检测说明（4）保存图片与视频检测说明系统制作基本流程如下1.前端界面设计2.后端代码编写3.检测结果保存4.界面美化总结【获取方式】

基本功能演示

【CV综合实战】基于深度学习的工业压力表智能检测与读数系统【python源码+Pyqt5界面+数据集+训练代码】

摘要：在工业环境中，压力表作为关键的监控设备，用于实时监测各种系统和流程中的压力变化，对确保生产安全与效率至关重要。本文基于YOLO11的深度学习框架，通过783张实际场景中拍摄的工业压力表相关图片，训练了可进行压力表目标检测的模型，然后用Unet网络，通过414张分图片训练压力表指针与刻度分割模型，对检测出的压力表指针与刻度进行分割，然后通过OpenCV进行后处理的读数读取。最终基于以上内容制作了一款带UI界面的工业压力表智能检测与读数系统，更便于实际应用。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压力表数据读取，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

引言

该系列文章主要介绍一个《基于深度学习的工业压力表智能检测与读数系统》的制作流程：包含了项目所有源码与模型训练数据集、训练代码与训练结果等内容。最终实现效果如下：
在这里插入图片描述

该系统制作主要包括以下几步：

压力表目标检测模型的训练,该项目使用的是YOLO11；压力表指针与刻度分割模型的训练，该项目使用的是Unet；OpenCV对分割结果进行后处理，并读取压力表读数；系统软件界面的制作。

之前已经介绍了前2步的实现：
第一步实现压力表位置检测，见文章：《【CV综合实战】基于深度学习的工业压力表智能检测与读数系统【1】压力表位置检测》
第二步实现指针与刻度分割，见文章：《【CV综合实战】基于深度学习的工业压力表智能检测与读数系统【2】表盘指针与刻度分割模型训练》
第三步实现读数读取，见文章：【CV综合实战】基于深度学习的工业压力表智能检测与读数系统【3】使用OpenCV读取分割后的压力表读数

基于上述3篇文章内容，我们已经完全实现了压力表的智能检测与读取。 但是为了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。我们需要要搭建一个系统软件界面，通过界面的形式，用户能够轻松的进行图片、视频或者摄像头等画面检测。

本文将基于Pyqt5制作一个系统UI界面，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等进行保存。最终实现的界面效果如引言中所示。

系统核心功能及其说明

1. 核心功能

可用于实际场景中的工业压力表智能检测与数据读取，本系统支持下面3种类型的压力表信息读取;
【注：由于模型训练使用的数据集有限，并不能适用所有场景，实际应用场景可能需要根据实际情况进行模型微调或者相应的后处理调整。】
在这里插入图片描述

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；界面可实时显示目标位置、目标总数、置信度、用时、检测结果等信息;支持图片或者视频的检测结果保存；支持将图片的检测结果保存为csv文件;

系统操作说明

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。
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。

（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。
【注：由于使用的是目标检测与目标分割两个模型实现的读数，模型处理需要的时间较长，读取一帧图片约1s左右。出现卡顿属于正常现象，系统默认采用跳帧方式，每10帧读取一次读数】

（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。
【注：由于使用的是目标检测与目标分割两个模型实现的读数，模型处理需要的时间较长，读取一帧图片约1s左右。出现卡顿属于正常现象，系统默认采用跳帧方式，每10帧读取一次读数】

（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：
在这里插入图片描述

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。

在这里插入图片描述

系统制作基本流程如下

使用QtDesigner进行软件系统前端界面的制作；使用信号（Signal）和槽（Slot）机制处理事件（如：按钮点击、下拉框等）。检测结果的表格数据展示与存储界面样式美化

1.前端界面设计

这里我们直接使用QtDesigner进行系统需要的相关功能界面设计。如下所示：
在这里插入图片描述

2.后端代码编写

基于上述界面，编写后端功能代码，通过Pyqt5的信号（Signal）和槽（Slot）机制处理事件进行连接，以实现各项功能，代码如下：

def signalconnect(self): self.ui.PicBtn.clicked.connect(self.open_img) self.ui.comboBox.activated.connect(self.combox_change) self.ui.VideoBtn.clicked.connect(self.vedio_show) self.ui.CapBtn.clicked.connect(self.camera_show) self.ui.SaveBtn.clicked.connect(self.save_detect_result) self.ui.ExitBtn.clicked.connect(QCoreApplication.quit) self.ui.FilesBtn.clicked.connect(self.detact_batch_imgs) self.ui.tableWidget.cellClicked.connect(self.on_cell_clicked)

python

123456789

3.检测结果保存

通过点击保存按钮，实现图片或者视频检测结果保存。对于视频的检测结果存储，为了防止系统卡住，采用的QThread 异步多线程的方式，进行存储：

if res == QMessageBox.Yes: self.video_stop() self.ui.VideoBtn.setText('打开视频') com_text = self.ui.comboBox.currentText() self.btn2Thread_object = btn2Thread(self.org_path, self.model, com_text,self.conf, self.iou) self.btn2Thread_object.start() self.btn2Thread_object.update_ui_signal.connect(self.update_process_bar) else: return

python

123456789