基于 YOLOv5 的积水检测系统：打造高效智能的智慧城市应用

本文主要是介绍基于 YOLOv5 的积水检测系统：打造高效智能的智慧城市应用，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

在城市发展中，积水问题日益严重，特别是在大雨过后，积水往往会影响交通甚至威胁人们的安全。通过现代计算机视觉技术，我们能够智能化地检测和识别积水区域，减少潜在危险。本文将介绍如何使用 YOLOv5 和 PyQt5 搭建一个积水检测系统，结合深度学习和直观的图形界面，为用户提供高效的解决方案。

源码地址：

PyQt5+YoloV5 实现积水检测系统

预览：

项目背景

积水检测的需求源于防止城市交通瘫痪和安全隐患的实际需求。传统的监控系统无法自动识别积水区域，而人工检测需要大量的人力物力。通过计算机视觉，特别是使用 YOLOv5（一种流行的目标检测算法），我们可以自动化这一过程，实时监测城市中的积水情况。

本项目结合了 YOLOv5 模型来实现积水检测，并通过 PyQt5 构建了用户友好的图形界面。用户可以轻松上传视频或图像，系统会快速检测出积水区域并反馈检测结果。

1. YOLOv5：目标检测的强力工具

YOLOv5 是近年来备受关注的目标检测算法，它具有快速、准确的特点，非常适合需要实时检测的应用场景。在本项目中，我们对 YOLOv5 进行了针对积水检测的训练，使其能够识别并标记图像或视频中的积水区域。

YOLOv5 的核心优势：

实时检测：YOLOv5 可以在较高帧率下进行实时目标检测，尤其适合监控视频流的积水检测。
高精度：通过自定义的数据集训练，YOLOv5 可以非常准确地检测积水区域，即使在复杂环境下也能有效工作。
轻量化部署：与其他检测算法相比，YOLOv5 更加轻量级，易于在嵌入式设备或服务器上部署。

YOLOv5 检测的核心代码：

def run(model, img, stride, pt, imgsz=(640, 640), conf_thres=0.05, iou_thres=0.15, max_det=1000, device='', classes=None, agnostic_nms=False, augment=False, half=False):device = select_device(device)names = model.module.names if hasattr(model, 'module') else model.names# 图像预处理im = letterbox(img, imgsz, stride=stride, auto=pt)[0]im = im.transpose((2, 0, 1))[::-1]  # HWC to CHW, BGR to RGBim = np.ascontiguousarray(im)im = torch.from_numpy(im).to(device)im = im.half() if half else im.float()  # 使用 FP16 进行加速im /= 255.0  # 将图像值从 0-255 归一化到 0.0-1.0if len(im.shape) == 3:im = im[None]  # 扩展维度以支持 batch 操作# 模型推理pred = model(im, augment=augment)# 非极大值抑制pred = non_max_suppression(pred, conf_thres, iou_thres, classes=classes, agnostic=agnostic_nms, max_det=max_det)results = []for det in pred:if len(det):det[:, :4] = scale_coords(im.shape[2:], det[:, :4], img.shape).round()for *xyxy, conf, cls in reversed(det):label = f'{names[int(cls)]}'results.append([label, xyxy, float(conf)])return results

2. 项目架构

本项目分为两大部分：

YOLOv5 积水检测模块：对输入图像或视频进行积水检测，返回识别出的积水区域。
PyQt5 用户界面模块：为用户提供友好的界面，支持文件上传、检测结果展示，并且以图形化方式展示检测数据。

3. 数据准备与训练 YOLOv5 模型

为了使 YOLOv5 能够准确检测积水区域，我们首先需要准备一个专门的积水数据集。数据集包括标注好的图片或视频，标注的内容为积水区域的边界框。通过对这些数据进行训练，YOLOv5 能够学习积水区域的特征，达到高精度检测的效果。

训练步骤概述：

数据标注：使用工具（如 LabelImg）对图片中的积水区域进行标注，生成 YOLOv5 需要的 .txt 标签文件。
模型训练：在 COCO 数据集的基础上，使用积水数据集进行微调，提升 YOLOv5 对积水检测的专注性。
测试与验证：通过测试集验证模型的准确度，调整参数（如置信度阈值和 IoU 阈值），以获得最佳效果。

4. 使用 PyQt5 构建积水检测系统

PyQt5 是一个功能强大的 Python GUI 框架。我们使用 PyQt5 构建了图形界面，使得用户可以方便地与积水检测系统交互。用户可以通过界面上传图片或视频，系统将使用训练好的 YOLOv5 模型进行检测并将结果以图形化方式显示。

用户界面的核心功能：

上传文件：用户可以上传图片或视频，系统会自动调用 YOLOv5 模型进行积水检测。
实时结果展示：检测结果会以标注的形式在图像上显示，用户可以看到积水的具体位置和面积。
历史记录：系统还提供了历史检测记录的查询功能，用户可以查看之前的检测数据。

PyQt5 用户界面代码：

def select_file(self):fname, _ = QFileDialog.getOpenFileName(self, '选择文件', '', '图片/视频文件 (*.jpg *.png *.mp4 *.avi)')if fname:self.filepath = fnameself.printf(f"选择的文件: {self.filepath}")print(f"控制台提示: 选择的文件路径为 {self.filepath}")def start_detection(self):print("开始检测...")self.thread = DetectionThread(self.filepath, self, self.model, self.stride, self.names, self.pt)self.thread.warning_signal.connect(self.show_warning_dialog)  # 连接线程信号self.thread.start()def showimg(self, img):rgb_image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)h, w, ch = rgb_image.shapebytes_per_line = ch * wq_image = QImage(rgb_image.data, w, h, bytes_per_line, QImage.Format_RGB888)pixmap = QPixmap.fromImage(q_image)self.label_2.setPixmap(pixmap)

用户通过点击按钮选择文件，程序会调用 YOLOv5 模型进行积水检测，并将结果显示在 GUI 上。showimg 函数将检测后的图像显示在窗口中，用户可以清晰地看到积水的区域。

5. 结果展示与性能优化

当检测完毕后，系统会将检测结果以图形方式展示在用户界面上，积水区域会用边框标注出来，用户可以查看积水的大小、位置等关键信息。

为了提升用户体验，整个检测过程是实时进行的，检测速度和精度都可以通过调整 YOLOv5 的超参数（如置信度阈值、IoU 阈值等）进行优化。以下是调整置信度和 IoU 阈值的代码示例：

def open_sensitivity_dialog(self):dialog = SensitivityDialog(self)if dialog.exec_() == QDialog.Accepted:self.conf_thres, self.iou_thres = dialog.get_values()self.printf(f"灵敏度已更新: 置信度阈值 = {self.conf_thres}, IoU阈值 = {self.iou_thres}")print(f"灵敏度已更新: 置信度阈值 = {self.conf_thres}, IoU阈值 = {self.iou_thres}")