基于YOLO26的热红外隐蔽武器检测系统设计与实现

摘要：随着公共安全形势日益严峻，隐蔽武器的智能检测成为安防领域的重要研究方向。本文设计并实现了一种基于YOLO26深度学习模型的热红外隐蔽武器智能检测系统。

项目概览

项目简介

系统采用多线程架构，通过PyQt5构建用户交互界面，集成CLAHE图像增强与降噪预处理算法，实现了对图片、视频和实时摄像头等多数据源的检测支持。针对热红外图像对比度低、噪声干扰大的特点，提出了基于CLAHE的自适应增强算法，使检测精度提高12个百分点。设计了基于Qt信号-槽机制的多线程异步推理架构，将深度学习推理任务与用户界面分离，保证了系统的实时响应能力。实现了智能类别映射机制，支持检测结果的中文显示和未知类别的自动识别。

实验结果表明，该系统在包含1741张图像的热红外数据集上训练150个epoch后，mAP@0.5达到96.4%，mAP@0.5-0.95达到91.8%，平均处理速度为30FPS，能够满足实时检测的性能要求。系统还实现了用户认证、检测记录管理和统计分析等完整功能，为公共场所的智能安防提供了有效的技术方案。

系统架构

本系统采用基于PyQt5的三层架构设计：表示层通过多线程图形用户界面实现人机交互，提供数据源选择、参数配置、结果展示和用户认证等功能；业务逻辑层通过独立的YOLOInferenceThread后台线程执行YOLO26模型推理，集成CLAHE对比度受限自适应直方图均衡化和高斯降噪算法进行图像预处理，并通过智能类别映射字典实现检测结果的中文转换；数据层负责检测记录的JSON格式持久化存储、用户认证信息管理和历史数据查询，三层之间通过Qt信号-槽机制实现线程安全的异步通信，采用detection_requested、frame_processed、progress_update等信号传递检测任务和结果数据，保证了深度学习推理过程不阻塞用户界面，系统平均响应时间小于50ms，能够满足实时检测的性能要求。

图1 系统架构图

技术创新

创新点1：多线程异步推理架构设计

设计了基于Qt信号-槽机制的多线程异步推理架构，将YOLO26模型推理任务放置在独立的YOLOInferenceThread后台线程中执行，通过detection_requested信号触发检测任务，使用frame_processed信号传递推理结果和处理后的图像，采用progress_update信号实时更新处理进度，利用inference_finished和error_occurred信号处理异常情况，实现了推理线程与GUI主线程的完全解耦，有效解决了深度学习推理计算密集型任务阻塞用户界面的问题，保证了界面的流畅响应和良好的用户体验，系统平均响应时间小于50ms，在处理高分辨率视频时仍能保持30FPS的实时处理能力。

创新点2：热红外图像自适应增强算法集成

针对热红外图像固有的对比度低、细节模糊、噪声干扰大等特点，在模型推理前集成了基于CLAHE（Contrast Limited Adaptive Histogram Equalization，对比度受限自适应直方图均衡化）的图像增强流程，设置clipLimit=2.0和tileGridSize=(8,8)参数进行局部对比度增强，然后应用高斯滤波进行降噪处理，消除增强过程引入的噪声放大效应，该预处理流程显著提升了热红外图像中隐蔽武器目标的视觉显著性和边缘清晰度，实验表明相比直接对原始图像进行推理，集成图像增强算法后模型的平均检测精度提高了12个百分点，mAP@0.5从84.2%提升至96.4%，有效提升了系统在复杂环境和低质量图像条件下的检测能力和鲁棒性。

创新点3：智能类别映射与多源检测融合机制

提出了基于Python字典映射的智能类别中文显示机制，通过CLASS_NAMES_ZH字典实现了YOLO模型输出的英文类别名称到中文的自动转换，如weapon→”疑似武器”、gun→”疑似枪支”，对于字典中未定义的新类别采用智能前缀添加策略，自动生成”疑似+英文类别名”的中文显示形式，增强了系统的可扩展性和本地化支持；同时设计了统一的多数据源接口，通过source_type参数区分图片（image）、视频文件（video）和实时摄像头（camera）三种输入方式，在YOLOInferenceThread中根据不同数据源类型采用相应的读取和处理策略，实现了单一代码库对多种检测场景的支持，显著提升了系统的易用性、适用场景的广泛性和工程实用价值。

数据集

本研究构建了包含1741张热红外隐蔽武器图像的数据集，所有图像均为JPG格式，采用YOLO标准标注格式，每个目标用归一化的中心坐标和宽高表示，数据集按照7:2:1的比例划分为训练集（1214张）、验证集（345张）和测试集（182张），涵盖1个武器类别（weapon），图像采集自多个场景和角度，包含不同光照条件和遮挡情况，确保了数据的多样性和代表性；数据集配置文件data.yaml定义了训练集、验证集和测试集的路径以及类别信息，所有图像都经过人工标注和质量审核，标注准确率达到100%，为模型训练提供了高质量的监督信号；实验表明在该数据集上训练150个epoch后，YOLO26模型的mAP@0.5达到96.4%，mAP@0.5-0.95达到91.8%，验证了数据集的有效性和代表性。

图2 数据集直方图

图3 YOLO标注格式说明图

模型训练

图4 训练与验证指标随Epoch变化趋势图

图5 不同置信度阈值下的F1曲线

图6 目标检测PR曲线

图7 归一化混淆矩阵

快速开始

运行命令 `python auth_window.py` 启动系统，使用默认账号或注册新用户登录后，通过界面选择图片、视频或摄像头作为检测源，调整置信度阈值（默认0.5）和IOU阈值（默认0.45）等参数，点击”开始检测”按钮即可实时查看武器检测结果，所有检测记录自动保存到JSON文件并可通过界面导出为CSV格式用于进一步分析。

环境要求

系统需要Python 3.8及以上版本，依赖PyQt5（>=5.15）、OpenCV（>=4.5）、NumPy（>=1.19）和Ultralytics（>=8.0）等核心库，推荐配置NVIDIA GPU（显存≥4GB）和CUDA（>=11.0）以获得最佳实时性能，最低硬件要求为8GB系统内存和2GB硬盘空间（用于存储模型权重、数据集和检测记录），操作系统支持Windows 10/11、Ubuntu 18.04+和macOS 10.14+。

运行展示

图8 账号登录

图9 创建新账户

图10 系统主界面

图11 图片检测-疑似武器

图12 告警抓拍-疑似武器

图13 告警抓拍-保存

图14 图片检测-未检测出疑似武器

图15 视频检测-疑似武器

图16 摄像头检测-疑似武器

图17 系统检测记录

图18 系统统计概览

图19 系统参数配置

项目资源

配套文档

点击查看：基于YOLO26的热红外隐蔽武器检测系统设计与实现究 注意：收费提供！

配套文件

包括完整的项目源代码、演示视频、运行截图，开箱即用。

项目信息

作者信息

作者：Bob (张家梁)
项目编号：AI-77-P
原创声明：本项目为原创作品

联系方式

开源协议

本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。