YOLO26助农新突破：香蕉成熟度六分类识别系统，mAP50高达0.935（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）

斌擎人工智能官方账号

672人浏览 · 2026-04-16 12:36:47

斌擎人工智能官方账号 · 2026-04-16 12:36:47 发布

摘要

香蕉成熟度识别在农业生产、采后处理及零售环节中具有重要意义。传统的人工识别方法主观性强、效率低下，难以满足大规模精准化管理的需求。本研究基于YOLO26目标检测算法，构建了一套香蕉成熟度智能识别检测系统，能够自动识别六类香蕉成熟状态：新鲜成熟（freshripe）、新鲜未熟（freshunripe）、过熟（overripe）、成熟（ripe）、腐烂（rotten）和未熟（unripe）。系统训练共使用18074张香蕉图像，其中训练集15792张、验证集1525张、测试集757张。实验结果表明，模型在测试集上的mAP50达到0.935，mAP50-95同样达到0.95，精确率和召回率均在0.90以上，展现出优异的检测性能。混淆矩阵分析显示，模型能够较好地区分各类成熟度，仅在相邻成熟阶段存在少量混淆，符合实际场景中成熟度连续变化的特性。该系统可为香蕉产业链的智能化管理提供有效技术支持。

详细功能展示视频

https://www.bilibili.com/video/BV1jHoKBQEia/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1jHoKBQEia/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764 https://www.bilibili.com/video/BV1jHoKBQEia/

功能模块

✅ 用户登录注册：支持密码检测，密码加密。

✅ 图片检测：可对图片进行检测，返回检测框及类别信息。

✅ 支持选择检测目标：可以选择一个或者多个类目的目标进行检测

✅参数实时调节（置信度和IoU阈值）

✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。

✅日志记录：日志标签页记录操作和错误信息，带时间戳

✅结果保存模块：支持图片/视频/摄像头检测结果保存

1、用户管理模块

功能	描述
用户注册	用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储
用户登录	用户名密码验证，自动跳转主界面
用户数据存储	JSON文件存储用户信息（密码加密、注册时间、邮箱）
登录状态	主界面显示当前登录用户名

2、界面与交互模块

功能	描述
玻璃效果界面	半透明毛玻璃背景，圆角边框，现代化视觉风格
无边框窗口	自定义标题栏，支持窗口拖动、最小化、最大化、关闭
响应式布局	主窗口三栏布局（左侧控制区、中央显示区、右侧信息区）
状态栏	显示设备信息、模型状态、当前用户、实时时间

3、检测源管理模块

功能	描述
图片检测	支持JPG/JPEG/PNG/BMP格式图片载入
视频检测	支持MP4/AVI/MOV/MKV格式视频载入
摄像头检测	实时调用摄像头（默认ID 0）进行检测
检测源切换	下拉菜单切换三种检测模式，自动更新界面状态

4、检测参数配置模块

功能	描述
置信度阈值	滑动条调节（0-100%，步长1%），实时显示当前值
IoU阈值	滑动条调节（0-100%，步长1%），实时显示当前值
类别选择	动态生成检测类别复选框，支持全选/取消全选
参数同步	参数实时同步到检测器核心

5、YOLO检测核心模块

功能	描述
模型加载	加载`best.pt`模型文件，自动检测GPU可用性，支持CPU/GPU切换
多模式检测	图片检测、视频检测、摄像头实时检测
检测线程	基于QThread的多线程处理，避免界面卡顿
检测结果	返回目标类别、置信度、边界框坐标
FPS计算	实时计算处理帧率
进度反馈	视频处理进度条实时更新

6、结果显示模块

功能	描述
实时画面	中央区域显示检测结果图像（带标注框）
统计信息	检测状态、目标数量、FPS、处理帧数实时更新
检测列表	右侧列表显示当前帧所有检测到的目标（类别+置信度）
日志记录	日志标签页记录操作和错误信息，带时间戳
占位显示	未选择检测源时显示系统LOGO和提示文字

7、结果保存模块

功能	描述
保存开关	复选框控制是否保存检测结果
路径选择	自定义保存路径，支持图片/视频格式自动识别
自动命名	保存文件自动添加时间戳（`detection_result_20240101_120000.jpg`）
视频保存	支持检测结果视频录制（MP4格式）
手动保存	工具栏保存按钮可随时保存当前画面
保存反馈	保存成功弹窗提示，日志记录保存路径

8、工具栏功能

功能	描述
图片按钮	快速切换到图片检测模式并打开文件选择器
视频按钮	快速切换到视频检测模式并打开文件选择器
摄像头按钮	快速切换到摄像头检测模式
保存按钮	手动保存当前显示画面

9、辅助功能

功能	描述
错误处理	统一错误弹窗提示，日志记录错误详情
资源清理	检测停止时自动释放摄像头、视频文件、视频写入器资源
时间显示	状态栏实时显示系统时间
模型状态	状态栏显示模型加载状态和当前设备（CPU/GPU）

10、数据校验模块

功能	描述
注册验证	用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证
协议确认	注册前需勾选同意用户协议
文件校验	模型文件存在性检查，文件大小验证（≥6MB）
输入非空	登录/注册时必填项非空检查

引言

香蕉是全球最重要的水果作物之一，其成熟度直接影响食用品质、储存期限和商业价值。在香蕉的采摘、运输、仓储和零售全链条中，准确判断成熟度是实现精准管理的关键环节。目前，成熟度判断主要依赖人工经验，通过观察果皮颜色、硬度等外观特征进行评估。然而，这种主观判断方式存在明显局限性：人工标准不统一导致结果差异大、大规模检测效率低下、连续作业容易产生视觉疲劳，且难以实现数字化管理和追踪。

近年来，深度学习技术，特别是目标检测算法的快速发展，为农产品品质智能化识别提供了新的解决方案。YOLO系列算法凭借其检测速度快、精度高的优势，在农业视觉任务中得到广泛应用。本研究采用YOLO26算法构建香蕉成熟度检测系统，旨在实现六类成熟状态的自动识别，为香蕉产业的数字化转型提供技术支撑。

背景

香蕉作为典型的呼吸跃变型水果，其成熟过程伴随着一系列复杂的生理生化变化。果皮颜色从绿色逐渐转为黄色，最终出现褐色斑点；果肉淀粉转化为糖分，硬度下降，香气物质积累。这些变化不仅决定了食用品质，也直接影响香蕉的货架期和商品价值。在商业流通中，准确判断香蕉成熟度具有多重重要意义：

从采后管理角度看，香蕉采收时通常处于七八成熟状态，需要经过人工催熟后才能上市。不同成熟度的香蕉需要差异化的储存温度和乙烯处理时间，精准识别成熟度有助于优化催熟工艺，减少损耗。从仓储物流角度看，香蕉在运输过程中会持续成熟，及时识别不同成熟阶段的果实，可以合理安排出库顺序，避免过度成熟造成的损失。从零售消费角度看，消费者对香蕉成熟度有不同偏好，有人喜欢偏硬的新鲜成熟果，有人偏好完全变软的成熟果。准确标注成熟度可以提升消费体验，减少因成熟度不合适导致的浪费。

然而，香蕉成熟度的视觉识别面临诸多挑战。首先，成熟度是一个连续变化过程，相邻阶段之间的界限模糊，例如新鲜未熟与新鲜成熟之间、成熟与过熟之间往往难以严格划分。其次，光照条件、拍摄角度、香蕉品种等因素都会影响图像特征，增加了识别的难度。再者，不同成熟阶段的样本数量往往不平衡，完全腐烂或未熟的极端状态样本较少，容易导致模型对这些类别的识别能力不足。

传统的香蕉成熟度检测方法主要依靠物理化学测量，如硬度计、糖度计、色差仪等，这些方法虽然精确，但破坏性大、效率低，不适合大规模快速检测。基于计算机视觉的方法早期多采用传统的图像处理技术，通过提取颜色、纹理等人工特征进行分类，但特征设计依赖专家经验，泛化能力有限。深度学习方法能够自动学习层次化特征，在复杂场景下表现更为稳健。

本研究正是基于上述背景，利用YOLO26目标检测算法，构建能够适应复杂环境、准确识别六类香蕉成熟度的智能检测系统，为香蕉产业的智能化升级提供解决方案。

数据集介绍

本研究构建的香蕉成熟度图像数据集共包含18074张标注图像，按照约8:1:1的比例划分为训练集、验证集和测试集。其中训练集15792张，用于模型参数学习；验证集1525张，用于超参数调优和模型选择；测试集757张，用于最终性能评估。

数据集涵盖六类香蕉成熟度状态，分别为：

类别名称	中文含义	特征描述
freshripe	新鲜成熟	果皮呈亮黄色，略带绿色尖端，果肉饱满有弹性
freshunripe	新鲜未熟	果皮以绿色为主，开始转黄，质地较硬
overripe	过熟	果皮出现大面积褐色斑点，果肉变软，可能出现糖斑
ripe	成熟	果皮均匀黄色，略有褐色斑点，达到最佳食用状态
rotten	腐烂	果皮发黑，果肉软化流水，可能伴有霉变
unripe	未熟	果皮全绿，质地坚硬，尚未开始转色

训练结果

1. 模型性能概览

从 results.png 中可以看到，模型在训练过程中各项指标稳步提升：

mAP50 最终达到 0.935
mAP50-95 最终达到 0.935
Precision 和 Recall 均在 0.90 以上

这表明模型在检测香蕉成熟度方面具有高精度和高召回率，整体表现非常优秀。

2. 各类别检测性能分析

从 `BoxPR_curve.png` 和 `BoxF1_curve.png` 中可以看出：

类别	Recall	平均精度（mAP@0.5）	F1-score（最佳阈值）
freshripe	0.950	1.00	0.97（阈值为0.3~0.6）
freshunripe	0.928	1.00	0.97（阈值为0.3~0.6）
overripe	0.979	1.00	0.97（阈值为0.3~0.6）
ripe	0.941	1.00	0.97（阈值为0.3~0.6）
rotten	0.907	1.00	0.97（阈值为0.3~0.6）
unripe	0.906	1.00	0.97（阈值为0.3~0.6）

结论：

所有类别的 mAP@0.5 均为 1.00，说明模型在 IoU=0.5 的阈值下能够完美区分各类别。
overripe 的召回率最高（0.979），rotten 和 unripe 的召回率稍低（0.907 和 0.906）

3. 混淆矩阵分析

原始混淆矩阵（`confusion_matrix.png`）：

归一化混淆矩阵（`confusion_matrix_normalized.png`）：

各类别对角线值大多在 0.88~0.93，说明分类准确率较高。
主要混淆出现在相邻成熟阶段，如：
- freshripe ↔ freshunripe
- freshunripe ↔ overripe
- overripe ↔ ripe

结论：

模型在区分相邻成熟阶段时存在一定混淆，这在实际应用中是合理的，因为香蕉成熟度是一个连续变化过程，边界本身就不清晰。

4. 精确率-召回率曲线（`BoxPR_curve.png`）

所有类别的 PR 曲线都非常接近右上角，说明模型在保持高精确率的同时也能维持高召回率。
尤其在高置信度阈值下（0.9以上），精确率接近1.0，说明模型对高置信度预测非常可靠。

5. 训练过程分析（`results.png`）

训练损失（box_loss, cls_loss, dfl_loss）持续下降，说明模型收敛良好。
验证集损失也同步下降，未出现过拟合迹象。
mAP50 和 mAP50-95 在训练后期趋于稳定，说明模型已达到性能饱和点。

Ultralytics YOLO26

概述

Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。

YOLO26 的架构遵循三个核心原则：

简洁性: YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
部署效率： 端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于 Segmentation 的语义分割损失和多尺度原型模块，用于高精度 姿势估计 的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决 旋转框检测 中的边界问题。

这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在 CPU 上的运行速度提高了 43% — 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。

主要功能

DFL 移除
分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。
端到端无NMS推理
与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。
ProgLoss + STAL
改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。
MuSGD Optimizer
一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。
CPU推理速度提升高达43%
YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。
实例分割增强
引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。
精确姿势估计
集成残差对数似然估计(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。
优化旋转框检测解码
引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。

常用标注工具

假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：

Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。

用于实例分割的 LabelMe 标注工具

这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。

界面核心代码：

详细功能展示视频

AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

企业评估 Agent 成熟度的五级模型

智能Agent：是指能够感知环境、做出决策并采取行动以实现特定目标的计算机系统。它具有自主性、反应性、主动性和社交能力等特征。成熟度模型：是一种框架，用于描述一个实体（如组织、系统或过程）从初始状态到优化状态的演进路径。它通常由多个离散的级别组成，每个级别代表一组特定的能力和特征。Agent成熟度：指的是Agent系统在自主性、适应性、协作性、学习能力和可靠性等关键维度上的发展水平。在深入探讨上下

AtomGit开源社区

【EI复现】基于元模型优化算法的主从博弈多虚拟电厂动态定价和能量管理(Matlab代码实现）

基于元模型的优化算法是一种基于历史数据来驱动样本点的加入从而逼近局部或全局最优解的优化机制，能够改善传统启发式智能算法需要繁复数值模拟的缺陷，目前在飞行器设计等航空航天领域的应用[20]最为广泛，在电力系统方面也有初步的应用。提出基于 Kriging 元模型的博弈均衡算法，在求解过程中建立 Kriging 元模型替代 VPP 内部的能量管理模型，利用粒子群优化算法搜索优异采样点，更新修正 Krig