YOLO26助力智能农业：番茄成熟度识别系统设计与实现（全成熟/半成熟/未熟）（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）
摘要
本系统基于YOLO26目标检测算法，针对番茄成熟度自动识别任务进行深入研究与实现。番茄成熟度识别在智能农业、自动化采摘和农产品分级中具有重要应用价值。系统将番茄成熟度划分为三个类别：完全成熟（fully_ripened）、绿色未熟（green）和半成熟（half_ripened）。实验采用包含804张标注图像的数据集，按8:1:1的比例划分为训练集（643张）、验证集（80张）和测试集（81张）。通过YOLO26模型训练与评估，系统在mAP50指标上达到0.83，召回率达0.94，F1分数为0.83。实验结果表明，该模型能够有效识别不同成熟度的番茄。本研究为番茄自动化分级和智能采摘系统提供了可行的技术方案。
详细功能展示视频
https://www.bilibili.com/video/BV1und2BDEJe/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764
https://www.bilibili.com/video/BV1und2BDEJe/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1und2BDEJe/
目录
1. F1-Confidence曲线（BoxF1_curve.png）编辑
3. 混淆矩阵（confusion_matrix_normalized.png）编辑
功能模块
✅ 用户登录注册：支持密码检测，密码加密。
注册
登录
✅ 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
随着智慧农业技术的快速发展，计算机视觉在农作物生长监测、成熟度判断和自动化采摘中的应用日益广泛。番茄作为全球重要的经济作物，其成熟度的准确识别对于确定最佳采摘时机、保证果实品质、减少采后损失具有关键意义。传统的人工识别方式存在主观性强、劳动强度大、效率低下等问题，难以满足现代化农业规模化生产的需求。
目标检测技术的进步为番茄成熟度自动识别提供了新的解决方案。YOLO（You Only Look Once）系列算法以其检测速度快、精度高、端到端训练的特点，在农业视觉任务中得到广泛应用。本研究基于YOLO26框架，构建了一个针对番茄成熟度的三分类检测系统，旨在实现番茄成熟度的实时、准确识别。
本系统面临的挑战包括：不同成熟度番茄之间的视觉特征过渡模糊、光照条件变化、果实遮挡重叠等问题。通过系统的实验设计和模型优化，我们验证了YOLO在番茄成熟度识别任务中的有效性，为后续的自动化采摘机器人或智能分级设备提供了算法支撑。
背景
番茄（Solanum lycopersicum）是全球消费量最大的蔬果之一，其产量和种植面积在蔬菜作物中位居前列。根据联合国粮农组织统计，全球番茄年产量超过1.8亿吨，中国作为最大的番茄生产国，产量占全球总量的三分之一以上。番茄产业的健康发展对于保障农产品供应、促进农民增收、推动农业现代化具有重要意义。
在番茄生产全流程中，成熟度判断是决定采摘时机和产品分级的核心环节。番茄成熟度直接影响果实的口感、营养价值、贮藏性能和商品价值。过早采摘会导致果实糖分积累不足、风味欠佳；过晚采摘则容易造成果实过熟软化、易受机械损伤、不耐储运。因此，准确判断番茄成熟度对于提高产品品质、减少采后损失、优化供应链管理具有重要的经济价值。
传统番茄成熟度识别主要依赖人工经验判断，通过观察果实颜色变化、硬度感知等方式进行评估。这种方法存在以下固有缺陷：
-
主观性强：不同人员对成熟度的判断标准存在差异，缺乏统一量化的评估体系；
-
效率低下：大规模生产环境下，逐个人工判断耗时耗力，难以满足采摘时效要求；
-
劳动成本高：随着农村劳动力减少和老龄化加剧，依赖人工识别的方式难以持续；
-
连续性差：人工难以实现对番茄成熟过程的连续、实时监测。
在此背景下，计算机视觉技术的引入为番茄成熟度识别带来了革命性的变革。通过图像采集设备和深度学习算法，可以实现对番茄成熟度的自动化、标准化、实时化判断。特别是目标检测技术的发展，使得在复杂自然场景下同时定位和识别多个番茄成为可能。
番茄成熟度自动识别系统的研发具有多重战略意义：
-
产业应用层面：可集成于智能采摘机器人，实现选择性采摘，提高作业效率和果实品质；
-
农业管理层面：可辅助农场进行成熟度监测，优化采收计划，减少人力投入；
-
食品安全层面：规范化的成熟度分级有助于建立可追溯的质量标准，保障消费者权益；
-
技术推广层面：为其他果蔬的成熟度自动识别提供可借鉴的技术范式。
然而，自然环境下番茄成熟度识别仍面临诸多技术挑战。首先，光照条件变化、叶片遮挡、果实重叠等问题增加了检测难度；其次，不同成熟度之间的视觉差异具有连续性，类别边界模糊；再次，成熟度判断需要综合颜色、大小、形状等多维特征，对模型的表征能力提出更高要求。这些挑战促使研究者不断探索更优的算法方案和训练策略。
当前，YOLO系列算法凭借其在检测精度和速度上的优势，已成为农业视觉任务的主流选择。本研究基于YOLO26框架，针对番茄成熟度识别任务进行系统性的模型训练与评估，以期为智慧农业领域提供可靠的技术方案。
数据集介绍
本研究所用数据集来源于自然光照条件下拍摄的番茄图像，根据番茄成熟过程中的颜色变化特征，将成熟度划分为三个类别：
-
fully_ripened（完全成熟）：果实呈红色或深红色，已达到最佳食用和采摘状态
-
green（绿色未熟）：果实呈绿色或浅绿色，尚未开始转色
-
half_ripened（半成熟）：果实处于转色期，呈现绿红相间、橙色或粉红色过渡状态
3. 数据集规模与划分
数据集总量：804张标注图像
-
训练集：643张（占比80%）
-
验证集：80张（占比10%）
-
测试集：81张（占比10%）
训练结果
整体表现概览
1. mAP50（平均精度，IoU=0.5）
-
数值：0.83
-
含义：模型在IoU阈值为0.5时的平均检测精度为83%，表现良好。
-
解读：说明模型在宽松的定位要求下，能够较好地识别和分类番茄成熟度。
2. mAP50-95
-
数值：约0.58（从results.png推测）
-
含义：在多个IoU阈值（0.5~0.95）下的平均精度。
-
解读：这个值相对较低，说明模型在精确定位方面仍有提升空间，尤其是边界框的贴合度不够理想。
各类别识别效果分析
1. F1-Confidence曲线（BoxF1_curve.png）
-
最佳F1分数：0.83 @ 置信度0.676
-
各类别表现：
-
fully_ripened：F1分数较高，说明模型对该类别的识别较为稳定。
-
2. PR曲线（BoxPR_curve.png）
-
各类别AP（Average Precision）：
-
fully_ripened：0.904 -
green：0.927 -
half_ripened：0.832 -
所有类别平均：0.888
-
-
解读：
-
green类表现最好，几乎无漏检。
-
3. 混淆矩阵（confusion_matrix_normalized.png）
-
主要混淆情况：
-
fully_ripened被误分类为half_ripened的比例较高（约12%）。 -
half_ripened被误分类为fully_ripened的比例也较高（约7%）。 -
green类识别准确率最高（90%），误分类较少。
-
训练过程分析（results.png）
1. 损失函数曲线
-
box_loss、cls_loss、dfl_loss 随epoch增加逐步下降，训练过程稳定。
-
验证集损失（val/box_loss等）与训练集趋势一致，无明显过拟合。
2. 精度指标
-
mAP50 最终稳定在 0.83，收敛良好。
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。
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
https://www.bilibili.com/video/BV1und2BDEJe/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1und2BDEJe/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1und2BDEJe/
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
18
0- 0
已为社区贡献236条内容
所有评论(0)