智慧农业利器：基于 YOLO26 的苹果成熟度自动检测系统（5级分类 / 94.3% mAP）（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

44人浏览 · 2026-04-22 10:40:45

斌擎人工智能官方账号 · 2026-04-22 10:40:45 发布

摘要

针对苹果分级中成熟度识别依赖人工、效率低且主观性强的问题，本文基于YOLO26算法构建了一套苹果成熟度识别检测系统。系统共定义5个类别：20%成熟度、50%成熟度、75%成熟度、100%成熟度及烂苹果。实验采用YOLO26模型，在包含2144张训练图像、359张验证图像和225张测试图像的私有数据集上进行训练与评估。实验结果表明，模型整体mAP50达到94.3%，其中20%成熟度、75%成熟度和烂苹果的mAP50分别高达99.0%、99.4%和97.8%，推理速度达1.0ms/张，满足实时检测需求。尽管100%成熟度的识别精度相对偏低，但整体系统在苹果成熟度自动识别任务中表现良好，具有较高的实用与推广价值。

训练曲线分析（results.png）编辑

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。

✅ 参数实时调节（置信度和IoU阈值）

✅ 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

✅ 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

苹果作为全球消费量最大的水果之一，其采后分级质量直接影响市场售价、消费者满意度及深加工产品的品质。成熟度是苹果分级中最核心的指标之一，不同成熟度的苹果在口感、硬度、糖酸比、耐储性等方面存在显著差异。传统上，苹果成熟度的判定主要依赖人工经验，通过观察果皮颜色、硬度及淀粉染色等方式进行。这种方法不仅效率低下，而且高度依赖检验人员的经验和主观判断，难以在大规模、标准化的工业生产中保证一致性与准确性。

近年来，随着计算机视觉与深度学习技术的快速发展，基于图像的目标检测算法在农产品自动分级领域展现出巨大潜力。其中，YOLO系列算法凭借其端到端、实时性好、精度高等优点，已成为农业视觉任务中的主流方法。通过构建包含多个成熟度等级的数据集并训练深度学习模型，可以有效实现苹果成熟度的自动、快速、无损识别，为智能农业和无人化分拣系统提供关键技术支撑。

本研究基于YOLO26算法，构建了一个覆盖5个成熟度等级（含烂苹果）的苹果成熟度识别检测系统。通过对模型训练过程的系统性分析、各类别识别性能对比及混淆矩阵评估，验证了该系统在实际应用场景中的可行性与局限性。本文的研究成果可为后续苹果智能分拣系统的工程化部署提供参考。

背景

苹果成熟度的精准识别在果品采后处理、贮藏管理、鲜食销售及深加工等多个环节中具有决定性作用。不同成熟度的苹果在生理特性、外观表现及商品价值方面存在显著差异，例如：

低成熟度苹果（如20%）：果皮呈浅绿色或淡红色，淀粉含量高，口感酸涩，硬度大，适合长途运输及长期冷藏；
半成熟苹果（如50%、75%）：果皮转色明显，糖分逐步积累，口感改善，适合短期销售或进一步催熟；
完全成熟苹果（100%）：果皮呈现品种典型色泽（如全红、全黄），糖酸比达到最佳，食用品质最好，但质地软化，易受机械损伤；
烂苹果：出现霉菌、褐变或软腐，不仅丧失商品价值，还会污染周边健康果实，必须在分拣环节剔除。

在传统果园及包装厂中，成熟度的判定仍以人工目视和手感为主。这种方式的局限性体现在以下几个方面：

主观性强，标准不一：不同检验人员的经验差异会导致分级标准不一致，影响产品批次间的稳定性。
效率低下：人工分级速度有限，难以适应现代化高吞吐量生产线的需求。
疲劳导致误判：长时间重复劳动易造成视觉疲劳，降低识别准确性。
数据无法沉淀：人工分级结果难以数字化，不利于质量溯源与生产优化。

随着计算机视觉、尤其是深度学习目标检测算法的突破，基于图像自动识别苹果成熟度成为可能。YOLO系列算法能够在单张图像中同时完成目标定位与分类，且推理速度快，适合部署到边缘计算设备或嵌入式分拣平台中。近年来，已有研究利用YOLOv5、YOLOv8等模型对水果成熟度进行识别，但多数研究仅区分“未熟/半熟/全熟”三个粗糙等级，或仅检测缺陷果，缺乏对成熟度梯度的精细划分，且对高成熟度（如100%）与半成熟之间的混淆问题关注不足。

因此，构建一个精细划分多级成熟度（包括20%、50%、75%、100%及烂苹果）的苹果检测数据集，并系统评估YOLO26模型在真实场景下的表现，对于推动智能农业与自动化分拣技术的发展具有重要的研究意义和工程应用价值。

数据集介绍

本研究使用的数据集为自建苹果成熟度图像数据集。

类别定义

根据苹果成熟度及质量状况，共定义5个类别：

类别名称	含义
20-_ripeness	低成熟度，果皮以绿色为主，少量转色
50-_ripeness	半成熟，果皮红绿相间
75-_ripeness	中高成熟度，大部分转色但仍带绿色
100-_ripeness	完全成熟，典型商品果色泽
rotten_apple	烂苹果，出现褐斑、软化或霉变

数据划分

数据集	图像数量
训练集	2144 张
验证集	359 张
测试集	225 张

训练结果

整体性能评估（所有类别）

指标	值
mAP50	0.943
mAP50-95	0.772
精确率 (Precision)	0.901
召回率 (Recall)	0.890
推理速度	1.0 ms / 张

整体模型表现优秀，mAP50 达到 94.3%，说明模型对苹果成熟度的识别能力很强。

各类别性能分析

类别	样本数	P	R	mAP50	mAP50-95	评价
20% 成熟度	30	0.824	1.00	0.990	0.878	✅ 完美识别
75% 成熟度	58	0.856	1.00	0.994	0.994	✅ 完美识别
烂苹果	157	0.932	0.936	0.978	0.890	✅ 非常好
50% 成熟度	217	0.965	0.908	0.948	0.750	✅ 良好
100% 成熟度	801	0.750	0.780	0.806	0.345	⚠️ 相对较弱

混淆矩阵分析（归一化）

从 confusion_matrix_normalized.png 可以看出：

100% 成熟度 被误判为：
- 20% 成熟度（0.03）
- 50% 成熟度（0.02）
- 烂苹果（0.02）
- 背景（0.00）
其他类别之间误判较少

说明模型在区分极端成熟度（20%、75%、烂苹果）上表现极佳，但 100% 与 50%/75% 之间边界模糊。

训练曲线分析（results.png）

指标	趋势	结论
train/box_loss	稳定下降	✅ 正常
train/cls_loss	稳定下降	✅ 正常
val/box_loss	稳定	✅ 无过拟合
val/cls_loss	稳定	✅ 无过拟合
precision / recall	上升后平稳	✅ 收敛良好
mAP50 / mAP50-95	上升后平稳	✅ 收敛良好

模型训练过程没有明显过拟合或欠拟合，收敛稳定。

精度-召回曲线（PR_curve）

各类别 PR 曲线面积大，除 100% 成熟度外，其他类别接近 1.0
100% 成熟度的 PR 曲线明显偏低，进一步验证了其识别难度

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