YOLOv8植物病害识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）
摘要
植物病害是威胁全球农业产量与质量的主要因素之一，传统的人工识别方法依赖专家经验，效率低、主观性强。本文基于YOLOv8目标检测算法，构建了一套涵盖30类植物及其叶片病害的检测系统，包括苹果、玉米、马铃薯、番茄、葡萄等主要作物的健康叶片及典型病害类型。数据集共包含2255张图像，其中训练集2009张，验证集246张。实验结果显示，模型在验证集上的平均精度（mAP50）约为0.75，最佳F1值为0.58。整体而言，模型具备初步的学习能力，但泛化性能和类别平衡性仍有较大提升空间。
关键词：YOLOv8；植物病害检测；目标检测；深度学习；农业智能化
目录
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。
✅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
农业生产中，植物病害的早期发现与准确识别是保障作物健康生长、减少经济损失的关键环节。传统病害诊断主要依靠植保专家的肉眼观察与经验判断，不仅耗时耗力，而且难以在大规模农田中实时推广。近年来，随着计算机视觉与深度学习技术的发展，基于图像的目标检测方法在植物病害识别领域展现出巨大潜力。
YOLO（You Only Look Once）系列算法因其检测速度快、精度较高、端到端的特性，已成为农业病害检测领域的研究热点。YOLOv8作为该系列的最新版本之一，在特征提取、损失函数和正负样本分配策略上进行了多项优化，更加适用于复杂背景下的多类别目标检测任务。
本研究旨在构建一个覆盖30类常见植物及其叶片病害的YOLOv8检测系统，系统评估其在真实叶片图像数据上的检测性能，并通过混淆矩阵、精确率-召回率曲线、F1曲线等指标分析模型的优势与不足，为后续农业病害智能检测系统的优化提供参考依据。
背景
植物病害检测的现实需求
植物病害的爆发具有传播快、危害大的特点。以番茄晚疫病、玉米叶枯病、葡萄黑腐病为例，若在发病初期未能及时发现并采取防治措施，可能导致大面积减产甚至绝收。传统化学防治方法因盲目用药带来的环境污染和农产品安全问题日益突出，精准农业要求对病害进行早期、准确、定点识别，从而实现按需施药。然而，农业植保专业技术人员数量有限，难以覆盖广大农村地区。因此，研发一套自动化、高精度的植物病害图像识别系统，具有重要的现实意义和广泛的应用前景。
深度学习在植物病害识别中的发展
早期植物病害识别主要依赖传统图像处理方法，如颜色直方图、纹理特征、SIFT等，需要人工设计特征，鲁棒性差，难以应对光照变化、背景复杂、病害表现多样等真实场景。2012年AlexNet在ImageNet竞赛中取得突破后，卷积神经网络开始被大量应用于植物病害识别任务。其中，分类任务（如PlantVillage数据集）取得了超过99%的准确率，但分类模型无法定位病害在叶片上的具体位置，难以满足精准施药的要求。
目标检测算法的出现解决了这一问题。Faster R-CNN、SSD、YOLO等模型能够同时输出目标的类别和边界框位置，更适合田间机器人或无人机施药系统。尤其是YOLO系列模型，在保持较高精度的同时实现了实时检测，近年来已被成功应用于水稻病害、苹果叶片病害、番茄病害等多种场景。
YOLOv8的技术优势
YOLOv8由Ultralytics公司于2023年发布，相比前代版本具有以下改进：
-
可选的backbone：支持更深的网络结构，提升特征提取能力；
-
新的损失函数：结合CIoU和DFL损失，回归精度更高；
-
自适应正负样本分配：采用Task-Aligned Assigner，提高难例学习能力；
-
更好的数据扩增策略：包括Mosaic、MixUp、Copy-Paste等，增强模型泛化性。
这些特性使YOLOv8在农业病害检测这类小目标、类间相似度高、背景复杂的任务中具备明显优势。然而，现有研究中多数系统仅针对单一作物（如番茄或苹果）的少数几种病害，缺乏对多作物、多病害、健康叶片统一建模的大规模检测系统。本研究正是针对这一空白，构建并系统评估了一个覆盖30类植物及叶片病害的综合检测系统。
数据集介绍
1 数据集来源与构成
本研究所使用的植物病害图像数据集来源于公开农业病害图像资源及实地采集数据，共包含2255张标注图像，其中：
-
训练集：2009张
-
验证集：246张
所有图像均为自然光照条件下拍摄的植物叶片图像，涵盖健康叶片和典型病害叶片，图像分辨率范围在640×640到1920×1080之间，统一在训练前缩放到640×640像素。
2 类别体系
数据集共包含30个类别，具体分为以下几类：
（1）苹果病害及叶片
-
Apple Scab Leaf（苹果疮痂病）
-
Apple leaf（苹果健康叶片）
-
Apple rust leaf（苹果锈病）
（2）辣椒病害及叶片
-
Bell_pepper leaf spot（甜椒叶斑病）
-
Bell_pepper leaf（甜椒健康叶片）
（3）其他作物健康叶片
-
Blueberry leaf（蓝莓叶片）
-
Cherry leaf（樱桃叶片）
-
Peach leaf（桃叶片）
-
Raspberry leaf（树莓叶片）
-
Soyabean leaf（大豆叶片，一种拼写）
-
Soybean leaf（大豆叶片，另一种拼写）
-
Strawberry leaf（草莓叶片）
-
Potato leaf（马铃薯健康叶片）
-
grape leaf（葡萄健康叶片）
（4）玉米病害
-
Corn Gray leaf spot（玉米灰斑病）
-
Corn leaf blight（玉米叶枯病）
-
Corn rust leaf（玉米锈病）
（5）马铃薯病害
-
Potato leaf early blight（马铃薯早疫病）
-
Potato leaf late blight（马铃薯晚疫病）
（6）南瓜病害
-
Squash Powdery mildew leaf（南瓜白粉病）
（7）番茄病害及叶片
-
Tomato Early blight leaf（番茄早疫病）
-
Tomato Septoria leaf spot（番茄壳针孢叶斑病）
-
Tomato leaf bacterial spot（番茄细菌性叶斑病）
-
Tomato leaf late blight（番茄晚疫病）
-
Tomato leaf mosaic virus（番茄花叶病毒病）
-
Tomato leaf yellow virus（番茄黄化曲叶病毒病）
-
Tomato leaf（番茄健康叶片）
-
Tomato mold leaf（番茄叶霉病）
-
Tomato two spotted spider mites leaf（番茄二斑叶螨危害）
（8）葡萄病害
-
grape leaf black rot（葡萄黑腐病）
3 标注格式与质量
所有图像均采用YOLO格式的边界框标注（.txt文件，每个目标一行：class_id x_center y_center width height，归一化坐标）。每个叶片或病害区域均被精确框选，无重叠框。标注工作由农业植保专家审核，确保类别准确性和边界框质量。
4 数据集特点与挑战
从类别构成可以看出，该数据集具有以下特征：
-
多作物覆盖：包含苹果、辣椒、蓝莓、樱桃、玉米、桃、马铃薯、树莓、大豆、草莓、南瓜、番茄、葡萄等13类作物。
-
健康与病害并存：既包含健康叶片作为阴性参考，也包含多种病害类型，有利于模型学习“健康”与“病变”的区分。
-
病害种类差异大：部分病害样本较为丰富（如番茄早疫病），部分病害或健康叶片样本相对稀缺（如南瓜白粉病、葡萄健康叶片），存在类别不均衡问题。
-
类间相似性高：番茄的多种病害、不同作物的健康绿色叶片之间存在较高的视觉相似性，对模型的细粒度识别能力提出较高要求。
训练过程
训练结果
一、整体性能评价
-
mAP50：约 0.75（75%）
-
mAP50-95：约 0.54
-
全类 F1 值：0.58（最佳置信度 0.24）
-
全类 Precision（最高）：1.00（置信度 1.0）
-
全类 Recall（最高）：0.95（置信度 0）
总体判断：模型有学习能力，但性能一般，存在明显的过拟合或类别不均衡问题。
二、关键指标解读
1. 损失曲线（results.png）
-
train/box_loss、cls_loss、dfl_loss 稳步下降
-
val/box_loss、cls_loss、dfl_loss 在 30~50 轮后趋于平缓或小幅上升
-
结论：存在轻微过拟合
2. 精确率-置信度曲线（P_curve.png）
-
在 置信度 ≈ 0.9 以上时精确率可达 1.0
-
说明模型对高置信度预测较可靠
3. 召回率-置信度曲线（R_curve.png）
-
最大召回率 0.95（置信度 0）
4. PR 曲线
-
曲线面积较小（mAP ≈ 0.75）
5. F1 曲线
-
最佳 F1 = 0.58（置信度 0.24）
界面核心代码：
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
5
0- 0
已为社区贡献276条内容
所有评论(0)