YOLOv8昆虫识别检测系统（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
针对农业生产中害虫种类多、识别难度大、人工检测效率低等问题，本文基于YOLOv8目标检测算法构建了一套昆虫检测系统，实现对10类常见农业害虫的自动识别与定位。系统采用包含696张训练图像、199张验证图像和100张测试图像的自建数据集，训练过程中使用mAP、F1分数、召回率、混淆矩阵等指标对模型性能进行全面评估。实验结果表明，模型在测试集上的总体精度为0.918，召回率达到1.00，mAP50为0.89，F1分数在置信度阈值为0.645时达到0.88，各类别之间混淆程度低，训练过程稳定收敛。该系统具备较高的检测准确性与泛化能力，可广泛应用于农田害虫智能监测与预警。
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，害虫是影响作物产量与质量的重要因素之一。传统害虫识别方式主要依赖农业专家的经验判断或农民的人工观察，存在效率低、主观性强、响应滞后等问题。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农业病虫害识别中展现出巨大潜力。
YOLO（You Only Look Once）系列算法因其端到端的检测结构、高实时性和良好的检测精度，已成为目标检测领域的主流方法之一。YOLOv8在先前版本的基础上进一步优化了网络结构、损失函数和后处理策略，在小目标检测和类别不平衡场景下表现更为优越。
本研究旨在构建一个基于YOLOv8的昆虫检测系统，针对10类常见农业害虫进行自动识别与定位。通过对训练过程、损失曲线、混淆矩阵、PR曲线等结果进行系统分析，验证模型在实际农业场景中的可行性与鲁棒性，为后续的智能农业监测系统提供技术支持。
背景
农业害虫是全球农业生产中的主要生物胁迫因素之一。根据联合国粮农组织（FAO）统计，每年因害虫导致的粮食损失约占全球总产量的20%–40%，对粮食安全构成严重威胁。传统害虫防治依赖于定期田间巡查和化学农药喷洒，前者人力成本高、覆盖范围有限，后者则容易导致环境污染和害虫抗药性增强。
近年来，随着精准农业和智能农业概念的兴起，基于图像处理和机器学习的害虫自动识别技术逐步成为研究热点。早期的害虫识别方法多依赖于手工设计的特征（如颜色、纹理、形状）配合传统分类器（如支持向量机、随机森林）。这些方法在实验室条件下表现尚可，但在复杂的田间背景、光照变化、害虫姿态多样等真实环境中鲁棒性较差。
深度学习，尤其是卷积神经网络的出现，极大地推动了图像识别领域的发展。目标检测算法从早期的R-CNN系列到YOLO、SSD等一阶段检测器，逐步实现了从“能否检测”到“快速且精准检测”的跨越。YOLOv8作为YOLO系列的最新迭代版本，引入了更高效的特征提取网络（CSPNet改进版）、无锚框检测头（Anchor-Free）以及更科学的损失函数（CIoU + VFL Loss），在保持高速推理的同时显著提升了小目标检测和重叠目标区分能力。
数据集介绍
1 数据来源与类别
本研究使用自建农业害虫图像数据集，所有图像均在田间或标准农业实验田中采集，涵盖不同光照条件、作物生长期和拍摄角度。共包含以下10类害虫：
-
army worm（行军虫）
-
legume blister beetle（豆类芫菁）
-
red spider（红蜘蛛）
-
rice gall midge（稻瘿蚊）
-
rice leaf roller（稻纵卷叶螟）
-
rice leafhopper（稻叶蝉）
-
rice water weevil（稻水象甲）
-
wheat phloeothrips（小麦管蓟马）
-
white backed plant hopper（白背飞虱）
-
yellow rice borer（二化螟）
2 数据集划分
| 数据集 | 图像数量 |
|---|---|
| 训练集 | 696 张 |
| 验证集 | 199 张 |
| 测试集 | 100 张 |
数据划分遵循分层随机抽样原则，确保每类害虫在各子集中的分布比例与原始数据一致。所有图像均经过人工标注，采用YOLO格式的边界框标注文件，标注内容包括类别标签和矩形框坐标。
训练过程
训练结果
总体评价
模型整体表现优秀，尤其在识别绝大多数害虫类别时具有高精度、高召回率，F1分数高达0.88（在置信度阈值0.645时），mAP50 达到0.89，mAP50-95为0.89，说明模型在目标检测任务中非常可靠。
关键指标汇总
| 指标 | 值 | 说明 |
|---|---|---|
| mAP50 | 0.89 | 在IoU=0.5时平均精度高 |
| mAP50-95 | 0.89 | 对不同IoU阈值表现稳定 |
| 总体F1分数 | 0.88 @ 0.645置信度 | 平衡精度与召回率 |
| 总体精度 (Precision) | 0.918 | 误检少 |
| 总体召回率 (Recall) | 1.00 | 几乎无漏检 |
| 最佳置信度阈值 | ~0.645 | 用于推理时过滤低置信预测 |
各类别表现分析
表现极佳的类别（F1 > 0.95）
-
legume blister beetle
-
white backed plant hopper
-
rice gall midge
-
rice water weevil
-
army worm
-
yellow rice borer
这些类别在PR曲线中显示 Precision & Recall 接近 1.0，混淆矩阵中几乎没有与其他类别混淆。
表现良好的类别（F1 0.85–0.95）
-
red spider（精度0.829，召回1.00）
-
rice leaf roller（精度0.929）
-
rice leafhopper（精度0.855）
轻微混淆的类别
从归一化混淆矩阵中可以看到：
-
army worm有少量被误判为background（概率约0.12） -
rice gall midge与rice leaf roller之间存在轻微混淆（约0.1） -
white backed plant hopper与yellow rice borer之间有交叉误判
这些混淆在农业害虫检测中是可接受的，尤其是形态或生态位相似的物种。
训练过程分析（results.png）
| 指标 | 趋势 | 解读 |
|---|---|---|
| train/box_loss | 持续下降 | 边界框定位收敛良好 |
| train/cls_loss | 持续下降 | 分类收敛良好 |
| val/box_loss | 稳定下降 | 泛化能力强 |
| val/cls_loss | 稳定下降 | 无过拟合迹象 |
| precision | 稳定上升至0.90+ | 误检控制好 |
| recall | 快速上升至1.0 | 漏检极少 |
| mAP50 | 上升至0.89 | 整体检测能力强 |
训练曲线平滑，无剧烈震荡，说明训练稳定、超参数设置合理。
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：
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
6
0- 0
已为社区贡献256条内容
所有评论(0)