YOLOv8生菜生长周期识别检测系统（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
针对生菜生长周期中不同阶段（育苗盘、空荚、发芽、豆荚、幼嫩期）的自动识别需求，本文基于YOLOv8目标检测算法构建了一套生菜生长周期检测系统。系统使用包含1,060张训练图像、299张验证图像和151张测试图像的自建数据集，共标注5个类别。实验结果表明，模型在验证集上的mAP50达到0.68–0.70，mAP50-95达到0.53–0.55，精确率约为0.88，召回率约为0.91，最佳F1值为0.91。混淆矩阵分析显示，模型对“Ready”和“empty_pod”类别识别效果良好，但在“germination”与“pod”之间存在一定程度的混淆，“young”类别也存在少量漏检。总体而言，该模型在受控环境下具备较好的实用价值，可为生菜工厂化育苗和智能化生长监测提供技术支撑。
目录
2、混淆矩阵分析（confusion_matrix.png 与 normalized）编辑编辑
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。
✅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
生菜作为设施农业中广泛种植的叶菜类作物，其生长周期包含多个关键阶段，包括育苗盘阶段、空荚期、发芽期、豆荚期和幼嫩期。不同阶段对光照、水分、温度等环境因子的需求不同，精准识别当前生长阶段是实现精细化管理和自动化采收的前提。传统的生长阶段判断主要依赖人工经验观察，存在主观性强、效率低、无法实时大规模部署等问题。
近年来，基于深度学习的目标检测技术在农业视觉任务中取得了显著进展，其中YOLO系列算法因其检测速度快、精度高、易于部署等优势，已被广泛应用于果实计数、病虫害识别、生长阶段分类等场景。YOLOv8作为Ultralytics公司推出的最新版本，进一步改进了网络结构和损失函数，在小目标检测和类别不平衡问题上表现更为稳健。
本研究旨在探索YOLOv8在生菜生长周期自动检测中的应用效果。我们构建了一个包含5个关键生长阶段的图像数据集，并对模型进行了训练、验证和测试。通过混淆矩阵、精确率-召回率曲线、F1曲线等指标系统评估模型性能，识别主要的误检与漏检模式，并分析其潜在原因。本研究的成果可为设施农业中的生长阶段自动识别提供可参考的技术路径。
背景
在现代设施农业与植物工厂快速发展的背景下，生菜作为一种生长周期短、经济价值高的大宗叶菜类作物，其规模化种植对生产过程的信息化、自动化提出了更高要求。生菜从播种到采收通常经历育苗盘存放、空荚期、种子发芽、豆荚形成、幼嫩植株生长等典型阶段，每个阶段对外部环境条件（如光照强度、光周期、温湿度、营养液供给）的反应各不相同。例如，发芽期需要较高的湿度和适宜温度，而幼嫩期则对光照强度敏感，过强或过弱都会影响后续产量。因此，精准、实时地判断生菜所处的生长周期，是实现环境闭环调控、降低人工干预、提高资源利用效率的关键技术环节。
然而，传统的人工目视巡检方法存在明显局限：一是依赖经验，不同农技人员的判断标准难以统一；二是效率低下，当种植规模扩大至数万甚至数十万株时，人工逐株观察几乎不可行；三是无法实现高频次、连续性的监测，容易错过阶段转换的关键时间窗口。随着计算机视觉和深度学习技术的发展，利用摄像头自动采集图像并结合目标检测模型进行生长阶段分类，成为突破上述瓶颈的有效途径。
在众多目标检测算法中，YOLO系列因其端到端的回归思想和高帧率检测能力，尤其适合部署于温室或植物工厂的边缘计算设备。YOLOv8在前代基础上采用了更高效的C2f模块、解耦检测头以及改进的损失函数，在小目标、遮挡和类别相似性较高的场景下表现更为优异。本研究选择YOLOv8作为基础模型，正是考虑到生菜不同生长阶段之间存在视觉上的渐进性和相似性（例如发芽期与豆荚期早期容易混淆），需要模型具备较强的细粒度特征提取能力。
数据集介绍
本研究使用自建的生菜生长周期图像数据集，所有图像均在标准植物工厂或温室环境下采集，拍摄角度以俯视或侧俯视为主，光照条件模拟日常生产环境（包括自然光和补充LED光照）。图像分辨率为640×640像素（输入模型前统一缩放），标注格式为YOLO兼容的矩形框。
类别信息
数据集共包含5个类别，具体为：
-
Ready：准备阶段（育苗盘已就位但未播种或处理完成） -
empty_pod：空荚期（育苗盘内无种子或种子未发芽） -
germination：发芽期（种子胚根或胚芽露出） -
pod：豆荚期（子叶展开或幼苗初步形成） -
young：幼嫩期（植株进一步生长，叶片数量增加）
数据划分
-
训练集：1,060 张
-
验证集：299 张
-
测试集：151 张
总计：1,510 张标注图像。
训练过程
训练结果
1、总体评价
-
mAP50 约 0.66–0.70（从
results.png看，约在 0.68–0.70） -
mAP50-95 约 0.53–0.55
-
precision（精确率） 约 0.85–0.88
-
recall（召回率） 约 0.90–0.92
这是一个可用的检测模型，但在部分类别（如
germination、young）上存在明显误检或漏检。
2、混淆矩阵分析（confusion_matrix.png 与 normalized）
表现较好的类别：
-
Ready：识别较好，主要误判为
empty_pod或background -
empty_pod：召回高，但容易与
Ready混淆
问题类别：
| 真实类别 | 主要误判为 | 问题描述 |
|---|---|---|
germination |
pod、background |
发芽期与豆荚期特征相似，易混淆 |
pod |
germination、young |
豆荚与发芽、幼嫩期边界模糊 |
young |
background |
幼嫩期容易被忽略或当作背景 |
3、训练曲线（results.png）
-
loss 下降平稳：box_loss、cls_loss、dfl_loss 均呈下降趋势
-
precision 稳定上升：最终约 0.88
-
recall 略高于 precision：说明模型漏检少，但误检略多
-
mAP50 和 mAP50-95：后期趋于平稳，未出现过拟合
训练过程健康，无明显过拟合或欠拟合
4、精确率-召回率曲线（PR_curve.png）
-
所有类别 PR 曲线接近右上角
-
all classes的 PR 曲线面积较大，说明整体平衡性好 -
但部分类别（如
young）可能样本少，曲线抖动明显
5、F1 曲线（F1_curve.png）
-
最佳 F1 为 0.91（置信度 0.46）
-
各类别 F1 在 0.85–0.99 之间
-
germination和young的 F1 略低
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
0
0- 0
已为社区贡献276条内容
所有评论(0)