YOLOv8苹果新鲜与腐烂识别检测系统（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
苹果在采后储存、运输及销售过程中极易发生腐烂变质，快速、准确地检测腐烂苹果对于保障食品安全、减少经济损失具有重要意义。本文基于YOLOv8目标检测算法，构建了一个用于区分新鲜苹果（apple）与腐烂苹果（damaged_apple）的计算机视觉检测系统。模型在自建数据集上进行训练与评估，该数据集包含训练集489张、验证集178张、测试集30张，共2个类别。实验结果表明，模型在测试集上的平均精度均值（mAP50）达到0.89，F1分数最高为0.78。混淆矩阵分析显示，模型对新鲜苹果的识别准确率为0.80，对腐烂苹果的识别准确率为0.76，但存在背景误检为苹果、正常苹果漏检以及腐烂与新鲜苹果之间的类别混淆问题。总体而言，所提出的YOLOv8检测系统能够有效识别苹果的新鲜与腐烂状态，本研究为农产品品质自动检测提供了一种可行的技术方案。
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
苹果是全球消费量最大的水果之一，其品质直接关系到消费者健康和市场价值。在苹果的采后处理、分级、包装及销售过程中，腐烂果实的混入不仅影响整批水果的商品价值，还可能因霉菌扩散导致更多果实腐败，造成严重的经济损失。传统的苹果品质检测主要依赖人工分拣，存在效率低、主观性强、劳动成本高等问题。随着计算机视觉和深度学习技术的快速发展，基于图像识别的自动化检测方法逐渐成为研究热点。
YOLO（You Only Look Once）系列算法因其端到端的检测结构和优异的实时性能，在农业视觉任务中得到了广泛应用。其中，YOLOv8在检测精度与速度之间取得了更好的平衡，适合部署在嵌入式或实时分拣系统中。然而，腐烂苹果的视觉特征（如局部褐变、凹陷、霉斑）与新鲜苹果差异较大，且可能与背景中的阴影、泥土、叶片等混淆，给自动检测带来了挑战。
本研究旨在利用YOLOv8算法构建一个二分类苹果新鲜与腐烂检测系统，通过分析模型在混淆矩阵、精确率-召回率曲线、F1曲线及训练损失曲线上的表现，系统评估模型的检测能力与存在的问题。本文将从数据集构建、模型训练过程、关键性能指标以及误检原因等方面进行详细阐述，为后续模型优化和实际部署提供参考依据。
背景
苹果在采后生理过程中仍会进行呼吸作用和乙烯释放，随着储存时间延长，果实逐渐进入衰老阶段，细胞结构破坏、酶促褐变及微生物侵染等现象相继发生，最终表现为局部或整体的腐烂。腐烂苹果不仅外观受损，其内部可能产生展青霉素等真菌毒素，对人体健康构成潜在威胁。因此，在苹果进入消费市场之前，及时、准确地将腐烂果实剔除，是保证产品质量和食品安全的关键环节。
传统的苹果新鲜度检测方法主要分为三类：理化分析、光谱检测和人工视觉分拣。理化分析方法（如测定可溶性固形物、硬度、pH值等）精度高，但具有破坏性、耗时且需要专业设备，无法实现大规模在线检测。光谱技术（如近红外光谱、高光谱成像）可以非破坏性地获取果实内部信息，但设备昂贵、数据处理复杂，难以在普通分级生产线中推广。人工视觉分拣是目前国内许多小型果品分级企业的主要方式，依赖工人经验，随着工作时间的延长，视觉疲劳会导致漏检率上升，且人工成本逐年增加。
近年来，深度学习尤其是卷积神经网络（CNN）在图像分类、目标检测和语义分割等任务中取得了突破性进展。在农业领域，已有研究利用Faster R-CNN、SSD、YOLO系列等算法实现了对苹果、桃、番茄等水果的缺陷检测。其中，YOLO系列算法将目标检测任务转化为回归问题，一次前向传播即可同时预测目标的类别和边界框，具有速度快、端到端训练等优点。YOLOv8作为YOLO家族的最新成员之一，在骨干网络、特征融合层和损失函数设计上进一步优化，支持更灵活的锚框设置和多尺度训练，对小目标和遮挡目标的检测鲁棒性更强。
数据集介绍
1. 数据来源与采集
本研究使用的苹果图像数据集通过实验室搭建的固定拍摄平台采集。
2. 类别定义
根据检测任务需求，共定义两个类别：
-
apple（新鲜苹果）：果皮完好、颜色正常（红、黄、绿等品种特征明显）、无可见腐烂区域。
-
damaged_apple（腐烂苹果）：果皮表面出现褐变、黑色霉斑、软化凹陷、汁液渗出等由微生物侵染或生理老化引起的腐烂现象。
3. 数据集划分
为保证模型训练的有效性和评估的公平性，整个数据集按以下比例随机划分：
-
训练集：489张图像（用于模型参数学习）
-
验证集：178张图像（用于超参数调优和模型选择）
-
测试集：30张图像（用于最终性能评估，不参与训练过程）
训练过程
训练结果
1、总体评价
模型表现良好，但存在一定改进空间。
-
对正常苹果（apple）检测效果优秀
-
对腐烂苹果（damaged_apple）有一定识别能力，但误检和漏检较多
-
背景误检问题较为明显
2、混淆矩阵分析（Confusion Matrix）
非归一化矩阵（主要数值）：
| 实际 \ 预测 | apple | damaged_apple | background |
|---|---|---|---|
| apple | 417 | 26 | 104 |
| damaged_apple | 29 | 153 | 41 |
| background | 76 | 22 | 50 |
关键问题：
-
苹果 → 背景（104次）：很多正常苹果被漏检
-
腐烂苹果 → 苹果（29次）：腐烂果被误判为正常
-
背景 → 苹果（76次）：背景被误判为苹果
归一化矩阵观察：
-
苹果识别准确率：0.80
-
腐烂苹果识别准确率：0.76
3、精确率-召回率曲线（PR_curve）
| 类别 | 精确率（高召回下） | 说明 |
|---|---|---|
| apple | ~0.90 | 精确率高，误检少 |
| damaged_apple | ~0.88 | 较好 |
| 全部类别 | ~0.89 | 总体不错 |
模型在精确率和召回率之间取得较好平衡。
4、F1曲线
-
最佳 F1 分数：0.78（置信度阈值 0.405）
-
对应：
-
精确率 ≈ 0.78
-
召回率 ≈ 0.78
-
说明模型在该阈值下达到最佳综合性能。
5、训练损失与指标（results.png）
损失函数（持续下降）：
-
train/box_loss：1.25 → 1.00（收敛良好）
-
train/cls_loss：下降平滑
-
val/box_loss、val/cls_loss：稳定
性能指标（最终）：
-
mAP50：0.89
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
11
0- 0
已为社区贡献276条内容
所有评论(0)