YOLO26杀疯了！葡萄叶片病害识别（黑腐病/叶斑病/健康），精准率99%+（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）

BQAIT

35人浏览 · 2026-05-18 14:21:10

BQAIT · 2026-05-18 14:21:10 发布

摘要

葡萄作为全球广泛种植的重要经济果树，其产量和品质极易受到各类病害的威胁。传统的病害诊断主要依赖人工田间巡查，存在效率低、主观性强且难以在病害初期发现等弊端。为此，本文提出了一种基于深度学习YOLO26（You Only Look Once）目标检测算法的葡萄叶片病害智能识别系统。本研究构建了一个包含黑腐病（Black_rot）、叶斑病（Esca）和健康（Healthy）三类样本的高质量葡萄叶片图像数据集，其中训练集3758张、验证集538张、测试集1074张。实验结果表明，该模型在测试集上表现卓越，取得了高达0.995的mAP50和0.893的mAP50-95。具体到各类别，黑腐病和叶斑病的精确率与召回率均接近0.995，健康叶片的识别精确率达到0.991，召回率达到0.98。该系统能够快速、准确地识别葡萄叶片病害，为智慧农业中的病害早期预警与精准防治提供了强有力的技术支持。

详细功能展示视频

https://www.bilibili.com/video/BV1Z1onBhEmW/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1Z1onBhEmW/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764 https://www.bilibili.com/video/BV1Z1onBhEmW/

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

葡萄产业在现代农业经济中占据重要地位，然而，黑腐病、叶斑病等真菌性病害的频繁爆发，严重制约了葡萄的产量与品质。早期、准确地识别病害是实施精准植保的前提。传统的人工识别方法不仅耗时费力，且受农艺师经验限制，难以满足大规模果园的实时监测需求。

近年来，随着计算机视觉和深度学习技术的飞速发展，基于图像的目标检测技术在农业病害识别领域展现出巨大潜力。YOLO系列算法以其速度快、精度高的特点，成为实时检测的首选。本研究旨在利用YOLO算法构建一个端到端的葡萄叶片病害自动识别系统。通过采集多场景下的葡萄叶片图像，构建专用数据集并进行模型训练，实现了对黑腐病、叶斑病及健康叶片的高精度区分。该系统能够辅助农户和农业技术人员快速锁定病害区域，为制定科学的防治策略提供数据依据，推动葡萄种植管理向智能化、精准化方向发展。

背景

农业病害识别的重要性与挑战

葡萄病害的早期发现与准确分类对于减少农药使用、提高果实品质至关重要。黑腐病（Black_rot）主要危害葡萄的果实、叶片和新梢，导致果实腐烂、叶片穿孔；叶斑病（Esca）则是一种复杂的维管束病害，会导致叶片出现坏死斑点，严重时引起植株衰弱甚至死亡。传统的诊断方式通常需要农艺师深入田间，通过肉眼观察叶片症状进行判断。这种方法不仅劳动强度大，而且在病害初期症状不明显或多种病害并发时，极易产生误判或漏判。此外，人工巡查无法实现全天候、大范围的实时监控，往往导致防治时机滞后，造成不可挽回的经济损失。

深度学习在植物病理学中的应用

随着“智慧农业”概念的兴起，利用图像处理技术替代人工进行病害识别成为研究热点。传统的图像识别方法通常依赖于手工提取特征（如颜色、纹理、形状），这类方法对环境光照、拍摄角度变化敏感，泛化能力较差。相比之下，深度学习中的卷积神经网络（CNN）能够自动学习图像中的深层语义特征，具有强大的特征表达能力。特别是基于区域建议的目标检测算法（如R-CNN系列）虽然精度高，但推理速度较慢，难以满足实时监测的需求。

YOLO算法的优势与适用性

YOLO算法作为一种单阶段（One-stage）目标检测器，将目标检测任务视为回归问题，直接在图像上进行边界框和类别概率的预测。与两阶段算法相比，YOLO具有检测速度快、网络结构相对简单、对背景干扰不敏感等显著优势。鉴于果园环境复杂多变，需要系统具备实时处理视频流或连续图像的能力，YOLO算法成为构建葡萄叶片病害识别系统的理想选择。本研究正是基于此背景，探索YOLO在特定农业场景下的应用效能，致力于开发一套准确率高、鲁棒性强的病害智能诊断工具。

数据集介绍

本研究构建的数据集专门用于训练和评估葡萄叶片病害检测模型，涵盖了三种关键状态：黑腐病、叶斑病和健康叶片。为了确保模型的泛化能力，数据集经过严格的划分：

训练集（Training Set）： 包含3758张图像，用于模型的参数学习和特征提取。
验证集（Validation Set）： 包含538张图像，用于在训练过程中调整超参数、监控模型性能并防止过拟合。
测试集（Testing Set）： 包含1074张图像，用于最终评估模型的泛化能力和真实性能。

4.2 类别定义

数据集包含三个类别，具体定义如下：

Black_rot (黑腐病): 标注叶片上出现的黑腐病斑点区域。
Esca (叶斑病): 标注叶片上出现的叶斑病（Esca）症状区域。
Healthy (健康): 标注无明显病害症状的正常叶片区域。

训练结果

整体性能评价：极其优秀

mAP50 (0.995) 和 mAP50-95 (0.893):
- mAP50 (0.995): 这是一个极高的分数。它意味着在 IoU 阈值为 0.5 时，模型几乎完美地检测到了所有目标。通常 0.9 以上就算是非常好的模型，0.995 表明模型在这个指标上几乎没有任何错误。
- mAP50-95 (0.893): 这个指标更加严格，它计算的是从 0.5 到 0.95 多个 IoU 阈值下的平均精度。0.893 依然是一个非常顶尖的成绩，说明模型不仅在 IoU=0.5 时表现好，在更高的 IoU 阈值（如 0.75, 0.9）下依然有很强的定位准确性。
Box(P) (0.995) 和 R :
- Precision (0.995): 极高的准确率意味着模型预测出来的框，有 99.5% 都是正确的，极少出现误报（把背景或其他东西当成病害）。
- Recall : 极高的召回率意味着测试集中的病害，有 99.2% 都被模型成功找出来了，极少出现漏检。

各类别具体表现分析

Esca (叶斑病):
- 表现最完美的类别。Precision (P) 和 Recall (R) 均为 0.995。这意味着 Esca 类别的识别既准又全。
- 从归一化混淆矩阵看，Esca 的对角线值为 1.00，说明没有一个 Esca 样本被错误分类到其他类别。
Black_rot (黑腐病):
- 同样表现极佳，P 和 R 均为 0.994。与 Esca 相比，仅差了 0.001，几乎可以忽略不计。
- 归一化混淆矩阵同样显示其对角线值为 1.00。
Healthy (健康):
- 这是相对表现稍弱的一类，但依然非常强。
- Precision (0.991): 极高。
- Recall (0.98): 略低于前两类，但依然很高。
- mAP50-95 (0.774): 这是一个值得留意的点。虽然 0.774 本身不低，但相比于其他类别的 0.925 和 0.995，它有明显的下降。这说明虽然模型能找到大部分健康的叶片，但在高 IoU 要求下的定位精度或者在极难区分的边缘情况下的表现，比病害类别稍弱一些。

训练过程分析

Loss 曲线 (box_loss, cls_loss, dfl_loss):
- 下降趋势： 无论是训练集 (train) 还是验证集 (val)，所有的 Loss 曲线都呈现出非常健康的下降趋势。这表明模型正在有效地学习。
- 无过拟合迹象： 训练集 Loss 和验证集 Loss 保持了相似的下降趋势，且没有出现验证集 Loss 上升而训练集 Loss 下降的“发散”现象。这说明模型的泛化能力很强，没有死记硬背训练数据。
Metrics 曲线 (Precision, Recall, mAP):
- 所有指标曲线在训练初期迅速上升，随后进入平稳期，最终收敛在极高的数值上（Precision 和 Recall 接近 1.0）。这再次印证了模型训练的稳定性。

推理速度

Speed (0.5ms): 0.5 毫秒的处理速度（即每张图 0.5ms）意味着推理速度达到了 2000 FPS (1000/0.5)。这是一个极其恐怖的速度，表明该模型非常轻量或者硬件性能极强，完全满足实时视频流处理的需求。

混淆矩阵

混淆矩阵：
- 非归一化的矩阵显示，模型主要的误判集中在 Esca 和 Black_rot 被误判为 Healthy，以及极少数 Healthy 被判为 Esca。这可能意味着健康叶片的特征比较“通用”，而某些病害初期的特征与健康叶片相似，导致模型拿不准。

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