YOLOv8棉花叶片病害识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

斌擎人工智能官方账号

373人浏览 · 2026-05-21 10:04:36

斌擎人工智能官方账号 · 2026-05-21 10:04:36 发布

摘要

棉花作为全球重要的经济作物，其叶片病害的早期精准检测对保障产量与品质具有重要意义。本研究基于YOLOv8目标检测算法，构建了一套面向棉花叶片的6类病害检测系统，涵盖枯萎病（blight）、卷叶病（curl）、灰霉病（grey mildew）、健康叶片（healthy）、叶斑病（leaf spot）和萎蔫病（wilt）。实验采用自建数据集，共包含4173张标注图像，按约8.9:0.55:0.55的比例划分为训练集（3708张）、验证集（232张）和测试集（233张）。训练过程中，模型损失函数平稳下降，mAP50最高接近1.00。混淆矩阵分析表明，模型对枯萎病、健康叶片和卷叶病的分类精度较高，但对灰霉病的识别存在明显混淆，主要表现为与bright类别（图像过亮样本）的误判。PR曲线显示整体平均精度（mAP@0.5）为0.826。综合评估表明，该系统在实际农业场景中具备初步部署能力。

引言

棉花叶片病害的发生具有突发性强、传播速度快的特点，传统的人工目视诊断依赖经验且效率低下，难以满足大规模农田的实时监测需求。近年来，深度学习尤其是目标检测技术在植物病害识别领域展现出巨大潜力。YOLO系列模型因其检测速度快、精度高，已成为农业病害检测的主流方法之一。本研究选用YOLOv8作为基础框架，针对棉花叶片病害检测任务进行模型训练与评估。

在实际应用中，不同病害之间可能存在相似的表观特征，例如灰霉病与叶片过亮区域容易混淆，萎蔫病与卷叶病在形态上存在重叠。此外，不同类别的样本数量存在不均衡问题，少数类别（如灰霉病）的训练样本不足，会进一步加剧模型误判。因此，本文不仅关注模型整体性能，更聚焦于各类别间的混淆情况、置信度阈值对F1分数的影响，以及精确率-召回率的权衡关系。

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

背景

棉花是世界上种植最广泛的纤维作物之一，其生长过程中易受到多种病原菌的侵染，导致叶片出现病斑、卷曲、萎蔫等症状。常见的棉花叶片病害包括枯萎病、卷叶病、灰霉病、叶斑病和萎蔫病等。这些病害在早期往往表现为细微的叶片颜色或纹理变化，若未及时发现并防治，将迅速蔓延，严重时导致绝收。传统病害识别方法主要依赖植保专家现场诊断，不仅耗时耗力，而且受主观经验影响较大，难以实现大规模、高频次的田间监测。

随着计算机视觉技术的发展，基于深度学习的图像识别方法为农业病害检测提供了新的解决路径。其中，YOLO系列算法通过将目标检测任务转化为回归问题，实现了端到端的实时检测，在精度与速度之间取得了良好平衡。YOLOv8作为该系列的最新版本，进一步优化了网络结构和损失函数，对小目标和相似类别具有更强的判别能力。然而，在真实的田间环境中，光照变化、背景干扰、叶片遮挡以及病害间的表观相似性，仍对模型的鲁棒性提出挑战。因此，构建一个高质量、多样化的病害图像数据集，并系统分析模型在各类别上的细粒度表现，是实现棉花叶片病害精准检测的关键前提。

数据集介绍

本研究构建的棉花叶片病害数据集共包含4173张图像，所有图像均在自然田间光照条件下采集，并经过专业植保人员对病害类别进行标注。数据集共分为6个类别，分别为：枯萎病（blight）、卷叶病（curl）、灰霉病（grey mildew）、健康叶片（healthy）、叶斑病（leaf spot）和萎蔫病（wilt）。标注格式采用YOLO兼容的边界框格式，每个样本包含目标的类别标签及位置信息。

数据集按照约8.9:0.55:0.55的比例划分为训练集、验证集和测试集。其中，训练集包含3708张图像，用于模型参数学习；验证集包含232张图像，用于训练过程中的超参数调优和模型选择；测试集包含233张图像，用于最终模型性能的独立评估。

训练过程

训练结果

整体评价

整体 mAP50 接近 1.00，说明模型在 IoU=0.5 下检测能力很强。
损失曲线稳定下降（train/box_loss、cls_loss、dfl_loss），未见明显过拟合。

各类别详细分析（基于混淆矩阵）

表现优秀的类别

类别	表现
healthy	召回率 0.98，精确率很高，几乎不错检
blight	召回率 0.96，分类非常准确
curl	召回率 0.89，表现良好

存在问题的类别

1. grey mildew（灰霉病）

严重被误判为 bright（48张）
召回率仅 0.50–0.60
与 leaf spot 也有一定混淆
问题本质：特征与 bright 高度重叠（可能是颜色、纹理相似）

2. wilt（枯萎病）

与 curl 存在双向混淆
与 leaf spot 也有交叉
召回率约 0.78–0.85

3. leaf spot（叶斑病）

与 grey mildew、wilt、bright 均有一定混淆
召回率约 0.77

F1曲线与置信度阈值

最佳 F1 阈值集中在 0.4–0.6 之间
grey mildew 的 F1 明显低于其他类别
建议：
- 对 grey mildew 单独降低置信度阈值（如 0.3）
- 或后处理中增加类别逻辑规则

PR曲线分析

mAP@0.5 = 0.826
healthy 和 blight 的 PR曲线几乎完美
grey mildew PR曲线明显偏低，精度随召回率下降极快

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