摘要

葡萄叶病害是影响葡萄产量与品质的关键因素，其中黑腐病（Black Rot）和埃斯卡病（Esca）是两种常见且易混淆的病害。本研究基于YOLOv8目标检测算法，构建了一套葡萄叶病害自动检测系统，实现对Black_rot、Esca及健康叶片（Healthy）的分类与定位。数据集共包含5370张图像，划分为训练集3758张、验证集538张、测试集1074张。实验结果表明，模型在测试集上的平均精度均值（mAP@0.5）达到0.994，F1值在置信度0.389时达0.99，精确率与召回率均超过0.95。然而，综上，该系统在区分健康与病害叶片方面表现优异，但需要进一步优化。

引言

葡萄作为全球广泛种植的经济作物，其叶片健康状态直接关系到光合作用效率、果实品质及产量。黑腐病（Black_rot）和埃斯卡病（Esca）是葡萄生产中的两种主要病害，早期症状相似，均表现为叶片斑点、变色及坏死。传统的人工识别依赖植保专家，效率低、主观性强，难以满足大规模农业监测需求。近年来，深度学习特别是目标检测算法在植物病害识别领域取得显著进展。YOLO系列模型凭借其端到端、实时性强的特点，成为农业视觉任务的热门选择。

本研究采用YOLOv8算法，构建葡萄叶病害检测系统，旨在实现三类标签（Black_rot、Esca、Healthy）的自动识别与定位。通过系统评估模型在真实叶片图像上的分类与检测性能，重点分析病害类别间的混淆情况。实验结果显示模型整体精度高，但存在Black_rot与Esca严重混淆的问题。本文后续将介绍数据集构建、模型训练过程、结果分析及改进建议，为葡萄病害智能检测系统的实际部署提供参考。

目录

  摘要

引言

功能模块

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

背景

数据集介绍

1. 类别与标注

2. 数据集划分

训练过程

训练结果

总体评价

详细分析

1. 混淆矩阵（Confusion Matrix）​编辑​编辑

2. PR曲线 & F1曲线​编辑​编辑

3. 训练过程（results.png）​编辑

常用标注工具

---

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

背景

葡萄病害是限制葡萄产业可持续发展的重要因素之一。其中，黑腐病（Black_rot）由真菌Guignardia bidwellii引起，主要危害叶片、果实和枝蔓，导致叶片出现棕色至黑色坏死斑。埃斯卡病（Esca）是一种复合性木质部病害，由多种真菌共同侵染，叶片典型症状为“虎纹”状褪绿和坏死。两类病害在早期叶片症状上高度相似，传统鉴别需借助显微镜或分子检测，耗时耗力。

随着计算机视觉和深度学习技术的发展，基于卷积神经网络（CNN）的植物病害识别系统逐渐成为研究热点。相较于传统图像处理方法，深度学习模型能够自动提取复杂叶片纹理、颜色和形状特征。YOLOv8作为目前最先进的一阶段目标检测算法之一，在保持高帧率的同时实现了优异的检测精度，适用于无人机、手机等移动端农业监测设备。

然而，现有葡萄病害数据集大多聚焦于单一病害或健康/病害二分类，对Black_rot与Esca的细粒度区分研究较少。模型容易因叶片早期症状相似而产生类别混淆。因此，构建高质量标注数据集并评估模型在实际混淆情况下的表现，对推动智能植保落地具有重要意义。

数据集介绍

1. 类别与标注

数据集共包含3个类别：

• Black_rot（黑腐病）：叶片出现圆形或不规则坏死斑，边缘褐色，中心灰白或黑色。

• Esca（埃斯卡病）：叶片呈现黄褐色至褐色“虎纹”状褪绿带，伴随组织坏死。

• Healthy（健康叶片）：无明显病害症状，颜色正常。

所有图像均使用LabelImg工具进行手动边界框标注，标注遵循COCO格式，每个目标框包含类别标签及左上角、右下角坐标。

2. 数据集划分

总图像数量：5370张

数据集	图像数量	用途
训练集	3758张	模型参数学习
验证集	538张	超参数调优与模型选择
测试集	1074张	最终性能评估

训练过程

训练结果

总体评价

• mAP@0.5 = 0.994，接近完美。

• 三个类别的PR曲线下面积均在0.993以上。

• 训练过程中损失函数平稳下降，收敛良好。

---

详细分析

1. 混淆矩阵（Confusion Matrix）

标准化混淆矩阵显示的问题：

真实\预测	Black_rot	Esca	Healthy	background
Black_rot	1.00	0.99	1.00	0.60
Esca	0.99	0.99	1.00	0.40
Healthy	0.99	0.99	1.00	-0.20（异常值）

问题点：

• Esca 有 0.99 被误判为 Black_rot（接近完全混淆）

• Black_rot 有 0.99 被误判为 Esca

• background 列出现负数，说明标准化计算可能有误或样本极少

---

2. PR曲线 & F1曲线

• mAP@0.5 = 0.994，非常高

• F1曲线：在置信度0.389时，全类平均F1=0.99

• Precision-Confidence曲线：在置信度0.894时，全类Precision=1.00

---

3. 训练过程（results.png）

指标	趋势	结论
train/box_loss	0.85 → 0.42	收敛良好
train/cls_loss	0.85 → 0.42	收敛良好
metrics/precision	0.94 → 0.956	稳定提升
metrics/recall	0.94 → 0.956	稳定提升
mAP50	0.94 → 0.941	几乎无提升
mAP50-95	0.94 → 0.95	稍有提升

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：