摘要

本研究基于YOLOv8框架构建了一种针对12类常见农田杂草的实时检测系统。该系统采用单阶段目标检测架构，在包含2796张训练图像和523张验证图像的数据集上进行训练与评估。实验结果表明，模型在验证集上取得了93.8%的mAP50和88.1%的mAP50-95，整体精确度达到91.9%，召回率为88.9%。模型推理速度仅为2.1ms/张（约476 FPS），参数量控制在1113万，展现出优异的检测精度与实时性平衡。本研究为智能杂草管理提供了一种高效、轻量化的技术方案。

引言

农田杂草竞争水、肥、光等资源，严重威胁作物产量与品质。传统化学除草依赖大面积均匀喷施，不仅造成农药浪费，还加剧环境污染与杂草抗药性问题。精准农业要求对杂草进行“识别-定位-靶向施药”，而实时、准确的目标检测模型是实现这一目标的核心技术瓶颈。

近年来，基于深度学习的目标检测算法，尤其是YOLO系列模型，因其实时性与精度兼备的优势，在农业视觉任务中得到广泛应用。YOLOv8作为Ultralytics发布的最新版本，引入了更高效的网络结构和损失函数，适用于嵌入式设备和无人机等资源受限场景。然而，杂草检测面临类别多样、样本不均衡、种间形态相似等挑战，现有模型在低资源类别上的泛化能力仍有不足。

为此，本研究构建了一个包含12类常见杂草的图像数据集，并基于YOLOv8训练专用检测模型。通过系统评估模型在多类别上的检测精度、召回率及推理效率，识别薄弱环节，为后续数据增广、模型优化和精准施药决策提供实验依据。

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

训练过程

训练结果

整体性能评估​编辑

1. 检测精度（优秀）

2. 模型效率

各类别详细分析​编辑​编辑​编辑

​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

杂草是农田生态系统中的非目标植物，与作物竞争光照、养分和水分，可导致主要作物减产10%–40%。传统杂草管理依赖人工巡查或全面喷施广谱除草剂，前者效率低下，后者造成化学药剂过量使用，增加环境残留和杂草抗性进化风险。以美国为例，草甘膦抗性杂草已覆盖超过40%的农田，迫使农民改用更昂贵且毒性更高的替代药剂。

精准杂草控制的概念要求：先通过机器视觉识别杂草种类与位置，再根据杂草密度图实施变量喷施或机械去除。这一技术路径的关键在于检测算法必须同时满足高精度（避免漏喷导致抗性进化）和高速度（适配车载或无人机实时处理）。早期方法基于手工特征（颜色、纹理、形状）和传统分类器（SVM、随机森林），在多变光照和复杂背景下的泛化能力有限。

数据集介绍

本研究所用杂草图像数据集共包含 12 类 常见农田杂草，类别名称如下：

英文名称	中文名称
eclipta	鳢肠（旱莲草）
ipomoea	番薯属（牵牛花类杂草）
eleusine	穇属（牛筋草）
rhombifolia	菱叶类（具体种待定）
angulata	角形叶类
obtusifolia	钝叶类
palmeri	帕尔默苋
maculata	斑叶类（如斑地锦）
oleracea	马齿苋
verticillata	轮叶类（如轮叶狐尾藻）
tuberculatus	瘤突类（如瘤突苋）
artemisiifolia	豚草

数据集总计图像 3,319 张，按官方YOLO格式划分为：

• 训练集：2,796 张

• 验证集：523 张

训练过程

训练结果

整体性能评估

1. 检测精度（优秀）

• mAP50: 93.8% - 在IoU=0.5时平均精度很高

• mAP50-95: 88.1% - 在不同IoU阈值下表现稳定

• 精确度: 91.9% - 误检率较低

• 召回率: 88.9% - 漏检率较低

2. 模型效率

• 推理速度: 2.1ms/张 (约476 FPS)

• 预处理: 0.2ms，后处理: 0.7ms

• 模型参数量: 1113万 - 轻量级，适合部署

各类别详细分析

类别	mAP50	精确度	召回率	样本数
verticillata	99.5%	100%	97.4%	24
palmeri	97.5%	93.0%	91.6%	72
obtusifolia	96.7%	88.7%	91.5%	117
maculata	96.8%	96.9%	95.7%	46
ipomoea	95.9%	97.3%	93.6%	117

类别	mAP50	精确度	召回率	问题分析
artemisifolia	86.3%	85.8%	90.0%	样本极少(10个)
tuberculatus	87.7%	91.1%	78.6%	召回率偏低
angulata	89.7%	88.0%	76.5%	召回率显著偏低

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：