YOLOv8茶叶病害识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）
摘要
茶叶病害的快速、准确识别是智慧农业的重要组成部分。本研究基于YOLOv8目标检测算法，构建了一套茶叶病害检测系统，涵盖黑腐病、褐枯病、叶锈病、红蜘蛛 infestation、茶角盲蝽 infestation、茶叶健康叶片、白斑病及病害区域共8个类别。实验采用4,736张训练图像、273张验证图像和406张测试图像进行模型训练与评估。结果表明，模型在多数病害类别上表现出较高的平均精度（mAP@0.5 = 0.978），F1曲线显示全局最佳F1值为0.95，但精确率-召回率分析揭示该指标掩盖了类别不平衡导致的性能差异。训练损失曲线表明模型收敛正常，但存在轻微过拟合。
引言
茶叶作为我国重要的经济作物，其产量与品质极易受到病害侵袭。传统病害识别依赖人工经验，存在主观性强、效率低、难以大规模部署等问题。近年来，深度学习尤其是目标检测技术为农业病害自动化识别提供了新的解决路径。YOLO系列模型因其检测速度快、精度高、适合边缘部署等优势，已成为农业病害检测领域的研究热点。
本研究旨在基于YOLOv8模型构建一套茶叶病害检测系统，实现对8类常见茶叶病害及害虫侵染叶片的自动识别与定位。通过对训练过程、精确率、召回率、F1曲线、混淆矩阵等多项指标的系统分析，评估模型在实际农业场景下的适用性，并识别当前模型的主要性能瓶颈。
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 |
背景
茶树在生长过程中易受多种病害和虫害侵扰，如黑腐病、褐枯病、叶锈病、白斑病以及红蜘蛛、茶角盲蝽等害虫。这些病害会导致茶叶产量下降、品质劣变，严重时甚至造成茶园绝收。传统病害识别方式主要依赖植保专家或经验丰富的茶农，不仅耗时耗力，而且在大面积监测中难以实施。随着计算机视觉和深度学习的快速发展，基于卷积神经网络的目标检测算法在农作物病害识别中展现出巨大潜力。
YOLOv8作为当前先进的单阶段目标检测模型，具有结构优化、训练效率高、支持多尺度检测等特点，特别适用于农业图像中的小目标及多类别检测任务。然而，农业图像往往存在背景复杂、光照变化大、病害形态多样、类别分布不均衡等挑战。因此，构建一个高鲁棒性的茶叶病害检测系统，不仅需要合适的模型架构，还需要高质量的数据集和针对性的训练策略。本研究正是在这一背景下，基于YOLOv8对茶叶病害检测进行系统性实验与分析，探索模型在实际茶园环境中的识别能力与改进方向。
数据集介绍
本研究所使用的茶叶病害图像数据集共包含 8个类别，分别为：
-
Black rot of tea（黑腐病）
-
Brown blight of tea（褐枯病）
-
Leaf rust of tea（叶锈病）
-
Red Spider infested tea leaf（红蜘蛛侵染叶片）
-
Tea Mosquito bug infested leaf（茶角盲蝽侵染叶片）
-
Tea leaf（健康茶叶）
-
White spot of tea（白斑病）
-
disease（病害区域，非特异性病害标注）
数据集总图像数量为 5,415张，按以下方式划分：
| 数据集 | 图像数量 |
|---|---|
| 训练集 | 4,736张 |
| 验证集 | 273张 |
| 测试集 | 406张 |
训练过程
训练结果
1、混淆矩阵分析
主要问题：
-
“background”类：真实标签为背景的样本数为 100，但预测为背景的为 0，说明模型无法识别背景，将所有背景都误判为其他病害类别。
-
“disease”类：真实值为25，预测正确的为 0，全部被误判为其他类别。
-
Brown blight、Leaf rust、Red Spider、Tea Mosquito bug、White spot 等类别有一定识别能力，但存在大量误分类。
-
总样本数：True: 100，False: 175，说明整体准确率较低（约36.4%）。
2、F1曲线（F1_curve.png）
-
各类别的F1值随置信度阈值变化，all classes 的最佳F1为 0.95 at 0.712。
3、精确率-召回率曲线（PR_curve.png）
-
mAP@0.5 = 0.978，看似很高，但结合混淆矩阵来看，可能是模型只学会了少数几个类别，其他类别几乎不预测。
-
某些类别（如Tea leaf）的PR曲线异常平滑，可能样本极少或训练不充分。
4、训练曲线（results.png）
-
train/box_loss、cls_loss、dfl_loss 随epoch下降，说明训练过程正常。
-
val/box_loss、cls_loss、dfl_loss 也在下降，但下降幅度较小，存在轻微过拟合。
-
precision 和 recall 逐步上升，最终趋于稳定，但注意这些是整体均值，不能反映少数类的表现。
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
4
0- 0
已为社区贡献326条内容
所有评论(0)