摘要

辣椒作为我国重要的经济作物之一，其生长过程中易受多种病害侵袭，严重影响产量与品质。针对传统人工识别病害效率低、主观性强等问题，本文基于YOLO26目标检测算法构建了一套辣椒叶片病害识别检测系统。该系统能够自动识别图像中的辣椒叶片病害类型，包括细菌性叶斑病（xanthomonas）、花叶病（mosaic）、健康叶片（healthy）、尾孢菌叶斑病（cercospora）和卷叶病（leaf curl）共5类目标。

详细功能展示视频

https://www.bilibili.com/video/BV1bzd1BUEQj/

引言

辣椒是我国种植面积广泛、经济价值较高的蔬菜作物之一，在农业生产中占据重要地位。然而，辣椒在生长过程中容易受到多种病害的侵染，如细菌性叶斑病、花叶病、尾孢菌叶斑病、卷叶病等。这些病害不仅影响辣椒的正常生长发育，还会导致产量下降和品质降低，严重时甚至造成绝收。因此，实现对辣椒病害的快速、准确识别，对于病害的早期防控和精准施药具有重要意义。

传统的辣椒病害识别主要依赖人工肉眼观察，农民或农技人员凭借经验判断病害类型。这种方式存在明显局限性：一方面，人工识别效率低，难以满足大规模种植场景下的病害监测需求；另一方面，病害早期症状不明显，易与其他病害或生理性病害混淆，导致误判或漏判。此外，随着农业劳动力短缺问题的加剧，依靠人工进行病害巡查的成本也在不断上升。

近年来，随着计算机视觉和深度学习技术的快速发展，基于图像识别的植物病害检测方法逐渐成为研究热点。其中，YOLO（You Only Look Once）系列目标检测算法以其端到端的检测结构、较高的检测速度和良好的精度，在农业病害识别领域得到了广泛应用。YOLO算法将目标检测问题转化为回归问题，能够在一张图像中同时预测多个目标的类别和位置信息，适用于田间复杂背景下的病害检测任务。

本研究基于YOLO26模型，构建了一套辣椒叶片病害识别检测系统，旨在实现对辣椒叶片常见病害的自动检测与分类。系统涵盖细菌性叶斑病、花叶病、健康叶片、尾孢菌叶斑病和卷叶病五类目标。通过对自建数据集的训练与验证，评估了模型在病害识别任务中的表现，并对不同病害类别的识别效果进行了深入分析。本研究可为辣椒病害的智能化监测与精准防治提供技术支撑。

目录

   摘要

详细功能展示视频

https://www.bilibili.com/video/BV1bzd1BUEQj/​编辑

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

数据来源

3.2 类别说明

3.3 数据划分

训练结果

整体表现​编辑

各类别表现分析​编辑​编辑​编辑​编辑

表现较好的类别：

表现较差的类别：

混淆矩阵分析（归一化）​编辑

训练曲线分析​编辑

Ultralytics YOLO26

概述

主要功能

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

辣椒作为一种重要的茄科作物，在全球范围内广泛种植。我国是辣椒生产大国，种植面积和产量均居世界前列，辣椒产业在促进农民增收、优化农业结构方面发挥着重要作用。然而，辣椒病害的发生与蔓延一直是制约其优质高产的关键因素。根据农业部门的统计，辣椒常见病害多达数十种，其中细菌性叶斑病、花叶病、尾孢菌叶斑病和卷叶病等病害发生频率高、危害严重，给辣椒产业带来巨大的经济损失。

细菌性叶斑病（xanthomonas）由黄单胞杆菌引起，主要侵染辣椒叶片，初期表现为水渍状小斑点，后期扩展为不规则病斑，严重时导致叶片枯黄脱落。花叶病（mosaic）多由病毒引起，典型症状为叶片出现黄绿相间的花斑，叶片皱缩畸形，植株矮化，严重影响光合作用和果实发育。尾孢菌叶斑病（cercospora）是真菌性病害，病斑呈圆形或近圆形，中央灰白色、边缘褐色，潮湿条件下病斑表面可见灰色霉层。卷叶病（leaf curl）则由多种因素引起，包括病毒侵染、害虫危害或生理性障碍，主要表现为叶片向上卷曲、变厚、变脆，影响植株正常生长。

在传统农业生产中，辣椒病害的识别主要依赖种植者的经验判断。这种方式不仅要求识别者具备丰富的专业知识，而且识别结果容易受到主观因素和环境条件的影响。尤其是在病害发生初期，症状不明显，农民往往难以及时发现和准确判断，从而错过最佳防治时机。一旦病害大面积爆发，防治难度和成本将大幅增加，甚至导致绝收。

随着精准农业理念的推广，基于图像处理和机器学习的植物病害自动识别技术逐渐受到关注。早期的研究方法多采用传统的图像处理技术，通过提取颜色、纹理、形状等特征结合支持向量机（SVM）、随机森林等分类器进行病害识别。然而，这类方法对特征设计的依赖性较强，且在复杂背景下的泛化能力有限。

近年来，深度学习技术特别是卷积神经网络（CNN）在图像分类和目标检测领域取得了突破性进展，为植物病害识别提供了新的技术路径。其中，YOLO系列算法以其优异的检测性能和实时性，成为农业病害检测领域的研究热点。YOLO算法采用统一的检测框架，能够同时完成目标的定位和分类，特别适用于田间复杂环境中多尺度、多类别病害的检测任务。

当前，基于YOLO的植物病害检测研究已在水稻、小麦、苹果、番茄等多种作物上取得良好效果。然而，针对辣椒叶片病害的系统性研究仍相对较少，特别是面向多种病害同时检测的场景，仍存在数据标注复杂、类别间特征相似度高、小目标检测困难等挑战。因此，构建一套覆盖多种辣椒叶片病害、具备较高检测精度和实时性的识别系统，对于推动辣椒病害的智能化防控具有重要的理论价值和现实意义。

本研究基于YOLO26模型，构建了涵盖五类辣椒叶片病害的检测系统，并通过自建数据集对模型性能进行了系统评估。研究结果可为辣椒病害的自动化监测与早期预警提供技术参考。

数据集介绍

数据来源

本研究所使用的数据集为自建辣椒叶片病害图像数据集。

3.2 类别说明

数据集共包含5个类别，具体如下：

类别名称	英文名称	类别标签	病害类型
细菌性叶斑病	xanthomonas	0	细菌性病害
花叶病	mosaic	1	病毒性病害
健康叶片	healthy	2	无病害
尾孢菌叶斑病	cercospora	3	真菌性病害
卷叶病	leaf curl	4	病毒/生理性病害

3.3 数据划分

数据集总计包含2258张图像，按照目标检测任务的标准划分方式，将数据集划分为训练集和验证集：

• 训练集：1796张图像，占总数据量的79.5%，用于模型训练和参数优化。

• 验证集：462张图像，占总数据量的20.5%，用于模型性能评估和超参数调优。

训练结果

整体表现

• 总参数量：9,467,115

• 训练数据：462 张图像，共 962 个标注实例

• 总体 mAP50：0.701（70.1%）

• 总体 mAP50-95：0.5

整体来看，模型在部分类别上表现良好。

---

各类别表现分析

类别	实例数	Precision	Recall	mAP50	mAP50-95	表现评价
mosaic	90	0.846	0.857	0.895	0.605	优秀
cercospora	185	0.828	0.784	0.845	0.697	优秀
healthy	90	0.745	0.544	0.645	0.477	一般
xanthomonas	211	0.603	0.562	0.583	0.384	较差
leaf curl	386	0.489	0.499	0.537	0.339	较差

表现较好的类别：

• mosaic 和 cercospora 的 mAP50 均超过 0.84，说明模型对这两种病害的识别能力较强。

表现较差的类别：

• leaf curl（卷叶病）虽然样本最多（386 个），但 Precision 和 Recall 均低于 0.5，mAP50 仅为 0.537，说明模型难以区分该类别。

---

混淆矩阵分析（归一化）

从归一化混淆矩阵可以看出：

• leaf curl 容易被误判为 background 或其他类别，说明其特征不够显著或样本标注质量存在问题。

• xanthomonas 也与 cercospora、healthy 存在混淆，说明类间特征相似度高。

• mosaic 和 cercospora 的分类准确率较高，误检较少。

---

训练曲线分析

从 results.png 可以看出：

• 训练损失：box_loss、cls_loss、dfl_loss 均呈下降趋势，说明模型在收敛。

• 验证指标：precision、recall、mAP50、mAP50-95 随 epoch 上升，但在后期趋于平稳，未出现明显过拟合。

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。

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：