摘要：随着现代农业智能化发展，传统的人工番茄成熟度检测方式存在效率低、主观性强、成本高等问题。为了提高番茄成熟度检测的准确性和效率，本文设计并实现了一个基于深度学习的番茄成熟度智能检测系统。
项目概览
项目简介
系统采用YOLOv8目标检测算法作为核心识别引擎，通过对大量番茄图像数据进行训练，实现了对未成熟、半成熟、成熟、过熟四个成熟度等级的自动分类识别。在系统架构设计上，采用前后端分离的开发模式，后端基于Django REST Framework构建RESTful API接口，前端使用Vue3框架结合Element Plus组件库开发响应式Web界面，实现了用户友好的交互体验。系统集成了用户管理、图像上传检测、历史记录查询、数据可视化分析等功能模块，支持多角色权限管理。
实验结果表明，系统在测试数据集上的平均精确率达到81.05%，召回率为70.64%，mAP@0.5为76.84%，F1 Score为75.49%，单张图像检测时间约为1-3秒，满足实际应用需求。系统不仅提高了番茄成熟度检测的自动化水平，还为农业智能化提供了技术参考和实践案例。
系统架构
系统采用 Django REST Framework + Vue3 前后端分离架构，通过 RESTful API 实现前端交互、后端业务处理、YOLOv8 模型推理与检测结果管理的协同工作。
图1 系统架构图
技术创新
创新点1：YOLOv8模型优化与农业场景适配
- 针对番茄成熟度特征优化YOLOv8网络结构
- 通过数据增强和迁移学习提升小样本场景下的检测精度
- 实现端到端的成熟度分级（未成熟、半成熟、成熟、过熟）自动识别
创新点2：前后端分离的实时检测架构
- 采用Django REST Framework构建异步检测接口，支持高并发请求
- 基于Vue3的响应式Web界面，实现拖拽上传、实时预览和结果可视化
- 检测结果带置信度和边界框坐标，提供完整的可追溯性
创新点3：多维度数据分析与可视化
- 集成ECharts实现成熟度分布饼图、检测趋势折线图等多维度统计
- 构建完整的检测历史记录系统，支持按类别、时间、置信度多条件筛选
- 展示模型训练曲线（Precision、Recall、mAP、F1 Score）和性能指标，辅助模型评估
数据集与训练
数据集构建
本研究采用来自Roboflow Universe平台的番茄成熟度检测数据集（CC BY 4.0许可），该数据集包含1,420张高质量图像和11,158个标注框，按照7:2:1的比例划分为训练集（993张）、验证集（284张）和测试集（143张）。数据集采用YOLO标准格式，建立了”未成熟(unripe)-转熟期(turning)-半成熟(semi-ripe)-成熟(ripe)”四级精细化分类体系，涵盖番茄从青色到红色的完整成熟过程，平均每张图像包含7.9个目标，真实反映了农业生产中的多目标密集场景。数据集中半成熟类占比最高（49.6%），成熟类次之（25.5%），未成熟类（16.5%）和转熟期（8.5%）相对较少，类别分布符合番茄自然生长规律，为训练高精度的成熟度检测模型提供了坚实基础。
图2 数据集直方图
训练结果
本研究采用YOLOv8模型在番茄成熟度检测数据集上进行了150个epoch的训练，最终在验证集上取得了优异的检测性能。模型训练过程中，边界框损失（box_loss）从初始的1.09逐步降低至0.57，分类损失（cls_loss）从2.73降至0.34，表明模型收敛良好。最终模型在验证集上达到了81.05%的精确率（Precision）和70.65%的召回率（Recall），mAP50指标为76.84%，mAP50-95指标为61.15%，充分证明了模型对四级成熟度分类的准确识别能力。
训练过程生成了完整的可视化结果，包括P-R曲线、F1曲线、混淆矩阵等，训练耗时约2794秒（46分钟），最优权重文件保存于weights目录下，可直接用于实际检测应用。模型在处理密集多目标场景时表现稳定，能够有效区分未成熟、转熟期、半成熟和成熟四个类别，为番茄智能采摘和分级提供了可靠的技术支撑。
图3 训练结果曲线图
图4 Precision-Recall曲线图
图5 归一化混淆矩阵图
快速开始
快速开始: 安装依赖后启动后端（python manage.py runserver）和前端（npm run dev），使用admin/admin123登录http://loclhost:5173。
环境要求
本系统需要Python 3.8+环境，核心依赖包括Python 3.8+、Node.js 16+、MySQL数据库，可选GPU。
运行展示
图6 登录界面
图7 注册界面
图8 主界面
图9 图片检测
图10 图片检测结果
图11 图片检测结果放大查看
图12 历史记录
图13 检测结果分析报
图14 模型信息
图15 个人中心
项目资源
配套文档
点击查看：基于深度学习的番茄成熟度智能检测系统设计与实现 注意：需要另外付费购买！
配套文件
包括完整的项目源代码、演示视频、运行截图，开箱即用。
项目信息
作者信息
作者：Bob (张家梁)
项目编号：AI-3
原创声明：本项目为原创作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)