摘要：本文研究并实现了一套面向精准农业的水蜜桃生长阶段智能监测系统，旨在解决传统人工巡检方法效率低下、标准不统一的问题。
项目概览
项目简介
系统基于最新的YOLO26目标检测算法，构建了轻量级的检测模型，能够在保持高精度的同时实现实时检测。通过对水蜜桃幼果期、膨大期、转色期和成熟期四个关键生长阶段的深度学习训练，系统在各阶段均达到98%以上的识别准确率。
系统支持多种输入源，包括静态图片批量处理、视频文件分析和实时摄像头监控，配备了友好的中文可视化界面，实时显示各生长阶段的数量统计和分布信息，并可导出带标注的检测图像和CSV格式的结构化数据。该系统已在实际果园环境中完成测试验证，为果农提供了科学的生长阶段判定依据，有助于优化灌溉施肥计划、预测采收时间，提高果园管理的智能化水平。
系统架构
系统采用分层解耦的软件架构设计，自底向上分为四层：推理层（detection_engine.py）负责YOLO模型加载、目标检测和中文标注绘制，采用多线程异步处理保证界面流畅性；控制层（main.py）作为业务逻辑中枢，协调数据流转、管理检测任务生命周期和处理结果导出；界面层（peach_ui.py）基于PyQt5框架构建，通过信号-槽机制与控制层解耦通信，提供直观的可视化交互界面；训练层（train_model.py）独立于检测系统，封装了完整的模型训练流程，支持自定义超参数配置和预训练权重加载，四层架构职责清晰、低耦合高内聚，便于模块化开发、测试和维护。
图1 系统架构图
技术创新
创新点1：轻量级模型设计与快速收敛策略
针对传统YOLO模型参数量大、训练耗时长的问题，本研究采用YOLO26-nano轻量级架构，模型参数量仅2.5M，大小约5.3MB，相比YOLOv8n减少约30%的参数量，同时通过预训练权重迁移学习和优化的训练策略，实现了快速收敛特性——仅需10个训练轮次即可达到98.7% mAP@50的高精度，在150轮训练后稳定在98.8%的检测精度，大幅降低了训练成本和部署门槛，使得系统能够在资源受限的边缘设备（如树莓派、嵌入式设备）上实时运行，为果园智能监测提供了经济高效的解决方案。
创新点2：多模态输入与自适应检测机制
系统创新性地实现了图片、视频、摄像头三种输入模态的统一处理框架，通过抽象检测引擎和多线程异步架构，确保了不同输入源的无缝切换和稳定运行；设计了动态参数调节机制，用户可根据实际场景实时调整置信度阈值（confidence threshold）和IOU阈值（intersection over union threshold），在检测精度与速度之间灵活平衡；针对自然环境光照变化、遮挡等复杂情况，集成了自适应图像预处理和中文标注渲染模块，采用PIL库实现高质量的中文字体绘制，解决了OpenCV中文显示乱码问题，提升了系统的实用性和用户体验。
创新点3：完整的数据闭环与可追溯性设计
区别于传统检测系统仅提供实时识别功能，本系统构建了从数据采集、模型训练、在线检测到结果分析的完整数据闭环；实现了检测结果的多维度可视化，包括实时标注图像、各生长阶段数量统计、分布饼图和详细信息表格，为果园管理决策提供全面的数据支撑；设计了双格式结果导出功能，支持带标注的高分辨率图像保存和CSV格式的结构化数据导出，后者包含检测框坐标、置信度、生长阶段等完整信息，便于与果园管理系统（ERP/MES）集成和历史数据追溯分析；建立了从单次检测到批量处理、从实时监控到长期趋势分析的可扩展应用框架，为构建果园数字孪生系统奠定了基础。
数据集
本研究构建了包含1208张高质量图像的水蜜桃生长阶段数据集，按照7:2:1的比例划分为训练集（845张）、验证集（242张）和测试集（121张），涵盖幼果期、膨大期、转色期和成熟期四个关键生长阶段，所有图像统一处理为640×640像素的JPEG格式并采用YOLO标准格式进行标注（类别ID、中心坐标、宽度、高度归一化值），数据增强策略包括水平翻转、垂直翻转、随机缩放、颜色变换、高斯模糊和亮度调整等方法，确保了模型的泛化能力和鲁棒性，图像与标注文件完全匹配无缺失。
图2 数据集直方图
图3 YOLO标注格式说明图
模型训练
图4 训练与验证指标随Epoch变化趋势图
图5 不同置信度阈值下的F1曲线
图6 目标检测PR曲线
图7 归一化混淆矩阵
快速开始
克隆项目代码后执行`pip install -r requirements.txt`安装全部依赖，将训练好的模型权重文件`best.pt`放置到`models/`目录，然后运行`python main.py`即可启动图形界面进行水蜜桃生长阶段检测，支持点击按钮导入图片/视频或开启摄像头实时检测。
环境要求
系统要求Python 3.8及以上版本、NVIDIA GPU（推荐4GB+显存）用于加速推理、CUDA 11.x或更高版本、PyQt5图形界面库、OpenCV计算机视觉库、Ultralytics YOLO框架和PyTorch深度学习框架（CPU版本亦可运行但速度较慢），操作系统支持Windows 10/11和主流Linux发行版。
运行展示
图8 系统主界面
图9 图片检测：水蜜桃幼果期
图10 图片检测：水蜜桃膨大期
图11 图片检测：水蜜桃转色期
图12 图片检测：水蜜桃成熟期
图13 图片检测：多个水蜜桃
图14 视频检测：多个水蜜桃
图15 摄像头检测：多个水蜜桃
图16 生长周期检测记录
图17 生长知识库
图18 系统设置
图19 检测结果保存
项目资源
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-89-P
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)