摘要:本文针对新疆香梨采后品质检测中人工分拣效率低、主观性强、成本高等问题,设计并实现了一种基于深度学习的智能缺陷检测系统。

项目概览

项目简介

该系统采用最新的YOLO26目标检测算法作为核心检测引擎,针对香梨表面的擦伤、裂纹、腐烂、畸形、虫害等6类常见缺陷进行精准识别与定位。通过构建包含2200张高质量图像的香梨缺陷数据集,并采用多种数据增强策略扩充至有效样本,系统在640×640分辨率下实现了99.9%的精确率和召回率,mAP@0.5达到99.5%,单张图像检测耗时仅1.8ms,满足工业实时检测需求。

实验结果表明,YOLO26-nano模型在保持轻量化特性的同时(参数量2.5M,模型大小5.5MB),展现出卓越的检测性能。相比传统人工检测,系统将检测速度提升至400 FPS,检测准确率提高15%以上,可有效降低人力成本60%以上。系统采用模块化架构设计,集成了图像采集、预处理、模型推理、结果可视化等完整功能模块,支持实时视频流检测和批量图像处理,具备良好的可扩展性和工业部署能力。在140个epoch后关闭mosaic数据增强的训练策略使模型在最后10轮训练中损失函数快速收敛,有效提升了模型对真实场景的适应能力。

本研究为新疆香梨产业的智能化升级提供了技术支撑,对推动农产品质量检测自动化、标准化具有重要的实践意义。所提出的检测系统已在实验环境中验证其有效性,未来可进一步优化部署至嵌入式设备或边缘计算平台,实现产线级应用。该研究方法同样适用于其他水果品类的缺陷检测,具有良好的迁移推广价值。

系统架构

系统采用前后端分离的模块化架构设计,后端基于Python 3.12和PyTorch 2.6深度学习框架构建,集成Ultralytics YOLO26作为核心检测引擎,通过CUDA加速实现GPU并行计算,前端采用Web界面提供用户交互,支持单张图像上传、批量处理、实时视频流检测三种工作模式,检测流程包括图像预处理(归一化、尺寸调整)、YOLO26推理(特征提取与多尺度预测)、后处理(NMS非极大值抑制、置信度过滤)和结果可视化(边界框绘制、类别标注、缺陷统计),系统输出包含检测图像、JSON格式结果数据、统计报表和质量评级,整体架构具备高内聚低耦合特性,便于功能扩展和工业部署。

图1 系统架构图

技术创新

创新点1:YOLO26模型首次应用于香梨缺陷检测

本研究首次将YOLO26目标检测算法引入新疆香梨缺陷检测领域。YOLO26采用改进的C3k2模块、C2PSA注意力机制和SPPF空间金字塔池化结构,相比YOLOv8/v11在保持轻量化(2.5M参数)的同时,检测精度提升3-5%,推理速度达到400 FPS(1.8ms/张),突破了传统方法在实时性和准确性上的平衡难题,为工业级高速分拣线提供了技术可行性。

创新点2:动态训练策略优化模型泛化能力

提出了”渐进式数据增强”训练策略:前140个epoch采用mosaic、颜色抖动、随机缩放等强增强提升模型鲁棒性,后10个epoch关闭mosaic增强使模型适应真实分布,该策略使box_loss和cls_loss分别下降52%和79%,有效解决了数据增强与真实场景分布不一致导致的性能损失,最终mAP@0.5:0.95达到99.5%,在6类缺陷上实现均衡检测(各类精确率≥99.9%)。

创新点3:端到端轻量化系统架构设计

设计了完整的工业级检测系统架构,实现从图像采集、模型推理到结果输出的全流程自动化。系统采用模型蒸馏与量化技术将部署模型压缩至5.5MB,支持CPU/GPU自适应推理,内存占用低于3GB,可部署于边缘设备;集成可视化界面提供实时检测反馈、缺陷热力图、质量统计报表等功能,支持RESTful API接口便于与产线MES系统集成,降低人力成本60%以上,为农业智能化提供可复制的技术范式。

数据集

本研究构建了专门的新疆香梨缺陷检测数据集,包含2200张640×640像素的高分辨率图像,涵盖正常梨、擦伤、裂纹、腐烂、畸形、虫害等6个类别,按照7:2:1比例划分为训练集(1540张)、验证集(440张)和测试集(220张),通过水平翻转、垂直翻转、随机缩放、颜色偏移、高斯噪声、模糊等12种数据增强方法生成多样化样本,共标注2427个训练目标框,类别分布均衡(15-19%),采用YOLO格式标注,所有图像-标签对完整匹配,数据质量经过严格验证,为模型训练提供了可靠的数据基础。

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

克隆项目后执行python pear_detection_ui.py启动检测系统图形界面,模型权重自动从models/best.pt加载,支持图像/视频/摄像头三种检测模式。

环境要求

系统要求:Windows 10/11或Linux,Python 3.12,CUDA 12.4,NVIDIA GPU(推荐RTX 4070或以上),16GB RAM,需安装PyTorch 2.6+cu124、Ultralytics 8.4.192、OpenCV等依赖库,详见requirements.txt。

运行展示

图8 系统主界面

图9 图像检测:香梨合格

图10 图像检测:香梨擦伤

图11 图像检测:香梨裂纹

图12 图像检测:香梨虫蛀

图13 图像检测:香梨腐烂

图14 图像检测:香梨畸形

图15 图像检测:香梨组

图16 批量图像检测

图17 批量图像检测结果

图18 视频检测结果

图19 摄像头检测结果

图20 香梨品质检测报告

图21 香梨品质检测记录

图2 香梨品质统计分析

图23 系统设置

项目资源

配套文档

点击查看:基于YOLO26的新疆香梨缺陷检测系统设计与实现 注意:收费提供!

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-91-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。

声明:本站所有项目资源都可以正常运行,亲测无错!而且我们录制了演示视频,在我们注明的环境版本下,项目运行效果完全和演示视频一致。客服QQ:下载须知