摘要:黄桃是我国重要的经济作物,其生长阶段的精准识别对于科学施肥、病虫害防治和采摘时机把控具有重要意义。传统的人工识别方法依赖经验判断,存在效率低、主观性强、难以规模化等问题。随着深度学习技术的发展,基于计算机视觉的果实生长阶段自动识别成为智慧农业的重要研究方向。本研究旨在构建一个高效、准确的黄桃生长阶段智能检测系统,为果园精准管理提供技术支撑。
项目概览
项目简介
本文研究了一种基于YOLO26的黄桃生长阶段检测方法,构建包含1400张标注图像的数据集,涵盖幼果期、膨大期、着色期和成熟期四个阶段,并采用数据增强方法提高样本多样性。选用轻量化YOLO26n模型,采用SGD优化器,设置批次大小为8、初始学习率为0.01,完成150轮训练,并开发黄桃生长阶段检测系统,实现目标识别与结果可视化。
实验结果表明,模型在验证集上的mAP@50和mAP@50–95分别为99.5%和99.3%,精确率为99.6%,召回率为100%。在本实验环境下,单帧推理耗时为1.7 ms,显存占用约2.9 GB,模型文件大小为5.5 MB。该方法在所用验证集上取得了较好的检测效果,可为黄桃生长监测和果园管理提供技术参考。
系统架构
本系统采用模块化设计思想,主要由数据预处理模块、模型训练模块、实时检测模块和结果可视化模块四部分构成:数据预处理模块负责图像加载、标注解析和数据增强;模型训练模块基于Ultralytics框架实现YOLO26网络的端到端训练,支持超参数配置、训练过程监控和模型自动保存;实时检测模块集成推理引擎,可处理图像、视频和摄像头输入,实现毫秒级检测响应;结果可视化模块提供检测框绘制、置信度标注和训练曲线展示功能,系统整体采用PyTorch深度学习框架,支持CUDA加速,具备良好的扩展性和跨平台部署能力。

图1 系统架构图
技术创新
创新点1:轻量化模型架构设计
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:多阶段细粒度检测方法
针对黄桃生长过程的连续性特征,构建了涵盖幼果期、膨大期、着色期、成熟期四个细粒度生长阶段的检测体系,通过特征融合和多尺度检测策略,实现了各阶段100%召回率和99%以上精确率的均衡检测性能,有效解决了传统方法难以区分相邻生长阶段的技术难题,为精准农业管理提供了细粒度决策依据。
创新点3:数据增强与迁移学习融合策略
设计了包含几何变换(翻转、缩放)、颜色域变换(色彩偏移、亮度调整)和噪声注入(高斯模糊)的七维数据增强流程,并结合YOLO26预训练权重的迁移学习策略,在小样本条件下(1400张图像)实现了高精度检测模型的快速收敛(45分钟完成150轮训练),验证了数据增强与知识迁移在农业视觉任务中的有效性,为类似应用场景提供了可复制的技术范式。
数据集
本研究构建了专门的黄桃生长阶段检测数据集,共包含1400张标注图像,按照7:2:1的比例划分为训练集(979张)、验证集(280张)和测试集(141张)。数据集涵盖幼果期(YellowPeach_Young)、膨大期(YellowPeach_Expanding)、着色期(YellowPeach_Coloring)和成熟期(YellowPeach_Ripe)四个关键生长阶段,各类别样本分布相对均衡,采用YOLO标准格式进行边界框标注,并应用水平翻转、垂直翻转、随机缩放、颜色变换、高斯模糊、亮度调整等7种数据增强方法以提升模型泛化能力。

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 peach_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
系统运行需要Python 3.12环境,依赖PyTorch 2.6.0+cu124深度学习框架、Ultralytics 8.4.192目标检测库,推荐使用NVIDIA RTX 4070 Ti SUPER或更高性能GPU以获得最佳训练和推理速度,最低显存需求为3GB。
运行展示

图8 系统主界面

图9 图片检测:黄桃幼果期

图10 图片检测:黄桃膨大期

图11 图片检测:黄桃转色期

图12 图片检测:黄桃成熟期

图13 图片检测:黄桃组合

图14 批量图片检测

图15 批量图片检测结果

图16 视频检测结果

图17 摄像头检测结果

图18 检测记录

图19 统计分析

图20 系统设置
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-90-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(1)