摘要:果园巡查需要同时记录果实的位置和生长阶段,单幅图像中不同果实的发育差异、枝叶遮挡以及果皮底色变化增加了识别难度。本文设计并实现一种基于YOLO26的油桃生长阶段检测系统,将可见果实划分为幼果期、膨大期、转色期和成熟期。
内容简介
项目数据集包含1590张标注图像,其中训练集1113张、验证集318张、测试集159张。以YOLO26n预训练权重为起点,在640像素输入尺度下采用随机梯度下降算法训练150轮。系统采用PyQt5构建桌面工作台,支持单张图像、批量图像、视频文件及摄像头输入,提供边界框预览、逐目标明细、阶段分布和基于SQLite的历史记录。
最佳权重在318张验证图像的544个标注目标上取得0.997的精确率、0.998的召回率,mAP@0.50和mAP@0.50:0.95分别为0.995和0.991。四阶段混合样例能够同时显示七个目标,并将逐框预测汇总为各阶段的数量及比例。误差分析发现,幼果期在严格匹配条件下的平均精度相对较低,混淆矩阵还存在未匹配的背景预测。结果表明,该系统可用于给定数据条件下的油桃外观阶段识别和记录复核,独立测试集及跨果园实拍数据上的性能仍待验证。
文档概述
文档信息
版本:初稿
页数:43页
字数:19345个字
格式:word(可编辑)
图表:20张图、11张表、18个公式
文档目录
第1章 绪论 1
1.1 研究背景与问题提出 1
1.2 国内外研究现状 1
1.2.1 果园环境中的果实检测 1
1.2.2 阶段识别与评价依据 2
1.3 研究内容与技术路线 2
第2章 相关理论与关键技术 3
2.1 图像表征与卷积特征 3
2.1.1 从像素到局部特征 3
2.1.2 保持几何比例的输入变换 3
2.2 目标检测与阶段判断 4
2.3 检测评价方法 4
第3章 系统需求分析与总体设计 6
3.1 使用场景与功能需求 6
3.1.1 输出的一致性要求 6
3.1.2 运行条件与可追溯性 7
3.2 总体架构与模块接口 7
3.3 任务流程与异常处理 9
3.4 记录模型与统计口径 10
第4章 数据集构建与深度卷积检测模型设计 11
4.1 类别体系与样本组织 11
4.2 边界框标注与质量检查 12
4.3 多尺度卷积网络与检测头 14
4.3.1 主干网络与特征融合 14
4.3.2 迁移学习与训练目标 15
4.4 数据增强与训练配置 15
第5章 检测系统实现 17
5.1 工作台与检测引擎 17
5.2 单张图像的四阶段检测 18
5.2.1 幼果期与膨大期 18
5.2.2 转色期与成熟期 20
5.3 混合阶段图像与批量浏览 22
5.4 视频文件与摄像头输入 24
5.5 历史查询与数据复核 26
5.6 统计分析与系统设置 27
第6章 实验与结果分析 29
6.1 实验设置与证据范围 29
6.2 损失曲线与收敛过程 30
6.3 最佳权重与分阶段检测结果 31
6.4 混淆矩阵与背景误报 34
6.5 运行时间与功能验证 35
6.6 适用范围与测试偏差 36
第7章 总结与展望 37
7.1 研究结论 37
7.2 后续工作 37
参考文献 38
配套项目
作者联系
作者信息
原创作者:bob(可提供二次开发有偿修改服务)
项目编号:AI-93-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)