摘要:四川二荆条辣椒是中国重要的特色农产品,其生长阶段的准确识别对于优化采收时机、提高产品品质具有重要意义。传统的人工识别方法依赖于经验判断,存在效率低、主观性强、难以标准化等问题,无法满足现代智慧农业的需求。随着深度学习技术的发展,基于计算机视觉的目标检测方法为农作物生长阶段自动识别提供了新的解决方案。然而,现有研究多集中于常见作物,针对二荆条辣椒这一特殊品种的生长阶段检测系统尚属空白。
项目概览
项目简介
本研究设计并实现了一个基于YOLO26深度学习模型的四川二荆条辣椒果实生长阶段智能检测系统。系统采用分层架构设计,包括界面层、控制层、推理层和训练层,支持图片、视频和实时摄像头三种输入模式。针对辣椒细长形状和生长阶段特征,构建了包含幼果期、成熟绿果期、转色期和红熟期四个类别的数据集,共1400张图像、2290个标注目标,并采用8种数据增强方法扩充数据。系统基于PyQt5开发了友好的中文可视化界面,实现了检测结果的实时显示、统计分析和数据导出功能。
实验结果表明,本系统在验证集上取得了优异的性能:精确率(Precision)达到99.9%,召回率(Recall)达到100%,mAP@50为99.5%,mAP@50-95为98.0%,单张图像推理时间仅1.7ms。各生长阶段的检测精度均超过96.8%,其中红熟期检测精度最高达99.1%。系统模型参数量仅2.39M,模型文件
系统架构
本系统采用分层架构设计,由四个功能层次组成:界面层(chili_ui.py)基于PyQt5实现图形用户界面,提供数据源选择、参数调整、结果展示和数据导出等功能;控制层(main.py)负责业务逻辑协调,管理检测任务的启动、停止和结果处理;推理层(detection_engine.py)封装YOLO26模型推理引擎,实现图像检测、中文标注和结果解析;训练层(train_model.py)提供模型训练脚本,支持从预训练权重进行迁移学习。系统支持多源输入(图片、视频、摄像头),采用多线程异步处理机制确保界面响应流畅,通过Qt信号-槽机制实现层间解耦,提高了系统的可维护性和可扩展性。

图1 系统架构图
技术创新
创新点1:针对二荆条辣椒特性的四阶段分类体系
本研究首次针对四川二荆条辣椒的生长特性,建立了科学的四阶段分类体系(幼果期、成熟绿果期、转色期、红熟期),相比传统的三阶段分类,新增了成熟绿果期,更精准地刻画了二荆条辣椒从生长到成熟的关键转折点。该分类体系与农业实践紧密结合,能够为青椒采收(成熟绿果期)和红椒制作(红熟期)提供差异化的指导,具有明确的农业经济价值。在数据集构建过程中,通过8种数据增强方法模拟了不同光照、角度和环境条件,显著提升了模型在实际田间环境下的适应性和鲁棒性。
创新点2:轻量化高精度检测模型设计
本研究选用YOLO26-nano架构,通过C3k2模块、C2PSA注意力机制和多尺度特征融合,在保持轻量化(参数量2.39M,模型大小5.5MB)的同时实现了高精度检测(mAP@50-95达98.0%)。针对辣椒细长形状特征,优化了检测框的长宽比设置和IoU阈值,显著提升了对细长目标的检测能力。模型推理速度仅1.7ms/张,相比传统深度学习模型提速3-5倍,满足实时检测需求。轻量化设计使模型可部署在树莓派、NVIDIA Jetson等边缘计算设备上,降低了系统部署成本,为大规模推广应用奠定了基础。
创新点3:一体化智能检测系统架构
本研究设计实现了从数据标注、模型训练到实际应用的完整工具链。系统采用分层解耦架构,界面层、控制层、推理层和训练层职责清晰,便于功能扩展和维护升级。创新性地设计了中文标注机制,解决了YOLO模型输出结果在中文环境下的可视化问题,提升了用户体验。系统支持三种输入模式(图片、视频、摄像头)和两种输出格式(标注图像、CSV数据),满足不同应用场景需求。通过多线程异步处理和Qt信号-槽机制,实现了界面流畅响应和后台高效推理的平衡,为智慧农业应用提供了可复制的系统设计范例。
数据集
本研究构建了专门针对四川二荆条辣椒果实生长阶段的数据集,包含1400张640×640像素的JPEG图像和2290个YOLO格式标注目标,按7:2:1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、成熟绿果期、转色期和红熟期四个生长阶段,各类别样本分布相对均衡(占比分别为17.5%、30.0%、30.6%、21.9%)。为增强模型泛化能力,采用水平翻转、垂直翻转、随机缩放、随机颜色偏移、随机噪声、高斯模糊、亮度调整和雾化效果8种数据增强方法,有效提升了数据集的多样性和鲁棒性。

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`pip install -r requirements.txt`安装依赖,运行`python main.py`启动检测系统,或运行`python train_model.py`重新训练模型。
环境要求
本系统基于Python 3.8+、PyTorch 2.0+、Ultralytics YOLO和PyQt5开发,推荐配置为NVIDIA GPU(4GB+显存)+ CUDA 11.x以获得最佳性能,最低配置支持CPU运行。
运行展示

图8 系统主界面

图9 图像检测:幼果期

图10 图像检测:成熟绿果期

图11 图像检测:转色期

图12 图像检测:红熟期

图13 视频检测

图14 摄像头检测

图15 检测记录

图16 生长知识库

图17 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-98-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)