摘要：本文针对果实外观缺陷检测中存在的检测精度低、实时性差、多类别识别困难等问题，提出了一种基于改进YOLOv8的智能检测系统。
项目概览
项目简介
该系统采用YOLOv8n作为基础网络，通过迁移学习和数据增强技术，实现了对苹果、梨、柑橘三类果实的正常、擦伤、裂纹、腐烂、畸形共15种状态的精准识别。实验结果表明，该系统在自建数据集上达到99.5%的mAP@0.5和99.4%的mAP@0.5:0.95，推理速度45ms/帧，满足工业实时检测需求。系统集成了图片检测、视频检测和摄像头实时检测三种模式，并提供友好的图形化界面和完善的结果导出功能，为果实质量分拣提供了高效、可靠的技术方案。
系统架构
系统采用三层架构设计：底层为检测引擎层（engine_detection.py），基于YOLOv8n网络实现模型推理、结果解析和中文标注绘制；中间层为业务逻辑层（app_main.py），负责多模态输入管理（图片/视频/摄像头）、检测会话控制、类别筛选和结果统计；上层为用户界面层（app_ui.py），基于PyQt5实现专业工作台界面，提供实时预览、参数调节、数据可视化和多格式导出功能。系统通过异步多线程机制实现模型后台加载和实时检测，采用每5帧推理一次的策略平衡检测精度与性能，单帧推理耗时45ms，摄像头检测帧率达6fps，满足工业实时分拣需求。
图1 系统架构图
技术创新
创新点1：多模态检测架构设计
提出了图片-视频-摄像头三模态统一检测框架，通过自适应帧率控制策略（每5帧推理一次）和检测结果缓存机制，实现了视频流检测的流畅显示与标签连续性，解决了传统逐帧检测导致的标签闪烁问题，CPU占用降低80%，在保证99.4%检测精度的同时实现6fps实时处理。
创新点2：中文可视化标注系统
针对果实缺陷检测场景中文标签需求，设计了基于PIL的双语标注绘制模块，实现了中文类别名称的完美渲染和5种缺陷状态的自动配色方案（正常-绿色、擦伤-橙色、裂纹-红色、腐烂-深红、畸形-紫色），结合置信度动态显示和统计图表可视化，显著提升了检测结果的可读性和用户体验。
创新点3：轻量化高精度模型优化
基于YOLOv8n（3.01M参数）构建轻量级检测模型，通过迁移学习策略和关闭混合精度训练保证小批量稳定收敛，在NVIDIA RTX 4070 Ti SUPER上实现99.5% mAP@0.5和98.6%精确率，模型大小仅6.5MB，推理速度45ms/帧，相比传统方法在精度、速度、模型大小三方面达到最优平衡，适合边缘设备部署。
数据集
本研究构建了一个多类别果实外观缺陷数据集，包含苹果、梨、柑橘三种常见果实的1288张高分辨率图像，按照7:2:1的比例划分为训练集（901张）、验证集（258张）和测试集（129张）。数据集标注了15个类别，涵盖正常、擦伤、裂纹、腐烂、畸形5种状态，并通过水平翻转、垂直翻转、随机缩放、颜色偏移、高斯模糊、亮度调整等8种数据增强方法扩充样本多样性，有效提升了模型对不同光照条件、拍摄角度和果实尺寸的泛化能力，为高精度缺陷检测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 pip install -r requirements.txt 安装依赖，将训练好的模型文件 best.pt 放入 models/ 目录，运行 python app_main.py 或双击 start.bat 即可启动系统，程序将自动加载模型并进入就绪状态。
环境要求
Python 3.7+、PyQt5 5.15+、OpenCV 4.5+、ultralytics 8.0+，推荐配置CUDA 11.0+的NVIDIA GPU以实现实时检测，CPU模式下推理耗时约150-200ms/帧。
运行展示
图7 系统主界面
图8 图片检测：苹果擦伤缺陷
图9 图片检测：苹果畸形缺陷
图10 图片检测：苹果外观正常
图11 图片检测：苹果腐烂
图12 图片检测：苹果裂纹缺陷
图13 图片检测：柑橘畸形缺陷
图14 图片检测：柑橘外观正常
图15 图片检测：柑橘擦伤缺陷
图16 图片检测：柑橘腐烂缺陷
图17 图片检测：柑橘裂纹缺陷
图18 图片检测：梨果畸形缺陷
图19 图片检测：梨果腐烂缺陷
图20 图片检测：梨果裂纹缺陷
图21 图片检测：梨果擦伤缺陷
图22 图片检测：组合缺陷
图23 图片检测：组合缺陷
图24 图片检测：组合缺陷
图25 视频检测：组合缺陷
图26 摄像头检测：组合缺陷
图27 检测结果保存
图28 检测结果记录
图29 统计概览
图30 参数配置
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-84-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)