摘要
针对草莓生长过程中易受多种病害侵扰且田间实时诊断困难的问题，本文构建了一种基于YOLOv8的草莓果实病害检测系统。系统以草莓果实为检测目标，涵盖胶病（Benh cao su）、黑斑病（Benh dom den）、灰霉病（Benh moc xam）、白粉病（Benh phan trang）以及正常果实（Qua binh thuong）共5个类别。数据集共包含884张图像，其中训练集700张、验证集81张、测试集103张。实验结果显示，模型在测试集上的平均精度均值（mAP@0.5）达到0.795，其中灰霉病检测效果最优（AP=0.846），整体召回率最高可达0.92，精确率在高置信度阈值下可达1.00。研究表明，YOLOv8在草莓果实病害检测任务中具有较高实用价值。
引言
草莓作为高附加值经济作物，其果实品质与病害管理密切相关。传统病害识别依赖人工巡检，不仅效率低下，且易受主观经验和光照条件影响，难以满足现代农业精准防控的需求。近年来，基于深度学习的目标检测技术，尤其是YOLO系列模型，因其实时性与高精度在农业病害检测领域得到了广泛应用。然而，草莓果实病害种类多样、病斑形态相似、背景干扰复杂，给自动化检测带来了挑战。
本文设计并实现了一套基于YOLOv8的草莓果实病害检测系统，旨在实现对5类常见病害及正常果实的快速识别。系统训练共使用700张标注图像，并分别设置验证集与测试集对模型性能进行系统评估。通过混淆矩阵、F1曲线、PR曲线及训练损失曲线等多维度分析，本文验证了模型在病害检测任务中的可行性与局限性。研究工作不仅为草莓病害智能识别提供技术参考，也为后续优化模型结构、提升细粒度病害分类能力奠定基础。
目录
摘要
引言
功能模块
1、用户管理模块
2、界面与交互模块
3、检测源管理模块
4、检测参数配置模块
5、YOLO检测核心模块
6、结果显示模块
7、结果保存模块
8、工具栏功能
9、辅助功能
10、数据校验模块
背景
数据集介绍
训练过程
训练结果
总体性能评估编辑编辑编辑
各类别性能分析编辑编辑
关键混淆问题：
训练曲线分析（results.png）编辑
PR曲线分析编辑
常用标注工具
功能模块
✅用户登录注册：支持密码检测，密码加密。
注册
登录
✅图片检测：可对图片进行检测，返回检测框及类别信息。
✅参数实时调节（置信度和IoU阈值）
✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测
✅视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
背景
草莓病害是影响产量和果实品质的主要因素之一。其中，胶病（Benh cao su）常导致果实流胶腐烂，黑斑病（Benh dom den）表现为果实表面黑色凹陷斑块，灰霉病（Benh moc xam）在潮湿条件下迅速蔓延，白粉病（Benh phan trang）则使果实表面覆有白色粉状霉层。这四类病害在田间往往混合发生，且早期症状与正常果实颜色、纹理高度相似，肉眼难以准确区分。传统检测方法依赖植保专家现场诊断，成本高、时效性差，无法适应大面积种植园的实时监测需求。
随着计算机视觉和深度学习技术的快速发展，基于卷积神经网络的目标检测模型已逐步替代传统图像处理方法。YOLOv8作为当前YOLO系列的最优版本之一，在检测速度和精度之间取得了良好平衡，尤其适合移动端或无人机载农业检测场景。然而，现有公开草莓病害数据集较少，且多集中于叶片病害，针对果实病害的系统性研究仍显不足。因此，构建一套覆盖主要果实病害、标注规范的本地数据集，并基于YOLOv8进行系统训练与评估，具有重要的研究意义和实际应用价值。
数据集介绍
图像采集自实际种植环境，涵盖不同光照、角度和背景条件下的草莓果实图像。数据集中共包含5个类别，具体名称如下：
Benh cao su（胶病）
Benh dom den（黑斑病）
Benh moc xam（灰霉病）
Benh phan trang（白粉病）
Qua binh thuong（正常果实）
所有图像均经过人工筛选与精确标注，采用边界框（bounding box）标注果实区域及其对应病害类别。数据集总图像数量为884张，按照训练、验证、测试三部分进行划分：
训练集（Train）：700张
验证集（Val）：81张
测试集（Test）：103张
训练过程
训练结果
总体性能评估![]()
![]()
![]()
| 指标 | 值 | 说明 |
|---|---|---|
| mAP@0.5 | 0.795 | 中等偏上，模型整体可用 |
| 全类F1最高值 | 0.74（@置信度0.252） | 平衡尚可 |
| 全类召回率 | 0.92（@置信度0.000） | 漏检较少 |
| 全类精确率 | 1.00（@置信度0.942） | 高置信度下预测极准 |
结论：模型在低置信度阈值下召回率高，在高置信度下精确率高，说明模型有较好的区分能力。
各类别性能分析![]()
![]()
| 类别 | 精确率（估算） | 召回率（估算） | 主要问题 |
|---|---|---|---|
| Benh moc xam（灰霉病） | 0.93 | 0.93 | 表现最好 |
| Benh phan trang（白粉病） | 0.82 | 0.82 | 较好 |
| Benh dom den（黑斑病） | 0.67 | 0.67 | 中等 |
| Benh cao su（胶病） | 0.50 | 0.50 | 较差 |
| Qua binh thuong（正常果） | 0.81 | 0.81 | 较好 |
| background（背景） | 0.17 | 0.17 | 极差（误检严重） |
关键混淆问题：
背景 → 正常果（0.17）：背景常被误检为正常果
胶病 → 正常果（0.25）：胶病易漏检为正常
灰霉病 → 正常果（0.18）：部分灰霉病被误判为正常
白粉病 → 胶病（0.82）：白粉病严重误判为胶病
训练曲线分析（results.png）![]()
loss曲线：box_loss、cls_loss、dfl_loss均稳定下降，收敛良好，无过拟合迹象。
mAP50：从0.65上升到0.77左右，后期趋于平稳。
mAP50-95：约0.58，说明模型对小目标或轻度病害的定位精度一般。
PR曲线分析![]()
mAP@0.5 = 0.795，PR曲线下面积尚可。
各类别AP：
灰霉病：0.846（最高）
白粉病：0.824
黑斑病：0.776
胶病：0.767
正常果：0.761
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：
