摘要
针对辣椒叶片病害检测中存在的类别混淆、小样本识别困难等问题，本文基于YOLOv8目标检测算法构建了辣椒叶片病害检测系统。数据集包含5类病害及健康叶片：黄单胞菌病（xanthomonas）、花叶病（mosaic）、健康叶片（healthy）、尾孢菌叶斑病（cercospora）和卷叶病（leaf curl），共2,258张标注图像，按约4:1划分为训练集（1,796张）和验证集（462张）。实验结果表明，模型对花叶病检测效果最佳，平均精度（AP@0.5）达到0.891；尾孢菌叶斑病次之，为0.807；健康叶片为0.660；而黄单胞菌病和卷叶病分别仅为0.518和0.469。整体mAP@0.5为0.669。
引言
辣椒作为我国重要的经济作物，其叶片病害的发生严重制约产量与品质。常见的辣椒叶片病害包括黄单胞菌病、花叶病、尾孢菌叶斑病及卷叶病等，不同病害在早期症状上具有较高的视觉相似性，传统人工识别依赖经验，效率低且易误判。近年来，基于深度学习的目标检测技术，尤其是YOLO系列算法，因其端到端、实时性强的特点，被广泛应用于植物病害检测任务。
YOLOv8作为该系列的最新版本，在检测精度和速度上均有提升。然而，农业场景下的病害检测仍面临多重挑战：病害类别间的视觉特征高度重叠、部分病害样本获取困难、背景干扰复杂等。为此，本研究构建了一个包含五类辣椒叶片状态的图像数据集，采用YOLOv8模型进行训练与评估，系统分析了模型的分类与定位性能。
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
1. 平均精度（mAP）
2. 各类别 AP 值编辑
混淆矩阵分析
从混淆矩阵（非归一化）发现：编辑
训练过程分析（results.png）编辑
损失函数（持续下降，良好）：
精确率-置信度曲线（P_curve.png）编辑
F1-置信度曲线编辑
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
辣椒叶片病害的早期识别是病害防控的关键环节。然而，传统依赖植保专家现场诊断的方式存在响应慢、覆盖范围小、主观性强等局限。随着计算机视觉与深度学习技术的成熟，基于图像识别的智能检测系统逐渐成为研究热点。YOLO（You Only Look Once）系列算法因其单阶段检测结构和良好的实时性，已被成功应用于水稻、番茄、葡萄等多种作物的病害检测中。YOLOv8在其前身基础上进一步优化了骨干网络和损失函数，提升了小目标与相似类别的区分能力。
尽管如此，在辣椒叶片病害这一特定领域，病害种类多、症状相似度高、田间背景复杂，仍然对模型构成挑战。特别是部分病害样本获取难度大，导致数据集中类别分布不均衡，容易使模型偏向优势类别，忽视少样本类别的特征学习。此外，标注标准的不统一也会引入类别混淆，降低模型的实际泛化能力。
数据集介绍
本研究所用的辣椒叶片病害数据集共包含2,258张图像，涵盖5个类别：黄单胞菌病（xanthomonas）、花叶病（mosaic）、健康叶片（healthy）、尾孢菌叶斑病（cercospora）和卷叶病（leaf curl）。数据集按约4:1的比例随机划分为训练集和验证集，其中训练集1,796张，验证集462张。所有图像均经过专业人员标注，采用矩形边界框标定病害区域或健康叶片区域。
训练过程
训练结果
总体性能评估
1.平均精度（mAP）
mAP@0.5：0.669（来自 PR_curve.png）
mAP@0.5-0.95：约 0.22-0.23（来自 results.png）
评价：mAP@0.5 为 66.9%，属于中等偏上水平。对于农业病害检测任务，这个结果基本可用，但仍有提升空间。
2.各类别 AP 值![]()
| 类别 | AP@0.5 | 评价 |
|---|---|---|
| mosaic（花叶病） | 0.891 | 优秀 |
| cercospora（尾孢菌叶斑病） | 0.807 | 良好 |
| healthy（健康） | 0.660 | 中等 |
| xanthomonas（黄单胞菌） | 0.518 | 较差 |
| leaf curl（卷叶病） | 0.469 | 差 |
混淆矩阵分析
从混淆矩阵（非归一化）发现：![]()
xanthomonas（11278 真实）：
正确识别：814 张（仅 7.2%）
大量误判为 mosaic（121 张）和 background（191 张）
leaf curl（2350 真实）：
正确识别：仅 50 张（2.1%）
几乎全部被误判
background（297 真实）：
正确识别：0 张
训练过程分析（results.png）![]()
损失函数（持续下降，良好）：
box_loss：1.75 → 0.05
cls_loss：2.50 → 0.05
dfl_loss：1.80 → 0.10
精确率-置信度曲线（P_curve.png）![]()
所有类别在置信度=1.0 时，精确率=0.99
F1-置信度曲线![]()
最佳 F1 值：0.66（置信度=0.236）
各类别 F1 差异大，mosaic 最高，leaf curl 最低
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：
