YOLOv8棉花叶片病害识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

摘要棉花作为全球重要的经济作物其叶片病害的早期精准检测对保障产量与品质具有重要意义。本研究基于YOLOv8目标检测算法构建了一套面向棉花叶片的6类病害检测系统涵盖枯萎病blight、卷叶病curl、灰霉病grey mildew、健康叶片healthy、叶斑病leaf spot和萎蔫病wilt。实验采用自建数据集共包含4173张标注图像按约8.9:0.55:0.55的比例划分为训练集3708张、验证集232张和测试集233张。训练过程中模型损失函数平稳下降mAP50最高接近1.00。混淆矩阵分析表明模型对枯萎病、健康叶片和卷叶病的分类精度较高但对灰霉病的识别存在明显混淆主要表现为与bright类别图像过亮样本的误判。PR曲线显示整体平均精度mAP0.5为0.826。综合评估表明该系统在实际农业场景中具备初步部署能力。引言棉花叶片病害的发生具有突发性强、传播速度快的特点传统的人工目视诊断依赖经验且效率低下难以满足大规模农田的实时监测需求。近年来深度学习尤其是目标检测技术在植物病害识别领域展现出巨大潜力。YOLO系列模型因其检测速度快、精度高已成为农业病害检测的主流方法之一。本研究选用YOLOv8作为基础框架针对棉花叶片病害检测任务进行模型训练与评估。在实际应用中不同病害之间可能存在相似的表观特征例如灰霉病与叶片过亮区域容易混淆萎蔫病与卷叶病在形态上存在重叠。此外不同类别的样本数量存在不均衡问题少数类别如灰霉病的训练样本不足会进一步加剧模型误判。因此本文不仅关注模型整体性能更聚焦于各类别间的混淆情况、置信度阈值对F1分数的影响以及精确率-召回率的权衡关系。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整体评价​编辑​编辑各类别详细分析基于混淆矩阵​编辑​编辑表现优秀的类别存在问题的类别3. leaf spot叶斑病F1曲线与置信度阈值​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/GPU10、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棉花是世界上种植最广泛的纤维作物之一其生长过程中易受到多种病原菌的侵染导致叶片出现病斑、卷曲、萎蔫等症状。常见的棉花叶片病害包括枯萎病、卷叶病、灰霉病、叶斑病和萎蔫病等。这些病害在早期往往表现为细微的叶片颜色或纹理变化若未及时发现并防治将迅速蔓延严重时导致绝收。传统病害识别方法主要依赖植保专家现场诊断不仅耗时耗力而且受主观经验影响较大难以实现大规模、高频次的田间监测。随着计算机视觉技术的发展基于深度学习的图像识别方法为农业病害检测提供了新的解决路径。其中YOLO系列算法通过将目标检测任务转化为回归问题实现了端到端的实时检测在精度与速度之间取得了良好平衡。YOLOv8作为该系列的最新版本进一步优化了网络结构和损失函数对小目标和相似类别具有更强的判别能力。然而在真实的田间环境中光照变化、背景干扰、叶片遮挡以及病害间的表观相似性仍对模型的鲁棒性提出挑战。因此构建一个高质量、多样化的病害图像数据集并系统分析模型在各类别上的细粒度表现是实现棉花叶片病害精准检测的关键前提。数据集介绍本研究构建的棉花叶片病害数据集共包含4173张图像所有图像均在自然田间光照条件下采集并经过专业植保人员对病害类别进行标注。数据集共分为6个类别分别为枯萎病blight、卷叶病curl、灰霉病grey mildew、健康叶片healthy、叶斑病leaf spot和萎蔫病wilt。标注格式采用YOLO兼容的边界框格式每个样本包含目标的类别标签及位置信息。数据集按照约8.9:0.55:0.55的比例划分为训练集、验证集和测试集。其中训练集包含3708张图像用于模型参数学习验证集包含232张图像用于训练过程中的超参数调优和模型选择测试集包含233张图像用于最终模型性能的独立评估。训练过程训练结果整体评价整体 mAP50 接近 1.00说明模型在 IoU0.5 下检测能力很强。损失曲线稳定下降train/box_loss、cls_loss、dfl_loss未见明显过拟合。各类别详细分析基于混淆矩阵表现优秀的类别类别表现healthy召回率 0.98精确率很高几乎不错检blight召回率 0.96分类非常准确curl召回率 0.89表现良好存在问题的类别1. grey mildew灰霉病严重被误判为bright48张召回率仅 0.50–0.60与leaf spot也有一定混淆问题本质特征与bright高度重叠可能是颜色、纹理相似2. wilt枯萎病与curl存在双向混淆与leaf spot也有交叉召回率约 0.78–0.853. leaf spot叶斑病与grey mildew、wilt、bright均有一定混淆召回率约 0.77F1曲线与置信度阈值最佳 F1 阈值集中在0.4–0.6之间grey mildew的 F1 明显低于其他类别建议对grey mildew单独降低置信度阈值如 0.3或后处理中增加类别逻辑规则PR曲线分析mAP0.5 0.826healthy和blight的 PR曲线几乎完美grey mildewPR曲线明显偏低精度随召回率下降极快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