基于YOLOv5的苹果缺陷检测系统设计与实现

1. 项目背景与核心价值

水果品质检测一直是农业自动化领域的重要课题。传统人工分拣方式存在效率低、主观性强、成本高等问题。以苹果为例，表面缺陷（如碰伤、虫蛀、霉变等）直接影响商品等级和售价。我们团队开发的这套基于深度学习的苹果缺陷检测系统，采用计算机视觉技术实现自动化分拣，准确率可达95%以上。

这个毕业设计项目完整实现了从数据采集到模型部署的全流程，特别适合计算机相关专业学生作为毕业设计选题。系统采用Python语言开发，包含完整的训练代码、测试界面和毕业论文文档（LW格式），使用者可以直接在此基础上进行二次开发或学术研究。

提示：项目源码已通过PyTorch 1.8+和Python 3.8环境测试，建议使用相同版本避免兼容性问题

2. 技术方案设计

2.1 整体架构设计

系统采用经典的CV处理流水线：

1. 图像采集模块：使用2000万像素工业相机获取苹果多角度图像
2. 预处理模块：包括高斯滤波、直方图均衡化等操作
3. 缺陷检测核心：基于改进的YOLOv5s模型
4. 结果输出：可视化标注界面和分级统计报表

python复制# 模型架构示例
model = torch.hub.load('ultralytics/yolov5', 
                      'yolov5s', 
                      pretrained=True)
model.classes = [0]  # 只检测缺陷类别

2.2 关键技术创新点

1. 数据增强策略：

   • 针对苹果表面反光特性，增加了模拟光斑的合成缺陷
   • 采用CutMix增强小目标缺陷的识别效果

2. 模型优化：

   • 在YOLOv5的Neck部分添加CBAM注意力模块
   • 使用Focal Loss解决缺陷样本不均衡问题

3. 部署优化：

   • 采用TensorRT加速推理速度
   • 开发了基于PyQt5的友好交互界面

3. 数据集构建与处理

3.1 数据采集规范

我们建立了严格的采集标准：

• 光照条件：2000lux均匀漫射光
• 拍摄角度：0°、45°、90°三个视角
• 背景：纯黑色吸光绒布
• 分辨率：1920×1080像素

3.2 标注规范与工具

使用LabelImg进行缺陷标注，定义5类常见缺陷：

1. 碰伤（bruise）
2. 虫蛀（wormhole）
3. 霉变（mold）
4. 疤痕（scar）
5. 日灼（sunburn）

注意：标注时应包含完整的缺陷边缘，对于模糊边界需由3人交叉验证

4. 模型训练细节

4.1 超参数配置

yaml复制# hyp.yaml 关键配置
lr0: 0.01  # 初始学习率
lrf: 0.2   # 最终学习率
momentum: 0.937
weight_decay: 0.0005
warmup_epochs: 3.0
warmup_momentum: 0.8

4.2 训练过程监控

使用WandB进行训练可视化，重点关注三个指标：

1. mAP@0.5：综合检测精度
2. Precision：误检率控制
3. Recall：漏检率控制

bash复制python train.py --img 640 --batch 16 --epochs 100 --data apple.yaml --weights yolov5s.pt

5. 系统部署方案

5.1 硬件配置建议

5.2 软件依赖安装

bash复制# 创建conda环境
conda create -n apple_det python=3.8
conda activate apple_det

# 安装核心依赖
pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 -f https://download.pytorch.org/whl/torch_stable.html
pip install -r requirements.txt

6. 常见问题解决方案

6.1 模型训练问题

问题1：出现NaN损失值

• 检查学习率是否过大
• 验证输入数据是否包含异常值
• 尝试添加梯度裁剪

问题2：过拟合严重

• 增加数据增强强度
• 在模型头部添加Dropout层
• 提前停止训练

6.2 部署运行问题

问题：推理速度慢

• 启用TensorRT加速
• 将模型转为FP16精度
• 优化图像预处理流水线

7. 项目扩展方向

1. 多水果兼容：修改数据集和模型支持梨、桃等水果检测
2. 云端部署：基于Flask开发REST API接口
3. 移动端应用：使用PyTorch Mobile开发安卓应用
4. 产线集成：与PLC控制器对接实现自动分拣

实际部署中发现，在强光环境下模型性能会下降约8%。我们的解决方案是在摄像头前加装偏振滤镜，有效提升了光照鲁棒性。对于需要处理大量数据的用户，建议采用多进程并行处理架构，实测可使吞吐量提升3倍以上。