YOLO与SpringBoot在生菜生长检测中的实战应用

1. 项目概述：当YOLO遇上生菜——一个农业技术人的实战记录

去年在参观某大型植物工厂时，我注意到技术员每天要花费3小时手动记录生菜生长状态。作为计算机视觉从业者，我当即决定开发一套自动化检测系统。经过半年迭代，这套基于多版本YOLO和SpringBoot的生菜生长周期检测系统已经成功部署在多个生产基地。

这个系统能做什么？简单说就是通过摄像头"看"生菜，自动判断它处于哪个生长阶段（发芽期、幼苗期等），并给出种植建议。就像给生菜配了个24小时不休息的"植物医生"。下面我会从技术选型到落地细节，完整分享这个项目的开发历程。

2. 系统核心设计思路

2.1 为什么选择生菜作为检测对象？

生菜是植物工厂最常见的叶菜，其生长周期短（通常25-35天）、阶段特征明显。通过长期观察，我们确定了5个关键检测阶段：

• 空定植篮（empty_pod）：种植前的空容器状态
• 发芽期（germination）：播种后3-5天，两片子叶展开
• 幼苗期（young）：真叶出现到叶片覆盖定植篮50%
• 定植篮可见（pod）：叶片覆盖50%-80%
• 可采收（ready）：叶片完全覆盖定植篮

2.2 技术架构选型考量

系统采用经典的三层架构：

code复制[前端] Vue.js + Element Plus
    ↑
[后端] SpringBoot (REST API)
    ↑
[AI服务] YOLO系列模型 + DeepSeek

选择SpringBoot是因为：

1. 成熟的Java生态，适合企业级应用
2. 完善的权限管理和事务支持
3. 与MySQL等传统数据库配合良好

而前端选用Vue.js则是考虑到：

• 响应式设计适配不同设备
• 丰富的可视化组件库
• 与后端API对接简便

3. 核心模块实现细节

3.1 数据采集与标注

我们使用工业相机在3个植物工厂采集了2000+张生菜图像，最终筛选出1410张高质量样本。标注工具采用LabelImg，标注规范包括：

• 每个定植篮作为一个检测单元
• 遮挡超过30%的样本剔除
• 不同光照条件（早/中/晚）均衡分布

数据集分布示例：

3.2 模型训练关键参数

我们对比了YOLOv8/v10/v11/v12四个版本，以YOLOv8s为例，训练配置如下：

python复制model = YOLO('yolov8s.pt')  # 加载预训练模型
results = model.train(
    data='lettuce.yaml',
    epochs=300,            # 实测300轮后loss收敛
    batch=32,              # Tesla V100显存限制
    imgsz=640,             # 输入图像尺寸
    optimizer='AdamW',     # 比SGD收敛更快
    lr0=0.01,              # 初始学习率
    weight_decay=0.0005,
    augment=True,          # 启用Mosaic等增强
)

3.3 模型性能对比

在测试集上的表现（RTX 3090）：

最终系统选择YOLOv10s作为默认模型，因其在精度和速度间取得了最佳平衡。

4. 系统集成与优化

4.1 SpringBoot后端设计

核心API接口示例：

java复制@RestController
@RequestMapping("/api/detect")
public class DetectionController {
    
    @PostMapping("/image")
    public Result detectImage(@RequestParam MultipartFile file,
                             @RequestParam(defaultValue = "yolov10s") String modelType) {
        // 1. 保存上传文件
        String imgPath = fileStorageService.store(file);
        
        // 2. 调用Python服务运行检测
        DetectionResult detection = yolService.runDetection(imgPath, modelType);
        
        // 3. 调用DeepSeek生成报告
        String analysis = deepSeekService.generateReport(detection);
        
        // 4. 保存记录
        detectionRecordService.saveRecord(detection, analysis);
        
        return Result.success(detection);
    }
}

4.2 前端关键实现

视频检测组件核心逻辑：

javascript复制// 使用WebRTC获取摄像头流
const startCamera = async () => {
  const stream = await navigator.mediaDevices.getUserMedia({
    video: { width: 1280, height: 720 }
  });
  videoRef.value.srcObject = stream;
  
  // 每500ms截帧检测
  intervalId = setInterval(async () => {
    const canvas = document.createElement('canvas');
    canvas.width = videoRef.value.videoWidth;
    canvas.height = videoRef.value.videoHeight;
    canvas.getContext('2d').drawImage(videoRef.value, 0, 0);
    
    const imageBlob = await new Promise(resolve => 
      canvas.toBlob(resolve, 'image/jpeg', 0.9));
    
    const formData = new FormData();
    formData.append('file', imageBlob, 'frame.jpg');
    
    const res = await axios.post('/api/detect/image', formData);
    updateDetectionResult(res.data);
  }, 500);
};

5. 部署与性能优化

5.1 生产环境部署方案

我们采用Docker Compose编排服务：

yaml复制version: '3.8'
services:
  backend:
    image: lettuce-detection-backend:1.2
    ports:
      - "8080:8080"
    depends_on:
      - redis
      - mysql
      
  ai-service:
    image: yolov10-service:1.0
    gpus: all  # 需要NVIDIA GPU支持
    environment:
      - PYTHONUNBUFFERED=1
    
  mysql:
    image: mysql:8.0
    volumes:
      - mysql_data:/var/lib/mysql
      
  redis:
    image: redis:alpine

volumes:
  mysql_data:

5.2 性能优化技巧

1. 模型量化：将FP32模型转为INT8，体积减小4倍，速度提升2倍

python复制model.export(format='onnx', int8=True, dynamic=False)

2. 缓存机制：

   • 使用Redis缓存常用检测结果
   • 对相同图片的重复检测直接返回缓存

3. 异步处理：

java复制@Async
public void asyncDetection(String imagePath) {
    // 耗时检测任务
}

6. 实际应用案例

在某植物工厂的对比测试中：

• 人工检测：3名技术员每天共需3小时，准确率约85%
• 系统检测：全天候运行，准确率92.3%，主要误判发生在：
  • 新叶展开与成熟期交界（约5%）
  • 光照异常时的颜色误判（约2.7%）

典型检测结果示例：

json复制{
  "image": "lettuce_0234.jpg",
  "detections": [
    {
      "class": "ready",
      "confidence": 0.96,
      "box": [125, 80, 320, 280]
    }
  ],
  "analysis": "当前生菜已进入最佳采收期（第28天），叶片完全覆盖定植篮，建议在24小时内采收以获得最佳口感。周边3株出现轻微黄化，建议检查EC值是否偏高。"
}

7. 开发中的经验教训

1. 数据采集的坑：

   • 初期只在9-11点采集，模型在其他时段表现差
   • 解决方案：建立全天候采集计划，覆盖不同光照条件

2. 模型选择的误区：

   • 最初追求最新模型（YOLOv12），实际部署发现：
     • 对硬件要求高
     • 速度提升不明显
   • 最终选择更稳定的YOLOv10

3. 前后端协作问题：

   • 视频流检测最初采用base64编码传输，导致延迟高
   • 优化为二进制流传输后，延迟从1.2s降至0.3s

8. 系统扩展方向

1. 多作物支持：

   • 正在收集草莓、菠菜的生长数据
   • 需要解决不同作物形态差异大的问题

2. 3D生长预测：

   • 结合时序检测结果预测未来3天生长状态
   • 需要引入LSTM等时序模型

3. 硬件集成：

   • 与自动灌溉系统联动
   • 开发专用边缘计算设备

这套系统从构思到落地用了6个月时间，期间经历了3次大的架构调整。最大的体会是：农业AI应用不能只追求算法精度，更要考虑实际生产环境的复杂性。比如植物工厂的高湿度会导致镜头起雾，我们最终不得不为摄像头加装了自动除雾装置。