基于YOLOv5的番茄叶片病害智能检测系统开发

1. 项目背景与核心价值

番茄作为全球广泛种植的经济作物，其叶片健康状况直接影响产量和品质。传统人工检测方式存在效率低、主观性强、成本高等问题。我们团队开发的基于YOLO算法的番茄叶片病变识别系统，实现了病害的自动化检测与分类，准确率达到92.7%，单张图像处理时间仅47ms。

这个毕设项目的创新点在于：

• 首次将YOLOv5s模型应用于番茄叶片多病害识别
• 自主构建包含7类常见病害的数据集（早疫病、晚疫病、叶霉病等）
• 开发了带病害分布热力图的可视化界面
• 整套系统在Jetson Nano上实现端到端部署

2. 技术架构解析

2.1 数据准备关键步骤

我们采集了3287张高清叶片图像，标注规范包括：

1. 拍摄条件：晴天10:00-14:00，距叶片30-50cm
2. 标注工具：LabelImg（保存为YOLO格式）
3. 数据增强策略：
   • 随机旋转（±30°）
   • 色彩抖动（HSV空间±10%）
   • 马赛克增强（4图拼接）

重要提示：病害边缘必须完整标注，避免部分遮挡区域漏标

2.2 模型优化细节

在YOLOv5s基础上进行的改进：

训练时的关键参数配置：

yaml复制lr0: 0.01  # 初始学习率
lrf: 0.2   # 最终学习率系数
weight_decay: 0.0005
warmup_epochs: 3
batch_size: 16

3. 系统实现全流程

3.1 开发环境搭建

推荐使用conda创建隔离环境：

bash复制conda create -n tomato python=3.8
conda install pytorch==1.10.0 torchvision==0.11.0 -c pytorch
pip install -r requirements.txt  # 包含opencv、albumentations等

3.2 核心代码结构

code复制src/
├── data_loader.py    # 自定义数据加载
├── models/           # 改进的YOLO模型
├── utils/
│   ├── augment.py    # 数据增强
│   └── metrics.py    # 评估指标计算
├── train.py          # 训练入口
└── detect.py         # 推理部署

3.3 界面开发要点

使用PyQt5实现的主要功能模块：

1. 图像上传区域（支持拖拽）
2. 实时检测结果显示
3. 病害统计面板
4. 历史记录查询

关键代码片段：

python复制class MainWindow(QMainWindow):
    def __init__(self):
        self.model = load_model('best.pt') 
        self.setup_ui()
        
    def detect_image(self, img_path):
        results = self.model(img_path)
        self.display_results(results)

4. 部署优化实战

4.1 模型压缩方案

1. TensorRT加速（FP16精度）：

bash复制trtexec --onnx=model.onnx --saveEngine=model.engine --fp16

2. 通道剪枝（减少30%参数量）
3. 量化部署（INT8精度）

4.2 边缘设备适配

在Jetson Nano上的优化技巧：

• 启用GPU解码：cv2.cuda.setDevice(0)
• 限制推理线程数：torch.set_num_threads(2)
• 使用异步处理流水线

5. 常见问题解决方案

5.1 训练过程问题

1. 损失震荡过大：

   • 检查学习率设置（建议初始0.01）
   • 增加warmup阶段
   • 尝试AdamW优化器

2. 过拟合处理：

   • 添加CutMix数据增强
   • 引入Label Smoothing（ε=0.1）
   • 早停机制（patience=15）

5.2 部署常见错误

bash复制# 解决libGL.so缺失问题
apt install libgl1-mesa-glx
# 解决CUDA内存不足
export PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128

6. 论文写作要点

1. 创新点描述框架：

   • 现有方法局限性（人工检测效率低）
   • 本方案技术突破（轻量化模型设计）
   • 实验验证结果（对比传统方法）

2. 图表规范要求：

   • 混淆矩阵（显示7类病害）
   • PR曲线（每类单独绘制）
   • 消融实验对比表

3. 参考文献选择：

   • 必引YOLOv5原论文
   • 近3年农业AI应用顶会论文
   • 权威病害识别相关研究

这个项目从数据采集到最终部署共耗时4个月，最大的收获是认识到农业AI落地需要兼顾算法精度和工程实用性。建议后续可以加入病害严重程度分级功能，这对实际种植管理会更有价值。