米喜1. 项目背景与核心价值
水稻作为全球最重要的粮食作物之一，其病害防治直接影响粮食安全。传统的水稻病害检测方法主要依赖人工田间调查，这种方式存在效率低下、主观性强、难以实现大面积监测等明显缺陷。实验室检测虽然准确，但周期长、成本高，不适合田间实时应用。而遥感监测又受限于天气条件和空间分辨率。
基于深度学习的计算机视觉技术为解决这些问题提供了新思路。YOLOv11作为目标检测领域的最新成果，在精度和速度上都有显著提升。本项目将其应用于水稻病害检测，实现了三大突破：
- 检测速度达到实时水平（≥30FPS），满足田间作业需求
- 对重叠叶片、光照变化等复杂场景具有更好的鲁棒性
- 开发了跨平台的GUI应用系统，便于农民和技术人员使用
提示：在实际田间测试中，系统对稻瘟病的识别准确率达到91.3%，比传统人工识别效率提升约20倍。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统架构设计
2.1 整体技术方案
系统采用模块化设计，主要包含以下核心组件：
- 图像采集模块：支持摄像头实时采集、图片上传和视频文件输入
- 预处理模块：完成图像尺寸归一化（调整为640×640）、色彩空间转换（RGB→BGR）和归一化（0-1范围）
- YOLOv11检测模块：核心检测算法，输出病变位置和类别
- 后处理模块：实现非极大值抑制（NMS）和结果可视化
- GUI界面：基于PyQt5开发，提供友好的用户交互体验
技术栈选型考虑：
- PyTorch 2.0：提供模型训练和推理的基础框架
- OpenCV 4.7：处理图像采集和预处理
- PyQt5 5.15：构建跨平台桌面应用
- NumPy 1.24：支持高效的数值计算
2.2 模型优化策略
针对农业场景的特殊性，我们对标准YOLOv11做了以下改进：
- 输入分辨率调整：将默认的640×640调整为896×896，以更好捕捉叶片细节
- 数据增强策略：
- 随机旋转（-15°~15°）
- 色彩抖动（HSV空间±10%）
- 添加高斯噪声（σ=0.01）
- 损失函数改进：
- 使用Focal Loss解决类别不平衡问题
- 引入CIoU损失提升定位精度
- 轻量化设计：
- 采用深度可分离