基于YOLOv11的生菜生长周期智能检测系统开发

1. 项目概述

在精准农业领域，生菜生长周期的自动化监测一直是个技术难点。传统的人工观察方法不仅效率低下，而且难以实现大规模种植场景下的实时监控。为了解决这个问题，我们开发了一套基于YOLOv11深度学习模型的生菜生长周期智能检测系统。

这个系统能够自动识别和分类生菜在不同生长阶段的形态特征，主要检测5个关键类别：'Ready'（成熟期）、'empty_pod'（空栽培槽）、'germination'（发芽期）、'pod'（栽培槽）和'young'（幼苗期）。系统集成了完整的YOLOv11算法实现、专门定制的生菜生长数据集、用户友好的UI操作界面（包含登录注册功能），并提供了完整的Python项目源码和预训练模型。

2. 系统架构与技术选型

2.1 整体架构设计

系统采用模块化设计，主要包含以下几个核心组件：

1. 数据采集与处理模块：负责图像数据的采集、预处理和标注
2. 模型训练与优化模块：基于YOLOv11进行模型训练和参数调优
3. 检测推理模块：实现图片、视频和实时摄像头的检测功能
4. 用户界面模块：提供直观的操作界面和结果展示
5. 用户管理模块：处理登录注册等账户相关功能

2.2 技术选型考量

选择YOLOv11作为核心检测模型主要基于以下考虑：

1. 实时性需求：相比其他目标检测模型，YOLO系列在保持较高精度的同时具有更快的推理速度
2. 轻量化部署：YOLOv11提供了多种模型尺寸选择，可以根据硬件条件灵活调整
3. 社区支持：Ultralytics团队维护的YOLO生态有丰富的文档和社区资源
4. 多平台兼容：支持CPU和GPU推理，便于在不同设备上部署

对于UI框架，我们选择了PyQt5，主要因为：

1. 跨平台性：可以在Windows、Linux和macOS上运行
2. 丰富的组件库：提供各种现成的UI控件
3. 与OpenCV的良好集成：便于实时显示检测结果

3. 数据集构建与处理

3.1 数据集特点

我们构建了一个专门针对生菜生长周期检测的数据集，具有以下特点：

1. 类别分布：包含5个类别，覆盖生菜全生长周期关键阶段及栽培环境要素
2. 数据规模：总计1,510张标注图像，按7:2:1比例划分为训练集、验证集和测试集
3. 数据多样性：图像采集于真实种植场景，涵盖不同光照条件、拍摄角度及植株密度
4. 标注质量：所有标注都经过专业农学人员校验，确保准确性

3.2 数据增强策略

为了提高模型的泛化能力，我们采用了多种数据增强技术：

1. 基础增强：随机翻转、旋转、缩放和色彩调整
2. 高级增强：Mosaic增强和MixUp增强
3. 针对性的增强：模拟不同光照条件和拍摄角度变化

数据集配置文件采用标准YOLO格式：

yaml复制train: F:\生菜生长周期检测数据集\images\train
val: F:\生菜生长周期检测数据集\images\val
test: # test images (optional)

# Classes
nc: 5
names: ['Ready', 'empty_pod', 'germination', 'pod', 'young']

4. 模型训练与优化

4.1 训练环境配置

我们使用Anaconda创建独立的Python环境，确保依赖隔离：

bash复制conda create -n yolov11 python==3.9
conda activate yolov11
pip install torch torchvision torchaudio
pip install -r requirements.txt

4.2 训练参数设置

训练脚本主要参数配置如下：

python复制from ultralytics import YOLO

model_path = 'yolo11s.pt'
data_path = 'data.yaml'

if __name__ == '__main__':
    model = YOLO(model_path)
    results = model.train(data=data_path,
                         epochs=100,
                         batch=8,
                         device='0',
                         workers=0,
                         project='runs',
                         name='exp',
                         )

关键参数说明：

1. batch=8：根据GPU显存大小设置，显存不足时可适当减小
2. epochs=100：经过实验验证，100轮训练可以达到较好的收敛效果
3. device='0'：指定使用第一块GPU进行训练
4. workers=0：在Windows系统下建议设置为0以避免多进程问题

4.3 模型选择策略

YOLOv11提供了多种预训练模型，可根据实际需求选择：

1. yolov11n：轻量化模型，适合嵌入式设备
2. yolov11s：小型模型，适合实时任务
3. yolov11m：中等模型，平衡速度和精度
4. yolov11l：大型模型，适合高精度需求场景

在我们的应用中，考虑到需要在普通PC上实现实时检测，最终选择了yolov11s作为基础模型。

5. 系统功能实现

5.1 用户管理模块

用户管理模块实现了基本的登录注册功能，核心代码如下：

python复制def handle_login(self):
    username = self.username_input.text().strip()
    password = self.password_input.text().strip()
    
    if not username or not password:
        QMessageBox.warning(self, "警告", "用户名和密码不能为空！")
        return
    
    if username in self.accounts and self.accounts[username] == password:
        self.accept()  # 验证通过
    else:
        QMessageBox.warning(self, "错误", "用户名或密码错误！")

def handle_register(self):
    if len(password) < 6:  # 密码长度≥6位
        QMessageBox.warning(self, "警告", "密码长度至少为6位！")

5.2 检测功能实现

系统支持三种检测模式：

1. 图片检测：支持常见图片格式
2. 视频检测：支持MP4/AVI/MOV等视频格式
3. 实时摄像头检测：支持USB摄像头和网络摄像头

检测线程的核心实现：

python复制class DetectionThread(QThread):
    frame_received = pyqtSignal(np.ndarray, np.ndarray, list)
    finished_signal = pyqtSignal()

    def __init__(self, model, source, conf, iou, parent=None):
        super().__init__(parent)
        self.model = model
        self.source = source
        self.conf = conf
        self.iou = iou
        self.running = True

    def run(self):
        try:
            if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')):
                cap = cv2.VideoCapture(self.source)
                while self.running and cap.isOpened():
                    ret, frame = cap.read()
                    if not ret:
                        break

                    original_frame = frame.copy()
                    results = self.model(frame, conf=self.conf, iou=self.iou)
                    annotated_frame = results[0].plot()

                    detections = []
                    for result in results:
                        for box in result.boxes:
                            class_id = int(box.cls)
                            class_name = self.model.names[class_id]
                            confidence = float(box.conf)
                            x, y, w, h = box.xywh[0].tolist()
                            detections.append((class_name, confidence, x, y))

                    self.frame_received.emit(
                        cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),
                        cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
                        detections
                    )

                    time.sleep(0.03)  # 控制帧率

                cap.release()
            else:
                frame = cv2.imread(self.source)
                if frame is not None:
                    original_frame = frame.copy()
                    results = self.model(frame, conf=self.conf, iou=self.iou)
                    annotated_frame = results[0].plot()

                    detections = []
                    for result in results:
                        for box in result.boxes:
                            class_id = int(box.cls)
                            class_name = self.model.names[class_id]
                            confidence = float(box.conf)
                            x, y, w, h = box.xywh[0].tolist()
                            detections.append((class_name, confidence, x, y))

                    self.frame_received.emit(
                        cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),
                        cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
                        detections
                    )

        except Exception as e:
            print(f"Detection error: {e}")
        finally:
            self.finished_signal.emit()

5.3 参数配置系统

系统提供了灵活的检测参数配置：

1. 置信度阈值：控制检测结果的严格程度
2. IoU阈值：控制重叠检测框的合并策略

参数同步实现代码：

python复制def update_confidence(self, value):
    confidence = value / 100.0
    self.confidence_spinbox.setValue(confidence)
    self.confidence_label.setText(f"置信度阈值: {confidence:.2f}")

def update_iou(self, value):
    iou = value / 100.0
    self.iou_spinbox.setValue(iou)

6. 系统优化与性能提升

6.1 多线程处理

为了避免检测过程中界面卡顿，我们采用了多线程架构：

1. 主线程：负责UI更新和用户交互
2. 检测线程：专门处理检测任务
3. 信号机制：用于线程间通信

6.2 结果可视化优化

系统提供了丰富的可视化功能：

1. 双画面显示：同时显示原始图像和检测结果
2. 结果表格：详细列出检测目标的类别、置信度和位置信息
3. 实时状态栏：显示系统运行状态和最后更新时间

可视化核心代码：

python复制def display_image(self, label, image):
    q_img = QImage(image.data, w, h, bytes_per_line, QImage.Format_RGB888)
    pixmap = QPixmap.fromImage(q_img)
    label.setPixmap(pixmap.scaled(label.size(), Qt.KeepAspectRatio))

def add_detection_result(self, class_name, confidence, x, y):
    self.results_table.insertRow(row)
    items = [
        QTableWidgetItem(class_name),
        QTableWidgetItem(f"{confidence:.2f}"),
        QTableWidgetItem(f"{x:.1f}"),
        QTableWidgetItem(f"{y:.1f}")
    ]

6.3 UI设计优化

系统采用了现代化的UI设计：

1. 深色主题：减少长时间使用的视觉疲劳
2. 动态效果：按钮悬停发光、状态提示等
3. 响应式布局：适应不同窗口大小

UI样式示例：

python复制def create_button(self, text, color):
    return f"""
    QPushButton {{
        border: 1px solid {color};
        color: {color};
        border-radius: 6px;
    }}
    QPushButton:hover {{
        background-color: {self.lighten_color(color, 10)};
        box-shadow: 0 0 10px {color};
    }}
    """

7. 系统部署与使用指南

7.1 环境配置步骤

1. 安装Anaconda并创建虚拟环境
2. 安装PyTorch和CUDA（如使用GPU加速）
3. 安装其他依赖库
4. 下载预训练模型权重

7.2 系统启动流程

1. 运行登录界面，输入用户名和密码
2. 在主界面选择检测模式（图片/视频/摄像头）
3. 调整检测参数（可选）
4. 开始检测并查看结果
5. 可选择保存检测结果

7.3 性能优化建议

1. 硬件选择：推荐使用NVIDIA显卡以获得最佳性能
2. 模型选择：根据硬件条件选择合适的模型尺寸
3. 参数调整：根据实际场景调整置信度和IoU阈值
4. 批量处理：对于大量图片检测，建议实现批量处理功能

8. 实际应用效果与评估

8.1 检测精度评估

在151张测试集图像上的评估结果：

1. 平均精度(mAP@0.5)：达到92.3%

2. 各类别精度：

   • 'Ready'：94.1%
   • 'empty_pod'：91.5%
   • 'germination'：89.7%
   • 'pod'：93.2%
   • 'young'：90.8%

3. 推理速度：在RTX 3060显卡上达到45FPS

8.2 实际应用场景

系统已在多个生菜种植基地进行试点应用，主要用途包括：

1. 生长监测：自动记录生菜生长阶段变化
2. 收获时机判断：识别成熟期植株，优化收获时间
3. 栽培槽管理：检测空栽培槽，提高空间利用率
4. 生长数据分析：统计各阶段生长时长，优化种植计划

9. 常见问题与解决方案

9.1 模型训练问题

问题1：训练过程中出现显存不足错误

解决方案：

• 减小batch size
• 使用更小的模型尺寸
• 降低输入图像分辨率

问题2：模型收敛速度慢

解决方案：

• 检查学习率设置
• 增加数据增强多样性
• 使用预训练权重进行迁移学习

9.2 检测应用问题

问题1：检测结果不准确

解决方案：

• 调整置信度阈值
• 检查训练数据是否具有代表性
• 增加困难样本的训练数据

问题2：实时检测卡顿

解决方案：

• 使用更小的模型尺寸
• 降低检测帧率
• 优化代码，减少不必要的计算

9.3 系统使用问题

问题1：无法打开摄像头

解决方案：

• 检查摄像头驱动是否正常
• 确认摄像头没有被其他程序占用
• 尝试更改摄像头设备号

问题2：界面显示异常

解决方案：

• 检查显示器缩放设置
• 更新显卡驱动
• 重新安装PyQt5库

10. 未来改进方向

1. 模型优化：尝试其他先进的检测算法，如YOLOv12或DETR
2. 功能扩展：增加生长预测和异常检测功能
3. 多作物支持：扩展系统以支持其他蔬菜的生长监测
4. 云端部署：实现基于Web的远程监测系统
5. 移动端适配：开发手机APP版本，方便现场使用

在实际部署过程中，我们发现光照条件的变化对检测精度影响较大。为此，我们增加了自动白平衡和曝光补偿功能，显著提升了系统在复杂光照环境下的稳定性。另一个实用技巧是在模型训练时，特意加入了不同时段拍摄的图像数据，使模型能够适应一天中不同时间的光照变化。