企业官网建设流程全解析

系统开发总结,教程seo推广排名网站,手机网页编程,内销网站要怎么做一、项目介绍 摘要 本项目开发了一套基于YOLOv8目标检测算法的可视化植物病害智能检测系统#xff0c;专门用于识别和分类30种不同的植物叶片病害。系统训练数据集包含2009张训练图像和246张验证图像#xff0c;涵盖了苹果、蓝莓、樱桃、玉米、桃子、土豆、大豆、草莓、番茄…一、项目介绍摘要本项目开发了一套基于YOLOv8目标检测算法的可视化植物病害智能检测系统专门用于识别和分类30种不同的植物叶片病害。系统训练数据集包含2009张训练图像和246张验证图像涵盖了苹果、蓝莓、樱桃、玉米、桃子、土豆、大豆、草莓、番茄、葡萄等多种常见经济作物的叶片健康状态和病害表现。该系统能够实时检测植物叶片图像中的病害特征准确识别特定病害类型为农业生产者、园艺工作者和农业研究人员提供快速、准确的植物健康诊断工具。通过直观的可视化界面用户可以方便地上传植物叶片图像并获取即时检测结果系统同时提供病害的详细信息和管理建议帮助用户及时采取防治措施减少作物损失。项目意义1. 农业生产效率提升在传统农业生产中植物病害识别主要依赖农业专家的目视检查这种方法效率低下且受限于专家的经验和可用性。本系统能够实现秒级病害检测大大提高了病害诊断的效率特别适合大规模农场和种植园的日常监测需求。系统可部署在移动设备上使农民能够随时随地进行田间诊断及时发现初期病害在最佳防治窗口期采取行动。2. 精准农业与病害防治系统提供的精确病害识别能力是实施精准农业的重要基础。通过准确识别特定病害类型如番茄早疫病与番茄晚疫病的区分农民可以有针对性地使用农药避免盲目施药既降低了生产成本又减少了农药滥用对环境和农产品安全的影响。系统识别的病害数据还可用于绘制病害分布图为区域性的综合防治提供决策支持。3. 农业知识普及与教育本系统内置的30种病害知识库从苹果黑星病到葡萄黑腐病可作为农业教育工作者的教学工具帮助农业院校学生和新手农民快速掌握常见植物病害的识别特征。可视化界面直观展示病害位置和类型降低了专业知识的学习门槛促进了农业技术的普及。4. 数据驱动的农业研究系统在运行过程中可积累大量带有标注的植物病害图像数据这些数据对于农业病理学研究具有重要价值。研究人员可以分析病害发生的时空规律、不同品种的抗病性表现等为抗病品种选育和病害预测模型开发提供数据支持。系统检测的30类病害中包含多种重大经济病害如马铃薯晚疫病、番茄黄化病毒病等对这些病害的监测数据尤为珍贵。5. 农业产业链数字化转型本系统可作为农业数字化解决方案的核心组件与物联网传感器、无人机巡检系统等结合构建完整的作物健康监测体系。病害检测数据可整合到农场管理系统中实现从病害预警到防治措施的全流程数字化管理推动传统农业向智慧农业转型。6. 全球粮食安全保障植物病害是造成全球农作物减产的重要因素之一。根据FAO数据每年因植物病害导致的粮食损失可达总产量的20-40%。本系统通过早期、准确的病害检测有助于减少这类损失特别是在病虫害多发地区和发展中国家的农业生产中其应用将对当地粮食安全产生积极影响。系统涵盖的作物包括主粮玉米、土豆、水果苹果、葡萄、草莓和经济作物大豆、番茄具有广泛的应用价值。综上所述本YOLOv8植物病害检测系统将先进的计算机视觉技术与农业病理学知识相结合不仅提供了实用的病害诊断工具也为农业生产数字化、农业知识传播和全球粮食安全提供了技术支持具有显著的经济价值和社会意义。基于深度学习的可视化植物病害检测系统YOLOv8YOLO数据集UI界面Python项目源码模型_哔哩哔哩_bilibili基于深度学习的可视化植物病害检测系统YOLOv8YOLO数据集UI界面Python项目源码模型二、项目功能展示系统功能✅图片检测可对单张图片进行检测返回检测框及类别信息。✅批量图片检测支持文件夹输入一次性检测多张图片生成批量检测结果。✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测图片检测该功能允许用户通过单张图片进行目标检测。输入一张图片后YOLO模型会实时分析图像识别出其中的目标并在图像中框出检测到的目标输出带有目标框的图像。批量图片检测用户可以一次性上传多个图片进行批量处理。该功能支持对多个图像文件进行并行处理并返回每张图像的目标检测结果适用于需要大规模处理图像数据的应用场景。视频检测视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示适用于视频监控和分析等场景。摄像头实时检测该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用提供即时反馈。核心特点高精度基于YOLO模型提供精确的目标检测能力适用于不同类型的图像和视频。实时性特别优化的算法使得实时目标检测成为可能无论是在视频还是摄像头实时检测中响应速度都非常快。批量处理支持高效的批量图像和视频处理适合大规模数据分析。三、数据集介绍本项目使用的植物病害数据集包含了30种常见植物叶片病害的图像旨在为基于深度学习的病害检测模型如YOLOv8提供高质量的训练数据。数据集包含多种植物的叶片图像涵盖了不同类型的病害能够帮助模型在多种环境下进行有效的病害识别。数据集概况数据集类型图像分类与目标检测数据集图像数量训练集2009张图像验证集246张图像分类数量30类植物病害图像分辨率图像分辨率较为一致但可能因拍摄角度、光照条件等因素有所差异。主要类别30类植物病害以下是数据集中包含的30种植物叶片病害类别及其对应的植物种类Apple Scab Leaf苹果叶斑病Apple Leaf苹果叶Apple Rust Leaf苹果锈病Bell Pepper Leaf Spot甜椒叶斑病Bell Pepper Leaf甜椒叶Blueberry Leaf蓝莓叶Cherry Leaf樱桃叶Corn Gray Leaf Spot玉米灰斑病Corn Leaf Blight玉米叶枯病Corn Rust Leaf玉米锈病Peach Leaf桃树叶Potato Leaf Early Blight马铃薯早期晚疫病Potato Leaf Late Blight马铃薯晚期晚疫病Potato Leaf马铃薯叶Raspberry Leaf覆盆子叶Soyabean Leaf大豆叶Soybean Leaf大豆叶Squash Powdery Mildew Leaf南瓜白粉病Strawberry Leaf草莓叶Tomato Early Blight Leaf番茄早期炭疽病Tomato Septoria Leaf Spot番茄Septoria叶斑病Tomato Leaf Bacterial Spot番茄细菌性斑点病Tomato Leaf Late Blight番茄晚疫病Tomato Leaf Mosaic Virus番茄花叶病毒Tomato Leaf Yellow Virus番茄黄化病毒Tomato Leaf番茄叶Tomato Mold Leaf番茄霉病Tomato Two Spotted Spider Mites Leaf番茄两点蜘蛛螨Grape Leaf Black Rot葡萄黑腐病Grape Leaf葡萄叶训练集验证集数据集配置文件data.yamltrain: .\datasets\images\train val: .\datasets\images\val test: .\datasets\images\test nc: 30 names: [Apple Scab Leaf, Apple leaf, Apple rust leaf, Bell_pepper leaf spot, Bell_pepper leaf, Blueberry leaf, Cherry leaf, Corn Gray leaf spot, Corn leaf blight, Corn rust leaf, Peach leaf, Potato leaf early blight, Potato leaf late blight, Potato leaf, Raspberry leaf, Soyabean leaf, Soybean leaf, Squash Powdery mildew leaf, Strawberry leaf, Tomato Early blight leaf, Tomato Septoria leaf spot, Tomato leaf bacterial spot, Tomato leaf late blight, Tomato leaf mosaic virus, Tomato leaf yellow virus, Tomato leaf, Tomato mold leaf, Tomato two spotted spider mites leaf, grape leaf black rot, grape leaf]数据集制作流程标注数据使用标注工具如LabelImg、CVAT等对图像中的目标进行标注。每个目标需要标出边界框并且标注类别。转换格式将标注的数据转换为YOLO格式。YOLO标注格式为每行object-class x_center y_center width height这些坐标是相对于图像尺寸的比例。分割数据集将数据集分为训练集、验证集和测试集通常的比例是80%训练集、10%验证集和10%测试集。准备标签文件为每张图片生成一个对应的标签文件确保标签文件与图片的命名一致。调整图像尺寸根据YOLO网络要求统一调整所有图像的尺寸如416x416或608x608。四、项目环境配置创建虚拟环境首先新建一个Anaconda环境每个项目用不同的环境这样项目中所用的依赖包互不干扰。终端输入conda create -n yolov8 python3.9激活虚拟环境conda activate yolov8安装cpu版本pytorchpip install torch torchvision torchaudiopycharm中配置anaconda安装所需要库pip install -r requirements.txt五、模型训练训练代码from ultralytics import YOLO model_path yolov8s.pt data_path datasets/data.yaml if __name__ __main__: model YOLO(model_path) results model.train(datadata_path, epochs500, batch64, device0, workers0, projectruns/detect, nameexp, )根据实际情况更换模型 yolov8n.yaml (nano)轻量化模型适合嵌入式设备速度快但精度略低。 yolov8s.yaml (small)小模型适合实时任务。 yolov8m.yaml (medium)中等大小模型兼顾速度和精度。 yolov8b.yaml (base)基本版模型适合大部分应用场景。 yolov8l.yaml (large)大型模型适合对精度要求高的任务。--batch 64每批次64张图像。--epochs 500训练500轮。--datasets/data.yaml数据集配置文件。--weights yolov8s.pt初始化模型权重yolov8s.pt是预训练的轻量级YOLO模型。训练结果六、核心代码# -*- coding: utf-8 -*- import os import sys import time import cv2 import numpy as np from PIL import ImageFont from PyQt5.QtCore import Qt, QTimer, QThread, pyqtSignal, QCoreApplication from PyQt5.QtWidgets import (QApplication, QMainWindow, QFileDialog, QMessageBox, QWidget, QHeaderView, QTableWidgetItem, QAbstractItemView) from ultralytics import YOLO # 自定义模块导入 sys.path.append(UIProgram) from UIProgram.UiMain import Ui_MainWindow from UIProgram.QssLoader import QSSLoader from UIProgram.precess_bar import ProgressBar import detect_tools as tools import Config class DetectionApp(QMainWindow): def __init__(self, parentNone): super().__init__(parent) self.ui Ui_MainWindow() self.ui.setupUi(self) # 初始化应用 self._setup_ui() self._connect_signals() self._load_stylesheet() # 模型和资源初始化 self._init_detection_resources() def _setup_ui(self): 初始化UI界面设置 self.display_width 700 self.display_height 500 self.source_path None self.camera_active False self.video_capture None # 配置表格控件 table self.ui.tableWidget table.verticalHeader().setSectionResizeMode(QHeaderView.Fixed) table.verticalHeader().setDefaultSectionSize(40) table.setColumnWidth(0, 80) # ID列 table.setColumnWidth(1, 200) # 路径列 table.setColumnWidth(2, 150) # 类别列 table.setColumnWidth(3, 90) # 置信度列 table.setColumnWidth(4, 230) # 位置列 table.setSelectionBehavior(QAbstractItemView.SelectRows) table.verticalHeader().setVisible(False) table.setAlternatingRowColors(True) def _connect_signals(self): 连接按钮信号与槽函数 self.ui.PicBtn.clicked.connect(self._handle_image_input) self.ui.comboBox.activated.connect(self._update_selection) self.ui.VideoBtn.clicked.connect(self._handle_video_input) self.ui.CapBtn.clicked.connect(self._toggle_camera) self.ui.SaveBtn.clicked.connect(self._save_results) self.ui.ExitBtn.clicked.connect(QCoreApplication.quit) self.ui.FilesBtn.clicked.connect(self._process_image_batch) def _load_stylesheet(self): 加载CSS样式表 style_file UIProgram/style.css qss QSSLoader.read_qss_file(style_file) self.setStyleSheet(qss) def _init_detection_resources(self): 初始化检测相关资源 # 加载YOLOv8模型 self.detector YOLO(runs/detect/exp/weights/best.pt, taskdetect) self.detector(np.zeros((48, 48, 3))) # 预热模型 # 初始化字体和颜色 self.detection_font ImageFont.truetype(Font/platech.ttf, 25, 0) self.color_palette tools.Colors() # 初始化定时器 self.frame_timer QTimer() self.save_timer QTimer() def _handle_image_input(self): 处理单张图片输入 self._stop_video_capture() file_path, _ QFileDialog.getOpenFileName( self, 选择图片, ./, 图片文件 (*.jpg *.jpeg *.png)) if not file_path: return self._process_single_image(file_path) def _process_single_image(self, image_path): 处理并显示单张图片的检测结果 self.source_path image_path self.ui.comboBox.setEnabled(True) # 读取并检测图片 start_time time.time() detection_results self.detector(image_path)[0] processing_time time.time() - start_time # 解析检测结果 boxes detection_results.boxes.xyxy.tolist() self.detection_boxes [list(map(int, box)) for box in boxes] self.detection_classes detection_results.boxes.cls.int().tolist() confidences detection_results.boxes.conf.tolist() self.confidence_scores [f{score * 100:.2f}% for score in confidences] # 更新UI显示 self._update_detection_display(detection_results, processing_time) self._update_object_selection() self._show_detection_details() self._display_results_table(image_path) def _update_detection_display(self, results, process_time): 更新检测结果显示 # 显示处理时间 self.ui.time_lb.setText(f{process_time:.3f} s) # 获取带标注的图像 annotated_img results.plot() self.current_result annotated_img # 调整并显示图像 width, height self._calculate_display_size(annotated_img) resized_img cv2.resize(annotated_img, (width, height)) qimage tools.cvimg_to_qpiximg(resized_img) self.ui.label_show.setPixmap(qimage) self.ui.label_show.setAlignment(Qt.AlignCenter) self.ui.PiclineEdit.setText(self.source_path) # 更新检测数量 self.ui.label_nums.setText(str(len(self.detection_classes))) def _calculate_display_size(self, image): 计算适合显示的图像尺寸 img_height, img_width image.shape[:2] aspect_ratio img_width / img_height if aspect_ratio self.display_width / self.display_height: width self.display_width height int(width / aspect_ratio) else: height self.display_height width int(height * aspect_ratio) return width, height def _update_object_selection(self): 更新目标选择下拉框 options [全部] target_labels [ f{Config.names[cls_id]}_{idx} for idx, cls_id in enumerate(self.detection_classes) ] options.extend(target_labels) self.ui.comboBox.clear() self.ui.comboBox.addItems(options) def _show_detection_details(self, index0): 显示检测目标的详细信息 if not self.detection_boxes: self._clear_detection_details() return box self.detection_boxes[index] self.ui.type_lb.setText(Config.CH_names[self.detection_classes[index]]) self.ui.label_conf.setText(self.confidence_scores[index]) self.ui.label_xmin.setText(str(box[0])) self.ui.label_ymin.setText(str(box[1])) self.ui.label_xmax.setText(str(box[2])) self.ui.label_ymax.setText(str(box[3])) def _clear_detection_details(self): 清空检测详情显示 self.ui.type_lb.setText() self.ui.label_conf.setText() self.ui.label_xmin.setText() self.ui.label_ymin.setText() self.ui.label_xmax.setText() self.ui.label_ymax.setText() def _display_results_table(self, source_path): 在表格中显示检测结果 table self.ui.tableWidget table.setRowCount(0) table.clearContents() for idx, (box, cls_id, conf) in enumerate(zip( self.detection_boxes, self.detection_classes, self.confidence_scores)): row table.rowCount() table.insertRow(row) # 添加表格项 items [ QTableWidgetItem(str(row 1)), # ID QTableWidgetItem(source_path), # 路径 QTableWidgetItem(Config.CH_names[cls_id]), # 类别 QTableWidgetItem(conf), # 置信度 QTableWidgetItem(str(box)) # 位置坐标 ] # 设置文本居中 for item in [items[0], items[2], items[3]]: item.setTextAlignment(Qt.AlignCenter) # 添加到表格 for col, item in enumerate(items): table.setItem(row, col, item) table.scrollToBottom() def _process_image_batch(self): 批量处理图片 self._stop_video_capture() folder QFileDialog.getExistingDirectory(self, 选择图片文件夹, ./) if not folder: return self.source_path folder valid_extensions {jpg, png, jpeg, bmp} for filename in os.listdir(folder): filepath os.path.join(folder, filename) if (os.path.isfile(filepath) and filename.split(.)[-1].lower() in valid_extensions): self._process_single_image(filepath) QApplication.processEvents() # 保持UI响应 def _update_selection(self): 更新用户选择的检测目标显示 selection self.ui.comboBox.currentText() if selection 全部: boxes self.detection_boxes display_img self.current_result self._show_detection_details(0) else: idx int(selection.split(_)[-1]) boxes [self.detection_boxes[idx]] display_img self.detector(self.source_path)[0][idx].plot() self._show_detection_details(idx) # 更新显示 width, height self._calculate_display_size(display_img) resized_img cv2.resize(display_img, (width, height)) qimage tools.cvimg_to_qpiximg(resized_img) self.ui.label_show.clear() self.ui.label_show.setPixmap(qimage) self.ui.label_show.setAlignment(Qt.AlignCenter) def _handle_video_input(self): 处理视频输入 if self.camera_active: self._toggle_camera() video_path self._get_video_path() if not video_path: return self._start_video_processing(video_path) self.ui.comboBox.setEnabled(False) def _get_video_path(self): 获取视频文件路径 path, _ QFileDialog.getOpenFileName( self, 选择视频, ./, 视频文件 (*.avi *.mp4)) if path: self.source_path path self.ui.VideolineEdit.setText(path) return path return None def _start_video_processing(self, video_path): 开始处理视频流 self.video_capture cv2.VideoCapture(video_path) self.frame_timer.start(1) self.frame_timer.timeout.connect(self._process_video_frame) def _stop_video_capture(self): 停止视频捕获 if self.video_capture: self.video_capture.release() self.frame_timer.stop() self.camera_active False self.ui.CaplineEdit.setText(摄像头未开启) self.video_capture None def _process_video_frame(self): 处理视频帧 ret, frame self.video_capture.read() if not ret: self._stop_video_capture() return # 执行目标检测 start_time time.time() results self.detector(frame)[0] processing_time time.time() - start_time # 解析结果 self.detection_boxes results.boxes.xyxy.int().tolist() self.detection_classes results.boxes.cls.int().tolist() self.confidence_scores [f{conf * 100:.2f}% for conf in results.boxes.conf.tolist()] # 更新显示 self._update_detection_display(results, processing_time) self._update_object_selection() self._show_detection_details() self._display_results_table(self.source_path) def _toggle_camera(self): 切换摄像头状态 self.camera_active not self.camera_active if self.camera_active: self.ui.CaplineEdit.setText(摄像头开启) self.video_capture cv2.VideoCapture(0) self._start_video_processing(0) self.ui.comboBox.setEnabled(False) else: self.ui.CaplineEdit.setText(摄像头未开启) self.ui.label_show.clear() self._stop_video_capture() def _save_results(self): 保存检测结果 if not self.video_capture and not self.source_path: QMessageBox.information(self, 提示, 没有可保存的内容请先打开图片或视频) return if self.camera_active: QMessageBox.information(self, 提示, 无法保存摄像头实时视频) return if self.video_capture: self._save_video_result() else: self._save_image_result() def _save_video_result(self): 保存视频检测结果 confirm QMessageBox.question( self, 确认, 保存视频可能需要较长时间确定继续吗, QMessageBox.Yes | QMessageBox.No) if confirm QMessageBox.No: return self._stop_video_capture() saver VideoSaverThread( self.source_path, self.detector, self.ui.comboBox.currentText()) saver.start() saver.update_ui_signal.connect(self._update_progress) def _save_image_result(self): 保存图片检测结果 if os.path.isfile(self.source_path): # 处理单张图片 filename os.path.basename(self.source_path) name, ext filename.rsplit(., 1) save_name f{name}_detect_result.{ext} save_path os.path.join(Config.save_path, save_name) cv2.imwrite(save_path, self.current_result) QMessageBox.information( self, 完成, f图片已保存至: {save_path}) else: # 处理文件夹中的图片 valid_exts {jpg, png, jpeg, bmp} for filename in os.listdir(self.source_path): if filename.split(.)[-1].lower() in valid_exts: filepath os.path.join(self.source_path, filename) name, ext filename.rsplit(., 1) save_name f{name}_detect_result.{ext} save_path os.path.join(Config.save_path, save_name) results self.detector(filepath)[0] cv2.imwrite(save_path, results.plot()) QMessageBox.information( self, 完成, f所有图片已保存至: {Config.save_path}) def _update_progress(self, current, total): 更新保存进度 if current 1: self.progress_dialog ProgressBar(self) self.progress_dialog.show() if current total: self.progress_dialog.close() QMessageBox.information( self, 完成, f视频已保存至: {Config.save_path}) return if not self.progress_dialog.isVisible(): return percent int(current / total * 100) self.progress_dialog.setValue(current, total, percent) QApplication.processEvents() class VideoSaverThread(QThread): 视频保存线程 update_ui_signal pyqtSignal(int, int) def __init__(self, video_path, model, selection): super().__init__() self.video_path video_path self.detector model self.selection selection self.active True self.colors tools.Colors() def run(self): 执行视频保存 cap cv2.VideoCapture(self.video_path) fourcc cv2.VideoWriter_fourcc(*XVID) fps cap.get(cv2.CAP_PROP_FPS) size ( int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)), int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))) filename os.path.basename(self.video_path) name, _ filename.split(.) save_path os.path.join( Config.save_path, f{name}_detect_result.avi) writer cv2.VideoWriter(save_path, fourcc, fps, size) total_frames int(cap.get(cv2.CAP_PROP_FRAME_COUNT)) current_frame 0 while cap.isOpened() and self.active: current_frame 1 ret, frame cap.read() if not ret: break # 执行检测 results self.detector(frame)[0] frame results.plot() writer.write(frame) self.update_ui_signal.emit(current_frame, total_frames) # 释放资源 cap.release() writer.release() def stop(self): 停止保存过程 self.active False if __name__ __main__: app QApplication(sys.argv) window DetectionApp() window.show() sys.exit(app.exec_())七、项目演示与介绍视频基于深度学习的可视化植物病害检测系统YOLOv8YOLO数据集UI界面Python项目源码模型_哔哩哔哩_bilibili基于深度学习的可视化植物病害检测系统YOLOv8YOLO数据集UI界面Python项目源码模型