企业官网建设流程全解析

网站建设厘金手指排名二一,wordpress 当数据库,wordpress 网银支付,网站建设实验总结百科一、项目介绍 摘要 本项目基于YOLOv8深度学习框架#xff0c;开发了一套专门针对农业害虫的智能检测系统#xff0c;能够准确识别10类重要农业害虫#xff0c;包括army worm(粘虫)、legume blister beetle(豆芫菁)、red spider(红蜘蛛)、rice gall midge(稻瘿蚊)、rice le…一、项目介绍摘要本项目基于YOLOv8深度学习框架开发了一套专门针对农业害虫的智能检测系统能够准确识别10类重要农业害虫包括army worm(粘虫)、legume blister beetle(豆芫菁)、red spider(红蜘蛛)、rice gall midge(稻瘿蚊)、rice leaf roller(稻纵卷叶螟)、rice leafhopper(稻飞虱)、rice water weevil(稻水象甲)、wheat phloeothrips(麦管蓟马)、white backed plant hopper(白背飞虱)和yellow rice borer(二化螟)。系统采用696张训练图像、199张验证图像和100张测试图像构建的专业数据集进行训练和优化实现了对田间害虫的高精度识别。该系统可部署于农业无人机、智能虫情测报灯、移动终端等多种设备平台为农业生产提供实时虫情监测和预警服务。通过自动识别田间害虫种类和数量系统能够帮助农技人员和种植户及时掌握虫害发生动态科学制定防治策略减少农药滥用提高防治效果保障粮食安全生产。项目意义1. 推动农业害虫智能化监测传统害虫监测主要依靠人工田间调查效率低下且主观性强。本系统通过计算机视觉技术实现害虫自动识别每分钟可处理数百张图像大幅提高监测效率。系统特别针对水稻、小麦等主粮作物的主要害虫进行优化如准确区分rice leafhopper(稻飞虱)和white backed plant hopper(白背飞虱)等形态相似的害虫为精准防控提供可靠依据。2. 实现精准科学用药不同害虫需要不同的防治策略如yellow rice borer(二化螟)和rice water weevil(稻水象甲)的防治适期和用药种类各不相同。系统的精确识别能力可避免盲目施药指导农户在最佳防治时期选择针对性药剂预计可减少30-50%的农药使用量降低生产成本和环境污染。3. 提升病虫害预警能力系统可整合物联网设备构建智能虫情监测网络。通过分析害虫发生规律如army worm(粘虫)的迁飞特性结合气象数据实现虫害发生趋势预测为农业部门提供决策支持变被动防治为主动预防。4. 促进绿色农业发展精准识别害虫种类和发生程度有助于推广生物防治等绿色防控技术。例如针对rice leaf roller(稻纵卷叶螟)可优先采用性诱剂对red spider(红蜘蛛)可释放捕食螨减少化学农药依赖推动农业可持续发展。5. 服务农业科研与教育系统积累的害虫图像数据可为农业科研提供宝贵资料用于研究害虫发生规律、抗药性监测等。同时系统可视化的识别结果可作为农业院校教学工具帮助学生和农技人员快速掌握害虫识别技能。6. 助力数字农业建设作为数字农业的重要组成部分本系统可与无人机巡田、智能灌溉等其他智慧农业系统集成构建完整的农作物健康管理平台。害虫监测数据可自动生成虫情分布图为精准农业实施提供数据支撑。7. 提高农产品质量安全通过及时准确的虫情监测避免因防治不及时导致的农产品品质下降。科学用药指导还能减少农药残留提高稻米等农产品的质量安全水平增强市场竞争力。8. 适应小农户需求系统优化后可在普通智能手机上运行操作简单识别快速特别适合我国小规模农户使用有助于缩小数字鸿沟让先进技术惠及普通农民。本昆虫检测系统的开发应用将传统农业害虫识别经验转化为可标准化、规模化的智能解决方案不仅提高了病虫害防治的时效性和准确性也为实现农药减量增效、保障粮食安全提供了技术支撑。随着系统的不断完善和推广应用预计将在提高农业生产效率、保护农业生态环境、增加农民收入等方面发挥重要作用具有良好的社会效益和经济效益。未来系统可通过增加害虫种类识别范围、优化模型轻量化程度等方式进一步扩大应用场景服务更广泛的农业生产需求。基于深度学习的昆虫识别检测系统YOLOv8YOLO数据集UI界面Python项目源码模型_哔哩哔哩_bilibili基于深度学习的昆虫识别检测系统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、数据集介绍本系统的数据集包含以下三部分训练集696张图像训练集用于训练YOLOv8模型包含10类昆虫的标注数据。每张图像都经过精确标注标注信息包括昆虫的类别和边界框bounding box。数据集中涵盖了不同光照条件、背景复杂度和昆虫姿态的图像以确保模型的泛化能力。验证集199张图像验证集用于在训练过程中评估模型的性能帮助调整超参数和防止过拟合。验证集的图像分布与训练集相似但数据独立以确保评估结果的可靠性。测试集100张图像测试集用于最终评估模型的性能反映模型在真实场景中的表现。测试集的图像未参与训练和验证过程确保评估结果的客观性。数据集特点类别多样性涵盖10类常见农业害虫每类昆虫的样本数量经过平衡处理避免类别不均衡问题。场景多样性数据集包含不同农田环境下的图像如水稻田、麦田、豆田等背景复杂度高模拟真实场景。标注质量每张图像均经过人工标注确保边界框和类别标签的准确性。训练集测试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: 10 names: [army worm, legume blister beetle, red spider, rice gall midge, rice leaf roller, rice leafhopper, rice water weevil, wheat phloeothrips, white backed plant hopper, yellow rice borer],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昆虫识别检测系统YOLOv8YOLO数据集UI界面Python项目源码模型_哔哩哔哩_bilibili基于深度学习的昆虫识别检测系统YOLOv8YOLO数据集UI界面Python项目源码模型