YOLOv8小麦叶片病害识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）
摘要
小麦叶片病害是影响小麦产量与品质的主要因素之一，准确、快速的病害检测对于农业生产管理具有重要意义。本研究基于YOLOv8目标检测算法，构建了一个针对小麦叶片五种常见状态（健康叶片、白粉病、叶斑病、茎锈病、条锈病）的自动检测系统。数据集共包含2604张图像，按7:1.2:0.8比例划分为训练集、验证集和测试集。实验结果表明，模型在验证集上的mAP@0.5达到0.84，综合mAP为0.66，其中白粉病、叶斑病和茎锈病的平均精度分别为0.710、0.697和0.696。混淆矩阵分析显示，模型在叶斑病检测中召回率达68%，整体F1值为0.66，召回率最高可达0.89。综合评估认为，该系统在常见病害检测上具备可行性。
引言
小麦作为全球重要的粮食作物，其生长过程中易受到多种真菌性病害的侵染，如白粉病、叶斑病、茎锈病和条锈病等。这些病害在早期往往表现为局部叶片症状，若不及时识别与控制，将迅速蔓延，导致严重减产。传统的人工田间病害识别依赖植保专家经验，效率低、主观性强，难以满足大规模、实时监测的需求。近年来，以深度学习为代表的目标检测技术，特别是YOLO系列模型，因其检测速度快、精度高，已被广泛应用于农业病害识别任务中。
本研究选用YOLOv8作为基础模型，针对小麦叶片常见病害构建检测系统，旨在探索深度学习在小麦病害自动识别中的实际效果。通过对训练过程、混淆矩阵、精确率-召回率曲线等多项指标的分析，系统评估模型在不同病害类别上的识别能力，为后续农业智能化病害监测系统的研发提供参考依据。
目录
摘要
引言
功能模块
1、用户管理模块
2、界面与交互模块
3、检测源管理模块
4、检测参数配置模块
5、YOLO检测核心模块
6、结果显示模块
7、结果保存模块
8、工具栏功能
9、辅助功能
10、数据校验模块
背景
数据集介绍
训练过程
训练结果
整体性能概览编辑
各类别详细表现编辑编辑
表现较好的类别
表现一般的类别
训练过程分析编辑
常用标注工具
功能模块
✅用户登录注册：支持密码检测，密码加密。
注册
登录
✅图片检测：可对图片进行检测，返回检测框及类别信息。
✅参数实时调节（置信度和IoU阈值）
✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测
✅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。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
背景
小麦病害的早期发现与准确诊断是实现精准施药和绿色防控的关键环节。然而，在实际农业生产中，病害识别仍然高度依赖植保技术人员的现场经验，不仅耗时耗力，而且容易受主观判断和环境光照等因素影响，导致识别结果不一致。同时，随着农业种植规模的扩大，人工巡检方式难以覆盖全部田块，容易错过病害最佳防控期。因此，发展一种高效、准确、可部署于边缘设备的自动化病害检测方法具有重要的现实意义。计算机视觉技术的快速发展，尤其是基于卷积神经网络的深度学习模型，为这一需求提供了技术路径。YOLOv8作为YOLO系列的最新版本之一，在保持实时检测能力的同时，进一步提升了检测精度，尤其适合农业图像中的小目标和密集目标检测任务。本研究以此为基础，构建小麦叶片病害检测系统，并基于实际训练结果进行系统性能评估，为智能植保技术的发展提供实践经验。
数据集介绍
数据集中共设有5个类别，分别为：Healthy（健康叶片）、Powdery_Mildew（白粉病）、Septoria（叶斑病）、Stem_Rust（茎锈病）和Yellow_Rust（条锈病）。
数据集按照训练、验证、测试三部分进行划分，其中训练集2100张，约占总数80.6%；验证集366张，约占14.1%；测试集138张，约占5.3%。
训练过程
训练结果
整体性能概览![]()
mAP@0.5（所有类别）：0.660
最佳F1值：0.66（置信度阈值0.465）
全类别平均精度（AP）：Healthy 0.575，Powdery_Mildew 0.710，Septoria 0.697，Stem_Rust 0.696，Yellow_Rust 0.621
最大召回率：0.89（置信度0.000时）
各类别详细表现![]()
![]()
表现较好的类别
Powdery_Mildew（白粉病）：AP最高（0.710），精确度和召回率平衡较好
Septoria（叶斑病）和Stem_Rust（茎锈病）：AP均在0.70左右，模型识别能力较强
表现一般的类别
Yellow_Rust（条锈病）：AP=0.621，中等表现
Healthy（健康叶片）：AP最低（0.575）
训练过程分析![]()
损失函数：box_loss、cls_loss、dfloss均稳定下降，训练收敛良好
精确度：从0.60稳步提升至0.73
召回率：从0.60提升至0.73
mAP@0.5：从0.60提升至0.84（验证集）
mAP@0.5-0.95：从0.60提升至0.84
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：