摘要本研究构建了基于YOLOv8的大豆幼苗与杂草检测系统旨在实现农田环境中两种目标的精准识别。数据集共包含1302张标注图像其中训练集908张、验证集260张、测试集134张类别为大豆幼苗soy plant和杂草weed。实验结果表明系统对大豆幼苗的检测性能优异精确率达92%、召回率86%、mAP0.5为0.887但对杂草的检测召回率仅为61%mAP0.5为0.61。本研究为智能除草系统的视觉感知模块提供了基础参考。引言精准农业中基于深度学习的杂草自动检测技术是实现选择性除草、减少除草剂用量的关键环节。大豆幼苗期与杂草形态相似、背景复杂传统图像处理方法难以有效区分。YOLO系列模型凭借端到端的回归机制和优异的实时性能已成为目标检测任务的主流选择。本研究采用YOLOv8构建大豆幼苗与杂草检测系统数据集包含1302张实地标注图像涵盖大豆幼苗和杂草两个类别。训练过程中模型损失函数平稳下降box_loss从1.25收敛至0.02表明模型学习过程稳定。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核心性能指标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/GPU10、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大豆是我国重要的粮油作物草害是制约其产量的主要因素之一。传统除草方式以人工拔除和化学除草剂喷洒为主前者劳动强度大、效率低后者易造成环境污染和杂草抗药性增强。精准农业理念下基于机器视觉的杂草自动识别技术成为研究热点。早期方法依赖手工设计的颜色、纹理或形状特征在光照变化、作物与杂草形态相似等复杂农田环境下鲁棒性较差。深度学习的兴起尤其是卷积神经网络的应用显著提升了目标检测的精度与泛化能力。YOLO系列模型因其检测速度快、精度高逐渐成为农业视觉任务的首选框架之一。然而大豆幼苗与杂草在幼苗期叶片形状、颜色高度相似且田间背景包含土壤、残茬、阴影等多种干扰因素对检测模型提出了更高要求。现有研究多聚焦于玉米或水稻田杂草检测针对大豆田的公开数据集和系统研究相对匮乏。因此构建针对大豆幼苗与杂草的高质量标注数据集并系统评估YOLOv8在该任务上的检测性能与失效模式对于推动智能除草装备的实际应用具有重要意义。数据集介绍本研究使用的大豆幼苗与杂草检测数据集共计包含1302张标注图像所有图像均采集自实际农田环境涵盖不同光照条件、土壤背景和生长阶段。数据集按照7:2:1的比例划分为训练集、验证集和测试集其中训练集908张、验证集260张、测试集134张。数据集共包含2个类别soy plant大豆幼苗大豆出苗后2-4周内的幼苗植株weed杂草田间常见杂草类型包括禾本科和阔叶杂草训练过程训练结果核心性能指标类别精确率召回率mAP0.5F1分数大豆幼苗0.920.860.890.71杂草0.880.610.610.71整体0.96 (最高)0.86 (阈值0)0.750.71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