摘要

水果产后分选环节中，成熟度的精准判别直接决定果实品质与产后损耗率。传统人工目视判别存在效率低、主观性强、误差大等缺陷，难以满足规模化农业的自动化分选需求。针对这一问题，本文提出一种基于YOLOv8的水果成熟度检测系统，以草莓为研究对象，构建包含2800张多场景样本的成熟度检测数据集，采用YOLO格式完成高精度标注并按7:2:1比例划分训练集、验证集与测试集。算法层面选用轻量级YOLOv8n模型，结合迁移学习与混合数据增强策略优化训练过程，通过多组对比实验验证模型与训练策略的有效性。系统层面采用分层架构设计，基于Flask框架实现单图、批量图片、视频及摄像头实时推理功能，支持检测结果可视化、存储与CSV格式导出。

目录

摘要

Abstract

1 引言

1.1 研究背景

1.2 研究意义

1.3 本文结构安排

2 相关理论与技术基础

2.1 目标检测与YOLO系列

2.2 评价指标与损失函数

3 算法与模型设计

3.1 任务定义与数据集构建

3.2 基于YOLOv8的检测模型

3.3 训练策略与系统集成

4 实验与结果分析

4.1 数据集介绍与实验环境

4.2 实验设计与训练过程

4.3 实验结果与分析

4.4 系统功能实现

5 总结与展望

5.1 工作总结

5.2 未来展望

1 引言

农业现代化进程中，果蔬产后分选环节的智能化升级已成为提升产业效率、降低损耗的核心抓手。水果成熟度的精准判别是分选流程的关键环节，其结果直接决定果实的仓储周期、销售定价与消费体验。传统成熟度判别依赖人工目视与经验判断，该模式存在显著局限性：人工判别效率受体力与注意力阈值限制，单条产线每小时仅能完成数百公斤果实的分拣，难以匹配规模化种植基地的产出节奏；判断标准的主观性易导致同批次果实成熟度分级偏差，部分未达采收标准的果实流入市场会降低消费端满意度，而过熟果实滞留产线则会加速腐烂，造成平均约15%~20%的产后损耗[1]。针对这些问题，面向草莓成熟度检测场景构建轻量化、高精度、工程化的检测系统，成为衔接算法研究与产业应用的关键突破点。

2 相关理论与技术基础

本文采用一阶段YOLOv8轻量化算法完成水果成熟度检测，依托优化的C2f模块、PAN特征融合结构与解耦检测头，提升中小果实检测精度与速度。以精确率、召回率、mAP为核心评价指标，结合BCE分类损失、CIoU定位损失与DFL分布损失联合优化模型，兼顾检测精准度与边缘设备实时推理性能，满足果蔬分选场景需求。

4 实验与结果分析

标注质量是模型训练的关键，本研究采用标注准确率与标注完整性两个指标评估标注质量：标注准确率为正确标注的目标数与总目标数的比值，验证集标注准确率为99.2%，测试集标注准确率为99.1%；标注完整性为标注目标数与真实目标数的比值，验证集标注完整性为98.8%，测试集标注完整性为98.7%，高质量的标注数据为模型训练提供了可靠基础。

图4-1数据集样式

4.4 系统功能实现

视频检测模块支持上传本地视频文件或输入视频URL，摄像头实时检测模块支持调用本地摄像头或网络摄像头。

5 总结与展望

本研究围绕水果成熟度检测的产业需求，完成了基于YOLOv8的草莓成熟度检测系统的设计、实现与验证。系统实现方面，构建了“数据层-模型层-服务层-展示层”的分层架构，基于Flask框架实现了单图、批量图片、视频、摄像头等多类型推理接口，完成了Web可视化界面的开发，支持检测结果的可视化展示、保存与导出。