YOLO26果蔬品质检测实战：苹果新鲜与腐烂自动识别系统
摘要
本文针对苹果品质检测中的新鲜与腐烂分类问题，基于YOLO目标检测算法构建了一套高效的苹果新鲜腐烂检测系统。该系统可自动识别图像中的新鲜苹果（apple）与腐烂苹果（damaged_apple），为果蔬品质评估提供智能化解决方案。
实验采用YOLO26模型在数据集上进行训练与验证，数据集共包含697张标注图像，其中训练集489张、验证集178张、测试集30张。训练结果显示，模型在验证集上的mAP50达到0.8，表现出优异的检测精度与泛化能力。通过对混淆矩阵、精度-召回率曲线等指标的深入分析，验证了模型在实际应用中的可行性与鲁棒性。
本研究为农产品智能检测提供了有效技术路径，具有一定的理论与应用价值。
详细功能展示视频
https://www.bilibili.com/video/BV1hGoTB2ER3/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1hGoTB2ER3/
目录
1. mAP50 和 mAP50-95（来自 results.png）
2、类别识别能力分析（来自 confusion_matrix_normalized.png）编辑
4、精度与召回率曲线分析（来自 BoxPR_curve.png）编辑
5、置信度与精度/召回关系（来自 BoxP_curve.png 和 BoxR_curve.png）编辑
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。
✅ 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
✅参数实时调节（置信度和IoU阈值）
✅ 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 |
引言
随着人工智能技术在农业领域的深入应用，基于深度学习的农产品品质检测逐渐成为研究热点。苹果作为日常消费量最大的水果之一，其新鲜程度直接影响食用安全与市场价值。传统的苹果品质检测多依赖人工目测，效率低、主观性强，难以满足现代化生产与流通的需求。因此，构建一套自动化、高精度的苹果新鲜腐烂检测系统具有重要的现实意义。
YOLO（You Only Look Once）系列算法以其高效的检测速度和良好的精度，成为目标检测任务中的主流方法。本文基于YOLO26框架，构建了一个适用于苹果新鲜与腐烂检测的模型，系统能够同时识别新鲜苹果与腐烂苹果，并在复杂背景下保持较高的检测性能。本文将从数据集构建、模型训练、性能评估等方面系统阐述该检测系统的实现过程与效果。
背景
苹果是全球范围内消费量最大的水果之一，具有丰富的营养价值和较高的经济价值。中国作为世界最大的苹果生产国，年产量超过4000万吨，苹果产业在农业经济中占据重要地位。然而，苹果在采摘、运输、储存及销售过程中，极易因机械损伤、微生物侵染或生理病害而发生腐烂变质。腐烂苹果不仅造成直接的经济损失，还可能通过霉菌毒素污染或交叉感染，影响其他健康果实的品质。因此，在苹果进入流通环节之前，及时、准确地识别并剔除腐烂苹果，是实现果品质量分级、保障食品安全、减少采后损失的关键环节。
苹果在采摘、运输、储存过程中极易因机械损伤或微生物侵染而发生腐烂变质。腐烂苹果不仅造成资源浪费，还可能通过交叉感染影响其他健康果实。因此，及时、准确地识别腐烂苹果是实现智能化分级、仓储管理及质量追溯的关键环节。
传统的苹果品质检测主要依赖人工目测，这种方法存在诸多局限性：首先，人工检测效率低下，难以满足大规模生产线的快速检测需求；其次，检测标准主观性强，容易受到检测人员经验、疲劳程度等因素的影响，导致检测结果一致性差；此外，对于一些早期腐烂或轻微损伤，人眼难以准确识别，容易造成漏检。这些问题严重制约了苹果产业的智能化和自动化发展。
近年来，深度学习技术尤其是卷积神经网络在图像识别领域取得了显著进展。目标检测算法如Faster R-CNN、SSD、YOLO等已被广泛应用于农业病虫害识别、果实计数、成熟度判断等任务中。其中，YOLO算法因其端到端的检测结构和实时性优势，尤其适合部署于移动端或嵌入式设备中，为果园智能监测和产后处理提供了技术支撑。
本研究基于YOLO26模型，针对苹果新鲜与腐烂两类目标进行检测，旨在探索深度学习在农产品品质快速检测中的应用潜力，为后续智能分级系统的开发奠定基础。
数据集介绍
本研究所使用的数据集为自建的苹果图像数据集，涵盖新鲜苹果（apple）与腐烂苹果（damaged_apple）两类目标，共计标注图像697张。所有图像均采集自真实场景，包含不同光照、角度、背景条件下的苹果样本，具有较强的代表性。
数据集构成：
-
类别数量：2类
-
类别名称：
['apple', 'damaged_apple'] -
图像数量：
-
训练集：489张（占比70.2%）
-
验证集：178张（占比25.5%）
-
测试集：30张（占比4.3%）
-
训练结果
1、模型整体性能评估
1. mAP50 和 mAP50-95（来自 results.png）
-
mAP50 在训练结束时达到 0.8，表现非常优秀。
结论：模型整体检测能力很强，尤其在IoU=0.5时几乎完美。
2、类别识别能力分析（来自 confusion_matrix_normalized.png）
3、训练过程分析（来自 results.png）
4、精度与召回率曲线分析（来自 BoxPR_curve.png）
-
Precision-Recall 曲线显示，模型在高召回率区域仍能保持较高精度。
-
说明模型在检测苹果和腐烂苹果时，能够在较少误检的情况下检出大部分目标。
结论：模型在高召回率下仍保持良好精度，适合实际应用。
5、置信度与精度/召回关系（来自 BoxP_curve.png 和 BoxR_curve.png）
-
BoxP_curve：置信度在0.8以上时，精度接近1.0。
-
BoxR_curve：召回率随置信度下降而上升，最佳召回率在置信度0.89时达到0.88。
Ultralytics YOLO26
概述
Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。
YOLO26 的架构遵循三个核心原则：
- 简洁性: YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
- 部署效率： 端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
- 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
- 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于 Segmentation 的语义分割损失和多尺度原型模块，用于高精度 姿势估计 的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决 旋转框检测 中的边界问题。
这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在 CPU 上的运行速度提高了 43% — 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。
主要功能
-
DFL 移除
分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。 -
端到端无NMS推理
与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。 -
ProgLoss + STAL
改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。 -
MuSGD Optimizer
一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。 -
CPU推理速度提升高达43%
YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。 -
实例分割增强
引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。 -
精确姿势估计
集成残差对数似然估计(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。 -
优化旋转框检测解码
引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。
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：
详细功能展示视频
https://www.bilibili.com/video/BV1hGoTB2ER3/
汇聚全球AI编程工具，助力开发者即刻编程。
更多推荐
0
0- 0
已为社区贡献209条内容
所有评论(0)