摘 要农作物病害自动识别是现代智慧农业发展的重要环节。茶叶作为我国具有代表性的经济作物其病害的早期发现与干预对保障产量和品质至关重要。传统的人工巡检方式效率低下且容易受主观经验影响难以满足大规模茶园的高效生产管理需求。针对这一问题本文设计并实现了一套基于YOLO的茶叶健康智能检测系统。本文首先构建了符合YOLO目标检测标准格式的茶叶病害图像数据集并通过数据增强技术提升了样本的多样性。其次选用YOLOv8作为核心目标检测模型针对茶叶病害特征如病斑面积小、背景环境复杂等进行了针对性的模型训练与策略优化。最后结合PyQt5和OpenCV等技术开发了包含数据校验、模型训练、性能评估以及多模式推理支持单图、图像文件夹、视频及实时摄像头读取的图形化用户界面实现了算法的可视化与工程化落地。目 录1 绪论1.1 研究背景1.2 研究目的与意义1.2.1 研究目的1.2.2 研究意义1.3 国内外研究现状1.3.1 国内研究现状1.3.2 国外研究现状1.6 论文结构安排2 相关理论与关键技术2.1卷积神经网络2.2PyQt52.3 OpenCV2.5PyTorch框架3 基于YOLO的茶叶病害检测模型设计3.1 茶叶病害图像数据集构建3.2 基础YOLOv8模型设计3.4 模型训练方案设计3.4.1 训练参数设置3.4.2 学习率与迭代策略设计3.4.3 最优权重选择方法3.5 模型评价指标设计3.5.1 Precision3.5.2 Recall3.5.3 混淆矩阵4 茶叶健康智能检测系统实现4.1 系统总体架构与功能组成4.1.1 系统总体架构4.1.2 系统功能模块划分4.1.3 系统运行流程4.2 主程序与界面实现4.2.1 主程序启动实现4.2.2 主窗口实现4.2.4 设置界面实现4.3 核心业务模块实现4.4 辅助功能实现4.4.1 异常管理实现4.4.2 日志输出实现4.4.3 主题与交互优化实现4.5 检测结果输出实现5 系统测试与实验结果分析5.1 实验环境与测试条件5.1.1 硬件环境5.1.2 软件环境5.1.3 数据集与实验条件5.2 模型训练结果分析5.2.1 损失函数变化分析5.2.2 Precision与Recall分析5.2.5 混淆矩阵分析5.3 检测效果分析5.3.1 验证集检测结果分析5.3.3 小目标病害识别效果分析5.4 系统功能测试5.5 系统存在的问题与改进方向结 论参 考 文 献致 谢1 绪论近年来人工智能、深度学习和计算机视觉技术在农业领域的应用不断深化传统农业正在向数字化、智能化和精细化方向持续发展。农作物病害识别作为农业智能感知的重要组成部分直接关系到病害防控效率和农产品品质安全。在现代农业生产中若能够及时识别作物叶片的病害状态并在病害早期进行干预就可以有效降低病害蔓延带来的经济损失[1]。病害图像识别技术逐渐成为智慧农业研究的重要热点,尤其在茶叶种植领域由于茶树栽培面积大、病害种类多、田间环境复杂单纯依赖人工观察进行巡检已经难以适应高效率生产管理的需要[2]。基于这一背景研究和实现一个基于YOLO的茶叶健康智能检测系统既具有较强的理论研究价值也具有明显的实际应用意义。2 相关理论与关键技术重点阐述系统研发依托的核心技术介绍了卷积神经网络的基础原理讲解了PyTorch深度学习框架、OpenCV视觉处理工具与PyQt5界面开发技术详细剖析YOLOv8算法的网络结构、训练策略与优化机制为茶叶病害智能检测模型训练与系统开发筑牢理论与技术根基。3 基于YOLO的茶叶病害检测模型设计3.1 茶叶病害图像数据集构建茶叶病害检测模型的性能高度依赖于数据集质量。为了实现有效训练需要构建覆盖不同病害类别、不同拍摄角度和不同环境条件的茶叶病害图像数据集。根据项目结构可以看出系统已经具备完整的训练集和验证集目录说明数据集已经按照目标检测任务要求进行了较规范的组织。图像数据主要围绕茶叶叶片病害区域展开既包含单病斑目标也包含多病斑目标和复杂背景图像从而为模型学习提供了较丰富的样本信息。图3-1 茶树数据集4 茶叶健康智能检测系统实现4.2.2 主窗口实现在ui/main_window.py中主窗口负责组织系统主要界面元素包括标签页组件、界面布局、主题管理和终端重定向等。主窗口不仅承担界面展示任务还负责不同功能页之间的组织与交互。通过标签页结构系统将推理功能和设置功能进行统一管理增强了界面结构的清晰度。图4-1 系统主界面5 系统测试与实验结果分析系统主界面能够正常启动标签页切换顺畅推理界面和设置界面均可正常显示。界面布局清晰控件功能基本完整能够满足用户进行模型操作和结果查看的需求。