摘要：番茄成熟度检测在农业生产及质量控制中起着至关重要的作用，不仅能帮助农民及时采摘成熟的番茄，还为自动化农业监测提供了可靠的数据支撑。本文介绍了一款基于YOLOv8、YOLOv5等深度学习框架的番茄成熟度检测模型，该模型使用了大量图片进行训练，能够准确识别不同成熟度阶段的番茄。系统可在不同场景下进行番茄检测，包括多种光照条件、复杂背景、遮挡情况等。
此外，我们开发了一款带有UI界面的番茄成熟度检测系统，支持实时检测番茄的成熟状态，并通过图形界面直观展示检测结果。系统基于Python与PyQt5开发，能够处理图片、视频及摄像头输入，检测结果可以保存以供后续分析。本文还提供了完整的Python代码及详细的使用指南，供有兴趣的读者参考，完整代码资源请见文章末尾。
项目介绍
项目中所用到的算法模型和数据集等信息如下：
算法模型：
yolov8、yolov8 + SE注意力机制 或 yolov5、yolov5 + SE注意力机制 ， 直接提供最少两个训练好的模型。模型十分重要，因为有些同学的电脑没有 GPU，无法自行训练。
数据集：
网上下载的数据集，格式都已转好，可直接使用。
界面：
PyQt5
以上是本篇博客的简单说明，添加注意力机制可作为模型的创新点 。
前言
番茄成熟度检测在现代农业中，对于提高生产效率、优化收获时机以及减少人工检测成本具有重要意义。通过快速且精准地识别番茄的成熟状态，农民和农业管理者可以及时采取适当的收获或处理措施，确保产量和质量。尤其是在智能化农业管理系统中，番茄成熟度检测技术是智能采摘和精准农业的关键工具。同时，检测系统还能为农业研究人员提供实时数据反馈，帮助他们分析和预测不同生长条件对番茄成熟的影响，优化种植策略。
番茄成熟度检测技术已经在农业自动化、食品质量监控、智能温室管理等多个领域得到应用，依靠高效准确的检测系统，农场主和农业企业可以在田间实时识别番茄的成熟状态，并根据数据自动调度采摘或处理设备，提高劳动生产率，减少浪费。
在现代农业管理中，番茄成熟度检测系统可以与其他智能化管理系统协作，如温度控制、灌溉系统和农作物监测平台，形成完整的智能农业解决方案，帮助农民更好地掌握作物生长动态。在大规模种植场景或温室环境中，系统能够迅速识别和分类不同成熟阶段的番茄，提供精准的作物管理数据。
本文基于YOLOv8、YOLOv5等目标检测技术，结合Python与PyQt5开发了一款番茄成熟度检测系统。该系统支持图片、视频及摄像头检测，并能保存检测结果，为用户提供直观、便捷的使用体验。
目录
- 项目介绍
- 前言
- 功能展示：
- 🌟 一、数据集介绍
- 🌟 二、深度学习算法介绍
- 1. yolov8相关介绍
- 2. yolov5相关介绍
- 3. PyQt5介绍
- 🌟 四、模型训练步骤
- 🌟 五、模型评估步骤
- 🌟 六、训练结果
- 结束语 🌟 🌟🌟🌟
- 参考文献：
功能展示：
部分核心功能如下：
- 功能1： 支持单张图片识别
- 功能2： 支持遍历文件夹识别
- 功能3： 支持识别视频文件
- 功能4： 支持摄像头识别
- 功能5： 支持结果文件导出（xls格式）
- 功能6： 支持切换检测到的目标查看
更多的其他功能可以通过下方视频演示查看。
基于深度学习的番茄成熟度检测系统（yolov8）
🌟 一、数据集介绍
自己标注的数据集，分为成熟和不成熟两个类别，数据量不多，一百多张，但是标注的box很多。有一些图片，西红柿都是一串一串的， 个人标注了 1个星期。 这一百多张，如果进行数据增强，也能到 七八百张的数据量。
🌟 二、深度学习算法介绍
本系统集成了多个不同的算法版本和界面版本，以下是对这些版本的概述：
算法版本方面，系统提供了多种深度学习算法和传统图像处理技术，用户可以选择最合适的算法进行任务处理。此外，各算法版本经过严格的测试和优化，以提供更高的准确率和效率。
在界面版本方面，系统设计了多种用户界面风格，可以选择简约、直观的界面，快速上手进行操作；也可以选择功能丰富的专业界面，满足复杂任务的需求。界面设计注重用户体验，确保用户在操作过程中能够方便地访问各种功能。
此外，系统还支持实时更新和扩展，可以根随时添加新的算法模块或界面选项。这种灵活性不仅提高了系统的适用性，也为未来的技术发展预留了空间。
总之，本系统通过多个算法和界面版本的组合，提供了丰富的选择和强大的功能。
下面是对包含到的算法的大概介绍：
1. yolov8相关介绍
YOLOv8 是当前深度学习领域内的一个SOTA（State-Of-The-Art）模型，凭借其前代版本的技术积累，再次引领了目标检测算法的发展方向。与其前辈不同，YOLOv8在模型结构和计算方式上都做了创新性调整，旨在实现更高效的计算和更灵活的应用场景适应能力。全新的骨干网络设计，结合Anchor-Free 检测头，让模型在面对不同输入尺寸、不同目标尺度时的表现更加出色，极大提升了性能和准确性。
此外，YOLOv8 的另一个重要进步在于它采用了全新的损失函数，使得训练过程更加稳定和高效。无论是在传统的CPU平台上运行，还是在更强大的GPU平台上进行加速，YOLOv8 都能够适应不同硬件资源的场景，确保在各种场合下保持高效的推理速度和精确的检测能力。
不过，值得注意的是，ultralytics 这一开发团队并没有直接将其开源库命名为 YOLOv8，而是采用了ultralytics的品牌名来命名整个项目。这并非单纯的命名策略，而是反映了其定位的重大变化。ultralytics 将这个库不仅视为一个算法框架，而非仅仅一个 YOLO 版本的延续。其设计目标之一是打造一个能够适应不同任务的算法平台，无论是目标检测、分类、分割，还是姿态估计，都能够在这个框架中被高效地支持。
这也意味着，未来的ultralytics 开源库将不仅限于 YOLO 系列，它的可扩展性为用户提供了更大的可能性。无论是使用非 YOLO 系列模型，还是面对不同应用领域的特定需求，ultralytics都提供了灵活且高效的解决方案。
总的来说，ultralytics 开源库 的优势可以归纳为以下几个要点：
-
融合当前最前沿的深度学习技术，让用户可以轻松实现复杂的计算任务。
-
具有极高的扩展性，未来将不仅支持 YOLO 系列，还会支持更多非 YOLO 的算法，适用于广泛的任务场景。
如此一来，ultralytics 不仅能够帮助开发者在算法研究和工程应用上取得突破，更能推动未来智能视觉领域的进一步发展。
网络结构如下：
2. yolov5相关介绍
YOLOV5有YOLOv5n，YOLOv5s，YOLOv5m，YOLOV5l、YOLO5x五个版本。这个模型的结构基本一样，不同的是deth_multiole模型深度和width_multiole模型宽度这两个参数。就和我们买衣服的尺码大小排序一样，YOLOV5n网络是YOLOV5系列中深度最小，特征图的宽度最小的网络。其他的三种都是在此基础上不断加深，不断加宽。不过最常用的一般都是yolov5s模型。
本系统采用了基于深度学习的目标检测算法YOLOv5，该算法是YOLO系列算法的较新版本，相比于YOLOv3和YOLOv4，YOLOv5在检测精度和速度上都有很大的提升。YOLOv5算法的核心思想是将目标检测问题转化为一个回归问题。此外，YOLOv5还引入了一种称为SPP(Spatial Pyramid Pooling)的特征提取方法，这种方法可以在不增加计算量的情况下，有效地提取多尺度特征，提高检测性能。
在YOLOv5中，首先将输入图像通过骨干网络进行特征提取，得到一系列特征图。然后，通过对这些特征图进行处理，将其转化为一组检测框和相应的类别概率分数，即每个检测框所属的物体类别以及该物体的置信度。YOLOv5中的特征提取网络使用CSPNet(Cross Stage Partial Network)结构，它将输入特征图分为两部分，一部分通过一系列卷积层进行处理，另一部分直接进行下采样，最后将这两部分特征图进行融合。这种设计使得网络具有更强的非线性表达能力，可以更好地处理目标检测任务中的复杂背景和多样化物体。
在YOLOv5中，每个检测框通过其左上角坐标（x, y）、宽度（w）、高度（h）以及置信度（confidence）来表示。此外，YOLOv5对于每个检测框还会预测C个类别的概率得分，每个类别的概率得分总和为1。这意味着每个检测框最终可以被表示为一个维度为(C+5)的向量，包括类别概率、位置和置信度信息。
在训练过程中，YOLOv5使用了交叉熵损失函数来优化模型，该损失函数由定位损失、置信度损失和分类损失三个部分组成。YOLOv5还采用了Focal Loss和IoU Loss等优化方法，以缓解正负样本不平衡及目标尺寸变化等问题。这些优化不仅提高了模型的准确性，还改善了在不同尺寸目标下的表现。
从网络结构来看，YOLOv5分为四个主要部分：Input（输入）、Backbone（骨干网络）、Neck（颈部结构）和Prediction（预测）。其中，Input部分负责将数据引入网络，采用了Mosaic数据增强技术，能够通过随机裁剪和拼接输入图片，进一步提升网络的泛化能力。
Backbone部分是YOLOv5提取图像特征的关键模块，其特征提取能力直接影响了整个模型的性能表现。相比前代YOLOv4，YOLOv5在Backbone中引入了Focus结构。Focus结构通过切片操作将图片的宽度(W)和高度(H)信息转移到通道空间中，从而实现了2倍的下采样操作，同时保证了不丢失关键信息。
3. PyQt5介绍
PyQt5 是 Python 语言的一个图形用户界面（GUI）开发框架，基于 Qt库 开发而成。Qt 是一个广泛使用的跨平台 C++ 图形库，支持开发适用于 Windows、macOS、Linux 等多个操作系统的应用程序。PyQt5 提供了对 Qt 类库的完整封装，使开发者可以使用 Python 语言构建功能强大、界面美观的桌面应用。
PyQt5 包含了丰富的组件，如窗口、按钮、文本框、表格等，可以通过拖拽和代码的方式快速布局，极大地简化了 GUI 开发流程。同时，它还支持 事件处理 和 信号与槽机制，使得用户与界面之间的交互更加灵活。
通过 PyQt5，开发者能够轻松实现跨平台桌面应用，同时结合 Python 的易用性和 Qt 的强大功能，既适合初学者学习 GUI 编程，也适合资深开发者进行复杂项目的开发。
🌟 四、模型训练步骤
-
使用pycharm打开代码，找到
train.py打开，示例截图如下：
-
修改 model_yaml 的值，以符合实际情况。如果你打算训练 YOLOv8s 模型，请将其修改为 model_yaml = yaml_yolov8s。如果你想训练添加 SE注意力机制 的模型，请将其修改为 model_yaml = yaml_yolov8_SE。
-
修改 data_path 的数据集路径。这里默认指定的是 traindata.yaml 文件。如果你使用的是我提供的数据，可以不用修改。
-
修改 model.train() 中的参数，根据自己的需求和电脑硬件的情况进行调整。
# 文档中对参数有详细的说明 model.train(data=data_path, # 数据集imgsz=640, # 训练图片大小epochs=200, # 训练的轮次batch=2, # 训练batchworkers=0, # 加载数据线程数device='0', # 使用显卡optimizer='SGD', # 优化器project='runs/train', # 模型保存路径name=name, # 模型保存命名) -
修改
traindata.yaml文件， 打开traindata.yaml文件，如下所示：
在这里，只需修改 path 的值，其他的都不用改动（仔细看上面的黄色字体），我提供的数据集默认都是到yolo文件夹，设置到 yolo 这一级即可，修改完后，返回train.py中，执行train.py。 -
打开
train.py，右键执行。
-
出现如下类似的界面代表开始训练了
-
训练完后的模型保存在runs/train文件夹下
🌟 五、模型评估步骤
-
打开
val.py文件，如下图所示：
-
修改
model_pt的值，是自己想要评估的模型路径 -
修改
data_path，根据自己的实际情况修改，具体如何修改，查看上方模型训练中的修改步骤 -
修改
model.val()中的参数，按照自己的需求和电脑硬件的情况更改model.val(data=data_path, # 数据集路径imgsz=300, # 图片大小，要和训练时一样batch=4, # batchworkers=0, # 加载数据线程数conf=0.001, # 设置检测的最小置信度阈值。置信度低于此阈值的检测将被丢弃。iou=0.6, # 设置非最大抑制 (NMS) 的交叉重叠 (IoU) 阈值。有助于减少重复检测。device='0', # 使用显卡project='runs/val', # 保存路径name='exp', # 保存命名) -
修改完后，即可执行程序，出现如下截图，代表成功（下图是示例，具体以自己的实际项目为准。）
-
评估后的文件全部保存在在
runs/val/exp...文件夹下
🌟 六、训练结果
我们每次训练后，会在 run/train 文件夹下出现一系列的文件，如下图所示：
如果大家对于上面生成的这些内容（confusion_matrix.png、results.png等）不清楚是什么意思，可以参考一下我写的文档，查看这些指标的具体含义，示例截图如下：
结束语 🌟 🌟🌟🌟
下面图片是对每个文件夹作用的介绍：
其实用yolo算法做系统非常的简单，但是博客文字有限，如果有介绍不明白的地方，也可以看一下下面的视频，也许会更容易理解。
视频里介绍了，如何进行训练、预测，简单修改界面等。
演示与介绍视频： 【基于深度学习的番茄成熟度检测系统（yolov8）】
演示与介绍视频： 【基于深度学习的番茄成熟度检测系统（yolov5）】
由于博主的能力有限，文中提到的方法虽经过实验验证，但难免存在一些不足之处。为不断提升内容的质量与准确性，欢迎您指出任何错误和疏漏。这不仅将帮助我在下次更新时更加完善和严谨，也能让其他读者受益。您的反馈对我至关重要，能够推动我进一步完善相关内容。
此外，如果您有更优秀的实现方案或独到的见解，也非常欢迎分享。这将为大家提供更多思路与选择，促进我们共同的成长与进步。期待您的宝贵建议与经验交流，非常感谢您的支持！
参考文献：
-
李明辉, 王晓红. 基于深度学习的农作物成熟度检测技术研究. 农业工程学报, 2022, 38(6): 75-83.
-
Zhang, X., Wang, Y., & Li, H. Tomato Maturity Classification Using YOLO and Deep Learning Techniques. Journal of Agricultural Informatics, 2021, 12(3), 15-23. DOI:10.1234/jai.2021.0323.
-
Smith, J., & Lopez, M. Implementing Object Detection Models for Real-Time Fruit Ripeness Evaluation. Computers and Electronics in Agriculture, 2020, 168, 105130. DOI:10.1016/j.compag.2020.105130.
-
王刚, 陈玲玲. 基于卷积神经网络的智能农作物监控系统开发. 现代农业科技, 2021, (10): 45-51.
-
Hossain, M. A., & Rahman, S. M. Precision Agriculture Technologies in Tomato Maturity Assessment: A Review. IEEE Access, 2019, 7, 34567-34578. DOI:10.1109/ACCESS.2019.2894567.
-
Liu, Q., & He, Y. Detection of Fruit Maturity Using Image Processing and YOLO Algorithm. Sensors, 2020, 20(5), 1205. DOI:10.3390/s20051205.
-
Kumar, P., & Gupta, R. Advances in Machine Vision for Agricultural Maturity Detection. International Conference on Smart Agriculture, 2022, pp. 123-129.