1. 项目概述花生作为重要的油料作物和经济作物其质量安全直接关系到食品安全和农业经济效益。在实际生产储存过程中花生种子容易因湿度、温度等因素发生霉变产生黄曲霉毒素等有害物质。传统的人工检测方法效率低下且主观性强难以满足大规模生产需求。本项目基于YOLOv12深度学习算法开发了一套花生种子霉变智能检测系统。系统能够自动识别并分类霉变和未霉变两类花生种子准确率达到95%以上。相比传统方法检测速度提升20倍单张图片处理时间仅需50ms可部署在普通工控机上运行。系统采用PyQt5开发了完整的用户界面支持图片、视频和实时摄像头三种检测模式。通过多线程架构设计实现了检测过程与UI操作的分离确保界面流畅不卡顿。系统还包含账户管理、参数配置、结果保存等实用功能可直接应用于农产品加工厂、仓储物流等实际场景。2. 技术架构解析2.1 YOLOv12模型选型YOLOv12是YOLO系列算法的最新迭代版本在保持实时检测优势的同时通过以下改进提升了检测精度骨干网络优化采用CSPNet与RepVGG混合结构在保持轻量化的同时增强了特征提取能力。实测在COCO数据集上YOLOv12s模型比YOLOv8s mAP提升3.2%。注意力机制改进引入SimAM无参注意力模块在不增加计算量的情况下提升了对小目标的检测能力。这对花生霉变斑点这类小目标检测尤为重要。损失函数优化使用WIoUWise-IoU替代CIoU通过动态调整梯度增益改善了模型在复杂背景下的检测稳定性。2.2 系统架构设计系统采用模块化设计主要包含以下组件├── 核心检测模块 │ ├── YOLOv12模型推理 │ ├── 图像预处理 │ └── 结果后处理 ├── 用户界面 │ ├── 登录注册系统 │ ├── 检测控制面板 │ └── 结果可视化 └── 辅助功能 ├── 多线程管理 ├── 参数配置 └── 数据持久化关键技术选型PyQt5成熟的跨平台GUI框架支持高性能图像渲染OpenCV图像处理核心库提供高效的视频流处理能力SQLite轻量级数据库用于存储用户账户和检测记录3. 数据集构建与训练3.1 数据采集与标注项目使用自建的花生霉变数据集包含5,328张标注图像采集条件如下参数规格采集设备Canon EOS 80D分辨率1920×1080光照条件标准D65光源拍摄角度俯视45度样本数量霉变2,814张/正常2,514张标注采用LabelImg工具标注规范霉变区域框选明显霉斑至少覆盖5×5像素区域正常样本标注完整花生轮廓模糊样本统一标记为难例(difficult)3.2 数据增强策略为提高模型泛化能力训练时采用以下增强组合transform A.Compose([ A.HorizontalFlip(p0.5), A.RandomBrightnessContrast(p0.2), A.GaussNoise(var_limit(10, 50), p0.3), A.Rotate(limit15, p0.4), A.RandomResizedCrop(640, 640, scale(0.8, 1.0), ratio(0.9, 1.1)) ])特别针对农产品检测场景模拟仓储环境的光照变化添加粉尘颗粒噪声模拟堆叠花生的遮挡情况3.3 模型训练细节使用YOLOv12s预训练模型进行迁移学习关键训练参数lr0: 0.01 # 初始学习率 lrf: 0.1 # 最终学习率衰减系数 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3 batch: 16 epochs: 100训练过程采用余弦退火学习率策略配合早停机制(patience15)。在NVIDIA RTX 3090上训练耗时约4.5小时最终在验证集上达到指标值mAP0.50.963mAP0.5:0.950.742精确率0.952召回率0.9584. 系统实现关键代码4.1 多线程检测架构class DetectionThread(QThread): frame_received pyqtSignal(np.ndarray, np.ndarray, list) def __init__(self, model, source, conf0.5, iou0.45): super().__init__() self.model model self.source source # 可接受路径或摄像头ID self.conf conf self.iou iou self.running True def run(self): cap cv2.VideoCapture(self.source) if isinstance(self.source, (int, str)) else None try: while self.running: # 获取帧 if cap: ret, frame cap.read() if not ret: break else: # 单张图片模式 frame cv2.imread(self.source) # 推理检测 results self.model(frame, imgsz640, confself.conf, iouself.iou) annotated results[0].plot() # 提取检测结果 detections [(self.model.names[int(box.cls)], float(box.conf), *box.xywh[0].tolist()) for box in results[0].boxes] # 发送结果 self.frame_received.emit( cv2.cvtColor(frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated, cv2.COLOR_BGR2RGB), detections ) # 控制帧率 time.sleep(0.03 if cap else 0) finally: if cap: cap.release()关键设计点统一处理图片/视频/摄像头三种输入源使用信号量机制实现线程间通信自动释放资源防止内存泄漏4.2 结果可视化实现def update_display(self, original, result, detections): # 显示图像 self.show_image(self.original_view, original) self.show_image(self.result_view, result) # 更新表格 self.result_table.setRowCount(0) for i, (cls, conf, x, y, w, h) in enumerate(detections): self.result_table.insertRow(i) self.result_table.setItem(i, 0, QTableWidgetItem(cls)) self.result_table.setItem(i, 1, QTableWidgetItem(f{conf:.2f})) self.result_table.setItem(i, 2, QTableWidgetItem(f{x:.1f})) self.result_table.setItem(i, 3, QTableWidgetItem(f{y:.1f})) # 实时统计 stats {with_mold: sum(1 for d in detections if d[0]with mold), without_mold: sum(1 for d in detections if d[0]without mold)} self.update_stats(stats)可视化特色双画面同步对比显示动态表格自动更新实时统计图表渲染5. 系统部署与优化5.1 环境配置指南推荐使用conda创建独立环境conda create -n yolov12 python3.9 conda activate yolov12 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install -r requirements.txt关键依赖版本ultralytics8.1.0 opencv-python4.8.0 PyQt55.15.95.2 性能优化技巧TensorRT加速model.export(formatengine, device0, workspace4)可将推理速度提升2-3倍适合边缘设备部署批处理优化 设置batch8时GPU利用率可达90%以上视频流处理 使用cv2.CAP_PROP_BUFFERSIZE 1减少延迟5.3 常见问题解决检测框抖动问题# 添加简单跟踪算法 tracker cv2.TrackerCSRT_create() if len(detections) 0: tracker.init(frame, tuple(detections[0][2:6]))小目标漏检处理# 修改anchors配置 anchors: - [5,6, 8,14, 15,11] # P3/8 - [10,13, 16,30, 33,23] # P4/16 - [30,61, 62,45, 59,119] # P5/32光照变化适应# 添加自动白平衡 gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) mean np.mean(gray) frame np.clip((frame * (128.0 / mean)), 0, 255).astype(np.uint8)6. 应用场景扩展本系统框架可快速适配其他农产品质量检测场景玉米霉变检测需调整标注规范重点关注胚芽部位增加红外图像输入通道大米品质分级定义多类别完整粒/碎粒/黄变粒添加形状特征分析模块水果表面缺陷检测引入3D成像技术开发旋转拍摄平台实际部署案例参数对比场景设备配置处理速度准确率花生仓储Jetson Xavier NX22fps94.7%加工流水线i7-11800HRTX306065fps96.2%移动检测车i5-1135G718fps92.1%7. 项目演进方向多模态融合 结合近红外光谱分析提升对早期霉变的识别能力云端协同 开发微信小程序端支持检测结果远程查看量化压缩 采用PTQ/QAT技术将模型压缩到5MB以内主动学习 构建在线学习系统持续优化模型性能在实际部署中我们发现两个重要经验农产品检测需要特别关注样本的季节性变化建议每季度更新10%的训练数据工业现场部署时防尘和散热设计比算法精度更重要
