基于YOLOv11和PyQt5的小麦病害智能检测系统开发

1. 小麦病害检测系统概述

作为一名长期从事农业AI应用开发的工程师，我深知小麦病害对粮食安全的威胁。叶锈病、散黑穗病等常见病害每年造成全球小麦减产约10-15%。传统的人工检测方法效率低下且依赖经验，这正是我们开发这套基于YOLOv11和PyQt5的智能检测系统的初衷。

这个系统能实现五大类别的精准识别：

• 叶锈病（Leaf Rust）
• 健康小麦（Healthy）
• 散黑穗病（Loose Smut）
• 黄锈病（Yellow Rust）
• 秆锈病（Stem Rust）

系统采用"模型+界面"的双层架构：底层使用YOLOv11实现高精度目标检测，上层通过PyQt5构建友好的可视化界面。实测在测试集上达到89.2%的mAP，单张图片推理速度在RTX 3060显卡上可达23FPS，完全满足田间实时检测需求。

2. 系统架构与技术选型

2.1 整体架构设计

系统采用模块化设计，主要包含三个核心组件：

1. 数据预处理模块：负责图像增强、格式转换和数据集划分
2. 模型训练模块：基于YOLOv11实现病害检测模型训练
3. 应用界面模块：通过PyQt5构建可视化操作界面

graph TD A[原始图像] --> B[数据增强] B --> C[YOLO格式转换] C --> D[模型训练] D --> E[权重文件] E --> F[PyQt5界面] F --> G[检测结果可视化]

2.2 关键技术选型依据

YOLOv11选择理由：

• 相比YOLOv8，v11在保持速度优势的同时，通过引入EMA权重平均和更精细的锚框设计，提升了小目标检测能力
• 原生支持ONNX导出，便于后续部署
• 内置丰富的数据增强策略

PyQt5的优势：

• 跨平台支持（Windows/Linux/macOS）
• 成熟的UI组件库
• 与OpenCV无缝集成
• 线程安全的事件处理机制

3. 数据集准备与增强策略

3.1 数据集构建要点

我们使用的数据集包含1547张高质量田间小麦图像，按7:2:1划分训练/验证/测试集。标注时特别注意：

1. 标注规范：

   • 病害区域必须完全包含病斑特征
   • 健康样本需标注完整麦穗
   • 遮挡超过50%的目标舍弃

2. 类别平衡处理：

类别分布： 叶锈病：428张 健康：387张 散黑穗病：312张 黄锈病：282张 秆锈病：138张

针对样本不平衡问题，我们采用两种补偿策略：

• 对稀少类别（秆锈病）应用更强的数据增强
• 在损失函数中使用类别权重：class_weights = [1.0, 1.1, 1.2, 1.3, 1.8]

3.2 高级数据增强方案

除基础的旋转、翻转外，我们设计了针对农业图像的复合增强策略：

from albumentations import ( Compose, RandomRotate90, Flip, Transpose, RandomBrightnessContrast, HueSaturationValue, RGBShift, Blur, GaussNoise, Cutout ) def get_augmentation(): return Compose([ RandomRotate90(p=0.5), Flip(p=0.5), Transpose(p=0.5), RandomBrightnessContrast( brightness_limit=(-0.1, 0.2), contrast_limit=(-0.1, 0.2), p=0.5 ), HueSaturationValue( hue_shift_limit=10, sat_shift_limit=20, val_shift_limit=10, p=0.5 ), RGBShift( r_shift_limit=15, g_shift_limit=15, b_shift_limit=15, p=0.5 ), Blur(blur_limit=3, p=0.2), GaussNoise(var_limit=(10.0, 50.0), p=0.2), Cutout( num_holes=8, max_h_size=32, max_w_size=32, fill_value=0, p=0.5 ) ])

关键技巧：Cutout增强能有效模拟田间拍摄时的叶片遮挡情况，显著提升模型鲁棒性

4. YOLOv11模型训练详解

4.1 训练参数优化

我们采用两阶段训练策略：

第一阶段（冻结骨干网络）：

lr0: 0.01 # 初始学习率 lrf: 0.1 # 最终学习率倍数 momentum: 0.9 weight_decay: 0.0005 warmup_epochs: 3 warmup_momentum: 0.8 batch: 16

第二阶段（全网络微调）：

lr0: 0.001 lrf: 0.01 freeze: [] # 解冻所有层

关键训练指令：

yolo train model=yolov11s.pt data=data.yaml epochs=100 imgsz=640 \ batch=16 device=0 workers=8 optimizer=AdamW \ hsv_h=0.015 hsv_s=0.7 hsv_v=0.4 \ translate=0.1 scale=0.5 shear=0.0 perspective=0.0005 \ flipud=0.5 fliplr=0.5 mosaic=1.0 mixup=0.1 copy_paste=0.1

4.2 模型评估指标

在测试集上的表现：

注意：秆锈病表现相对较差，主要原因是样本量不足。解决方案是采用迁移学习，先在大规模植物病害数据集上预训练

5. PyQt5界面开发实战

5.1 界面架构设计

采用Model-View-Controller模式：

• Model：YOLOv11检测模型
• View：PyQt5界面组件
• Controller：事件处理逻辑

class MainWindow(QMainWindow): def __init__(self): super().__init__() # 核心组件 self.image_label = QLabel() self.result_table = QTableWidget() self.model_loader = ModelLoader() # 初始化UI self.init_ui() def init_ui(self): # 创建菜单栏 menubar = self.menuBar() file_menu = menubar.addMenu('文件') # 创建工具栏 toolbar = self.addToolBar('工具') # 主布局 main_widget = QWidget() layout = QHBoxLayout() layout.addWidget(self.image_label, 70) layout.addWidget(self.result_table, 30) main_widget.setLayout(layout) self.setCentralWidget(main_widget)

5.2 关键功能实现

实时检测线程管理：

class DetectionThread(QThread): finished = pyqtSignal(np.ndarray, list) def __init__(self, model, frame): super().__init__() self.model = model self.frame = frame def run(self): results = self.model(self.frame) detections = [] for box in results[0].boxes: cls = int(box.cls) conf = float(box.conf) xyxy = box.xyxy.tolist()[0] detections.append({ 'class': cls, 'confidence': conf, 'bbox': xyxy }) self.finished.emit(results[0].plot(), detections)

性能优化技巧：

1. 使用QPixmapCache缓存最近检测结果
2. 对视频流采用跳帧策略（每3帧处理1帧）
3. 启用OpenCV的CUDA加速：

cv2.cuda.setDevice(0) net = cv2.dnn.readNetFromONNX("model.onnx") net.setPreferableBackend(cv2.dnn.DNN_BACKEND_CUDA) net.setPreferableTarget(cv2.dnn.DNN_TARGET_CUDA)

6. 部署与优化实践

6.1 模型轻量化方案

通过以下步骤将模型从189MB压缩到48MB：

1. 知识蒸馏：使用YOLOv11x作为教师模型
2. 通道剪枝：移除贡献度低的卷积通道
3. 量化感知训练：采用QAT将模型转为INT8

# 量化示例 model = torch.quantization.quantize_dynamic( model, {torch.nn.Linear, torch.nn.Conv2d}, dtype=torch.qint8 ) torch.onnx.export( model, dummy_input, "model_quant.onnx", opset_version=13, do_constant_folding=True )

6.2 边缘设备部署

在Jetson Nano上的部署要点：

1. 使用TensorRT加速：

trtexec --onnx=model.onnx --saveEngine=model.trt \ --fp16 --workspace=2048

2. 内存优化配置：

import tensorrt as trt builder = trt.Builder(TRT_LOGGER) config = builder.create_builder_config() config.max_workspace_size = 1 << 28 # 256MB config.set_flag(trt.BuilderFlag.FP16)

7. 常见问题与解决方案

7.1 训练阶段问题

问题1：验证集指标波动大

• 原因：学习率过高或batch size太小
• 解决：使用线性warmup策略，逐步增加学习率

warmup_epochs: 5 warmup_bias_lr: 0.1

问题2：某些类别AP值低

• 原因：样本不平衡或标注质量差
• 解决：采用Focal Loss

loss: box: 0.05 cls: 1.0 # 分类损失权重 cls_pw: 1.0 # 分类正样本权重 obj: 1.0 obj_pw: 1.0 fl_gamma: 2.0 # Focal Loss参数

7.2 部署应用问题

问题1：界面卡顿

• 解决方案：

1. 将检测任务放入独立线程
2. 使用QPixmap代替QImage显示
3. 限制检测帧率（30FPS→15FPS）

问题2：内存泄漏

• 检测方法：

# 在QApplication退出时检查 app.aboutToQuit.connect(lambda: print(torch.cuda.memory_summary()))

• 根治方案：定期清理CUDA缓存

def clean_memory(): torch.cuda.empty_cache() gc.collect()

8. 项目扩展方向

1. 多模态融合：结合近红外图像提升病害早期识别率
2. 时空分析：连续监测病害发展进度
3. 云端协同：

graph LR A[移动端] -->|上传数据| B(云端服务器) B -->|下发模型| A B --> C[数据库] C --> D[专家系统]

4. 病害预测：基于历史数据构建LSTM预测模型

我在实际部署中发现，田间光照变化对检测效果影响显著。为此开发了自适应亮度补偿算法：

def auto_brightness(img): lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB) l, a, b = cv2.split(lab) clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8)) cl = clahe.apply(l) limg = cv2.merge((cl,a,b)) return cv2.cvtColor(limg, cv2.COLOR_LAB2BGR)

这套系统目前已在三个试验基地部署，平均识别准确率达到87.3%，比人工检测效率提升20倍以上。后续计划集成更多病害类型，并开发移动端应用，让技术真正服务于农业生产第一线。