摘要苹果产量的准确预测对于果园管理、市场规划和经济效益评估具有重要意义。传统的人工统计方法耗时费力且精度有限难以满足现代农业智能化发展的需求。本文设计并实现了一套基于深度学习的苹果产量预测系统旨在通过计算机视觉技术实现苹果的自动检测、尺寸测量与产量预测。项目简介基于YOLOv8深度学习模型的智能苹果检测与产量预测系统支持图片、视频、实时摄像头多模式检测集成机器学习回归预测和可视化分析功能。系统概述本系统采用YOLOv8目标检测模型作为核心算法实现了对图片、视频和实时摄像头画面中苹果的高精度检测与识别。针对果园环境中苹果遮挡、重叠等复杂场景系统引入了基于IOU匹配和中心距离的跨帧跟踪算法有效解决了视频检测中的重复计数问题。在尺寸测量方面系统通过边界框几何特征估算苹果直径并基于经验公式计算单果重量实现了苹果的自动分级小、中、大、特大。在方法上系统采用 YOLOv8 目标检测模型对香梨果实进行识别与计数并提取果实数量、检测置信度、检测框面积、果实密度、重叠率、空间分布均匀度和估算总重量等特征 。在此基础上构建线性回归、随机森林回归和梯度提升回归等产量预测模型通过性能对比选取最优模型用于产量估算。同时引入基于规则的估算方法作为补充以提高系 统在不同场景下的适用性。系统基于 Python 开发并结合 PyQt 实现图形化界面。在产量预测模块本系统提出了规则预测与回归预测相结合的双模式预测方法。规则预测基于检测到的苹果数量和平均重量进行快速估算回归预测则利用随机森林、XGBoost、LightGBM等多种机器学习模型通过提取苹果数量、平均置信度、平均直径、尺寸分布等特征建立从检测结果到实际产量的映射关系显著提高了预测精度。系统架构本系统采用经典的架构设计图1 深度学习的苹果产量预测系统核心亮点本系统以 YOLOv8 目标检测为核心融合特征工程、回归预测与可视化界面实现了苹果果实识别、数量统计和产量估算的一体化智能分析。算法特点本算法以 YOLOv8 目标检测为基础融合果实数量、置信度、直径、重量及尺寸分布等多维特征并结合回归模型完成苹果产量预测 具有检测与预测一体化的特点。性能突破本文在苹果目标检测数据集上开展实验数据集共包含 1822 张图像和 15309 个标注框其中训练集 1275 张、验证集 364 张、测试集 183 张。通过 150 轮训练YOLOv8 模型能够较好地完成苹果果实检测任务为后续产量预测提供了有效支撑图2 基线模型性能分析图核心技术YOLOv8轻量级目标检测模型结合高效特征提取与多尺度特征融合技术在家居场景火焰烟雾数据集10,156张图像12,372个标注框上训练150轮实现对火焰与烟雾两类目标的高精度实时识别并结合可视化界面、风险预警和语音播报提升家庭消防安全监测能力。算法详解YOLOv8 是 Ultralytics 推出的新一代目标检测模型在网络结构、检测头设计、损失函数和训练策略等方面对 YOLOv5 进行了优化。该模型提供 N、S、M、L、X 等多种尺度版本以适应不同场景需求。相比 YOLOv5YOLOv8 将 C3 模块替换为 C2f 模块增强了特征提取能力采用解耦头和 Anchor-Free 机制提高了检测精度与收敛效率在损失计算中引入 TaskAlignedAssigner 和 Distribution Focal Loss增强了边界框回归能力同时在训练后期关闭 Mosaic 数据增强进一步提升模型精度与泛化性能。图3 YOLOv8网络架构图技术优势分析YOLOv8 是一种兼顾检测精度与推理效率的单阶段目标检测模型在苹果果实识别任务中具有较好的应用潜力。其网络结构通过优化特 征提取与特征融合过程增强了模型对复杂场景目标信息的表达能力。模型中引入的 SPPF 模块进一步提升了多尺度特征表征能力使 其能够有效识别苹果在不同尺度、不同遮挡程度及不同光照条件下的视觉特征。与此同时YOLOv8 采用解耦检测头将分类与边界框 回归任务分离处理从而提高了模型的训练稳定性和检测精度。实验结果表明在苹果目标检测数据集1822 张图像15309 个标注框上训练 150 轮后YOLOv8 对苹果目标取得了较好的识别效果mAP0.5 达到 96.1%能够较好地满足果园场景下果实计数与产量预测的实际需求。系统功能本系统集成用户登录注册、图像/视频/摄像头苹果目标检测、果实数量统计、产量预测、检测结果存储及统计分析等功能。功能概述本系统面向苹果果实检测与产量预测需求基于 YOLOv8 目标检测模型实现对图像、视频及摄像头实时画面中苹果目标的识别、定位与可视化展示系统提供用户登录注册与管理功能能够对 检测结果进行果实数量统计并结合特征工程与回归模型完成产量预测同时将检测结果与分析数据进行存储和展示在统计分析模块 中实现检测与预测结果的综合呈现为果园智能化管理和苹果产量估算提供一体化支持。系统流程图系统采用 Python 3.12 开发基于 Ultralytics YOLOv8 框架实现苹果果实目标检测使用 PyQt5 构建图形化界面通过 OpenCV 处理图像、视频和摄像头数据并结合特征工程与回归分析实现产量预测同时采用 SQLite 数据库存储用户信息并对检测结果和分析数据进行管理与展示。系统面向苹果果实检测与产量预测需求集成用户登录注册、图片检 测、视频检测、实时检测、果实计数、产量预测、结果存储与统计分析等功能为果园智能化管理提供了一体化技术支持。图4 系统总流程图系统优势本系统基于 YOLOv8 目标检测模型能够较准确地完成苹果果实识别与数量统计并结合特征工程和回归模型实现产量预测具备检测 与预测一体化的特点。相比传统人工统计方式系统具有自动化程度高、处理效率快、结果一致性好等优势。与此同时系统支持图像 、视频和摄像头等多种输入方式并结合 PyQt5 构建可视化界面具备较好的交互性、实用性和扩展性可为果园智能管理和苹果产量估算提供有效支持。运行展示系统界面采用模块化布局设计包含顶部状态栏、标签页功能导航和中部主显示区域。系统能够完成图像、视频及摄像头场景下的苹果目标检测并对检测结果进行可视化展示同时支持果实数量统计、产量预测及统计分析等功能具有界面清晰、交互友好和操作便捷等特点。检测效果展示登录界面图5 登录主界面用户登录界面展示系统入口图6 注册主界面用户注册界面新用户创建账号系统运行模块图7 系统运行界面图8 图片检测-检测完成图9 图片检测-预测产量图10 图片检测-CSV导出图11 图片检测-报告导出图12 图片检测-CSV导出图13 视频检测-预测产量图14 视频检测-CSV导出图15 视频检测-报告导出图16 视频检测-实时检测图17 实时检测-捕获当前帧图18 整园预测图19 预测分析-产量分布图207 预测分析-产量指标图21 预测分析-尺寸占比图22 预测分析-质量分析图23 设置数据集与训练本文构建了苹果目标检测数据集共包含 1822 张图像与 15309 个标注框其中训练集 1275 张、验证集 364 张、测试集 183 张。模型训练采用 YOLOv8 目标检测框架输入图像尺寸设为 640×640batch size 为 8优化器为 SGD训练轮数为 150。在 NVIDIA GeForce RTX 4070 Ti SUPER 显卡环境下完成训练后模型在验证集上取得了较好的检测效果mAP0.5 达到 96.1%mAP0.5:0.95 达到 65.6%能够满足苹果果实识别与数量统计任务需求。数据集构建本文构建并使用苹果目标检测数据集开展实验研究。该数据集以果园场景中的苹果果实为目标对象包含不同光照、拍摄角度和背景条 件下采集的图像数据同时覆盖果实在密集分布、局部遮挡和尺度变化等情况下的视觉特征具有较好的场景代表性。数据集共包含 1822 张图像和 15309 个标注框其中训练集 1275 张、验证集 364 张、测试集 183 张对应标注框数量分别为 10573、3040 和 1696。该数据集为 YOLOv8 模型训练、性能验证以及后续系统部署提供了可靠的数据基础。图24 数据集划分及类别信息统计示意图训练流程模型训练采用端到端的方式首先加载训练集和验证集进行数据预处理然后加载 YOLOv8n 预训练权重进行模型初始化接着使用 SGD 优化器进行 150 轮迭代训练每轮训练后在验证集上评估性能指标系统自动保存验证集上性能最佳的模型权重最终输出完整 的性能指标和训练曲线。图26 模型训练流程训练流程1. 开始训练 → 加载训练集和验证集进行数据预处理2. 模型初始化 → 加载YOLOv8预训练权重yolov8n.pt使用标准YOLOv8架构3. 模型训练 → 使用SGD优化器进行150轮迭代训练应用数据增强技术4. 模型验证 → 每轮训练后在验证集上评估性能指标Precision, Recall, mAP0.5, mAP0.5:0.955. 最佳模型保存 → 系统自动监控验证性能保存验证集上性能最佳的模型权重best.pt6. 训练完成 → 输出完整的性能指标报告和训练曲线图训练配置硬件环境:软件环境训练超参数学习率调度策略学习率调度策略采用线性衰减方式前3个epoch进行warmup预热学习率从0线性增长到初始学习率0.01之后按线性方式从0.01逐步衰减到最终学习率0.0001。训练结果训练曲线分析下图展示了模型在150轮训练过程中的完整性能变化包括损失函数曲线和精度指标曲线图27 训练曲线分析图中展示了10个关键指标的训练过程训练损失box/cls/dfl、验证损失box/cls/dfl、精确率、召回率、mAP50和mAP50-951损失函数曲线从训练结果可以看出模型在训练过程中各项损失函数均呈现稳定下降趋势说明 YOLOv8 模型能够较好地学习苹果果实目标特征。其中train/box_loss 由约 1.40 下降至 1.23train/cls_loss 由约 1.40 下降至 0.65train/dfl_loss 由约 1.37 下降至 1.23验证集上的 val/box_loss、val/cls_loss 和 val/dfl_loss 也表现出与训练集基本一致的下降趋势且整体曲线变化平滑、波动较小表明模型训练过程较为稳定未出现明显的过拟合现象。2精度指标曲线从精度指标变化情况来看模型各项性能指标均随训练轮次增加而持续提升。Precision 曲线由初始约 80.4% 逐步提升并最终稳定在 93.8%Recall 曲线由初始约 79.8% 稳步上升至 90.2%mAP0.5 由初始约 89.1% 快速提升最终达到 96.1%mAP0.5:0.95 由初始约 53.1% 持续增长至 65.6%。从整体趋势看模型训练过程大致经历了快速提升、稳定优化和收敛趋稳三个阶段最终在验证 集上取得了较好的检测效果说明所构建的 YOLOv8 模型在苹果目标检测任务中具有较高的精度和良好的收敛性。3Precision-Recall 曲线图28 Precision-Recall 曲线展示模型在不同置信度阈值下的精确率和召回率关系4混淆矩阵归一化图29 归一化混淆矩阵归一化混淆矩阵展示模型的分类准确性最佳模型选择在模型训练过程中系统依据验证集性能指标自动保存最优模型权重并以验证集mAP0.5:0.95作为最佳模型判定标准。当该指标达到当前训练过程中的最高值时对应模型权重将被保存为best.pt。本次实验中最优模型出现在第150轮其验证集mAP0.5:0.95为0.905模型文件保存于scripts/runs/train/yolo11_P2_MDH/weights/best.pt训练稳定性分析收敛速度前30轮快速收敛53.1%% → 62.1%30-90轮稳定提升90轮后收敛过拟合控制训练集与验证集损失走势一致无过拟合训练稳定性损失曲线平滑学习率逐步衰减训练稳定最终状态最佳模型第150轮mAP50-95达65.6%项目资源我们提供项目的完整技术资源包括源代码、训练脚本、配置文件、数据集和模型权重等全部内容。代码采用模块化设计结构清晰注释完善支持完全复现论文中的所有实验结果。项目提供详细的文件清单和技术架构说明(网页已经提供)帮助用户快速理解项目结构便于二次开发和功能扩展。所有资源均已开源遵循AGPL-3.0协议用户可自由使用、修改和分发。关于项目作者信息作者Bob (张家梁)原创声明本项目为原创作品
