摘要针对苹果分级中成熟度识别依赖人工、效率低且主观性强的问题本文基于YOLO26算法构建了一套苹果成熟度识别检测系统。系统共定义5个类别20%成熟度、50%成熟度、75%成熟度、100%成熟度及烂苹果。实验采用YOLO26模型在包含2144张训练图像、359张验证图像和225张测试图像的私有数据集上进行训练与评估。实验结果表明模型整体mAP50达到94.3%其中20%成熟度、75%成熟度和烂苹果的mAP50分别高达99.0%、99.4%和97.8%推理速度达1.0ms/张满足实时检测需求。尽管100%成熟度的识别精度相对偏低但整体系统在苹果成熟度自动识别任务中表现良好具有较高的实用与推广价值。详细功能展示视频https://www.bilibili.com/video/BV1tGoWBQEwM/目录摘要详细功能展示视频https://www.bilibili.com/video/BV1tGoWBQEwM/功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块引言背景数据集介绍类别定义数据划分训练结果整体性能评估所有类别编辑各类别性能分析混淆矩阵分析归一化编辑编辑训练曲线分析results.png编辑精度-召回曲线PR_curve编辑Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅参数实时调节置信度和IoU阈值✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查引言苹果作为全球消费量最大的水果之一其采后分级质量直接影响市场售价、消费者满意度及深加工产品的品质。成熟度是苹果分级中最核心的指标之一不同成熟度的苹果在口感、硬度、糖酸比、耐储性等方面存在显著差异。传统上苹果成熟度的判定主要依赖人工经验通过观察果皮颜色、硬度及淀粉染色等方式进行。这种方法不仅效率低下而且高度依赖检验人员的经验和主观判断难以在大规模、标准化的工业生产中保证一致性与准确性。近年来随着计算机视觉与深度学习技术的快速发展基于图像的目标检测算法在农产品自动分级领域展现出巨大潜力。其中YOLO系列算法凭借其端到端、实时性好、精度高等优点已成为农业视觉任务中的主流方法。通过构建包含多个成熟度等级的数据集并训练深度学习模型可以有效实现苹果成熟度的自动、快速、无损识别为智能农业和无人化分拣系统提供关键技术支撑。本研究基于YOLO26算法构建了一个覆盖5个成熟度等级含烂苹果的苹果成熟度识别检测系统。通过对模型训练过程的系统性分析、各类别识别性能对比及混淆矩阵评估验证了该系统在实际应用场景中的可行性与局限性。本文的研究成果可为后续苹果智能分拣系统的工程化部署提供参考。背景苹果成熟度的精准识别在果品采后处理、贮藏管理、鲜食销售及深加工等多个环节中具有决定性作用。不同成熟度的苹果在生理特性、外观表现及商品价值方面存在显著差异例如低成熟度苹果如20%果皮呈浅绿色或淡红色淀粉含量高口感酸涩硬度大适合长途运输及长期冷藏半成熟苹果如50%、75%果皮转色明显糖分逐步积累口感改善适合短期销售或进一步催熟完全成熟苹果100%果皮呈现品种典型色泽如全红、全黄糖酸比达到最佳食用品质最好但质地软化易受机械损伤烂苹果出现霉菌、褐变或软腐不仅丧失商品价值还会污染周边健康果实必须在分拣环节剔除。在传统果园及包装厂中成熟度的判定仍以人工目视和手感为主。这种方式的局限性体现在以下几个方面主观性强标准不一不同检验人员的经验差异会导致分级标准不一致影响产品批次间的稳定性。效率低下人工分级速度有限难以适应现代化高吞吐量生产线的需求。疲劳导致误判长时间重复劳动易造成视觉疲劳降低识别准确性。数据无法沉淀人工分级结果难以数字化不利于质量溯源与生产优化。随着计算机视觉、尤其是深度学习目标检测算法的突破基于图像自动识别苹果成熟度成为可能。YOLO系列算法能够在单张图像中同时完成目标定位与分类且推理速度快适合部署到边缘计算设备或嵌入式分拣平台中。近年来已有研究利用YOLOv5、YOLOv8等模型对水果成熟度进行识别但多数研究仅区分“未熟/半熟/全熟”三个粗糙等级或仅检测缺陷果缺乏对成熟度梯度的精细划分且对高成熟度如100%与半成熟之间的混淆问题关注不足。因此构建一个精细划分多级成熟度包括20%、50%、75%、100%及烂苹果的苹果检测数据集并系统评估YOLO26模型在真实场景下的表现对于推动智能农业与自动化分拣技术的发展具有重要的研究意义和工程应用价值。数据集介绍本研究使用的数据集为自建苹果成熟度图像数据集。类别定义根据苹果成熟度及质量状况共定义5个类别类别名称含义20-_ripeness低成熟度果皮以绿色为主少量转色50-_ripeness半成熟果皮红绿相间75-_ripeness中高成熟度大部分转色但仍带绿色100-_ripeness完全成熟典型商品果色泽rotten_apple烂苹果出现褐斑、软化或霉变数据划分数据集图像数量训练集2144 张验证集359 张测试集225 张训练结果整体性能评估所有类别指标值mAP500.943mAP50-950.772精确率 (Precision)0.901召回率 (Recall)0.890推理速度1.0 ms / 张整体模型表现优秀mAP50 达到 94.3%说明模型对苹果成熟度的识别能力很强。各类别性能分析类别样本数PRmAP50mAP50-95评价20% 成熟度300.8241.000.9900.878✅ 完美识别75% 成熟度580.8561.000.9940.994✅ 完美识别烂苹果1570.9320.9360.9780.890✅ 非常好50% 成熟度2170.9650.9080.9480.750✅ 良好100% 成熟度8010.7500.7800.8060.345⚠️ 相对较弱混淆矩阵分析归一化从confusion_matrix_normalized.png可以看出100% 成熟度被误判为20% 成熟度0.0350% 成熟度0.02烂苹果0.02背景0.00其他类别之间误判较少说明模型在区分极端成熟度20%、75%、烂苹果上表现极佳但100% 与 50%/75% 之间边界模糊。训练曲线分析results.png指标趋势结论train/box_loss稳定下降✅ 正常train/cls_loss稳定下降✅ 正常val/box_loss稳定✅ 无过拟合val/cls_loss稳定✅ 无过拟合precision / recall上升后平稳✅ 收敛良好mAP50 / mAP50-95上升后平稳✅ 收敛良好模型训练过程没有明显过拟合或欠拟合收敛稳定。精度-召回曲线PR_curve各类别 PR 曲线面积大除 100% 成熟度外其他类别接近 1.0100% 成熟度的 PR 曲线明显偏低进一步验证了其识别难度Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集成残差对数似然估计(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码
