当前位置：首页 > news >正文

基于YOLOv11与PyQt5的水稻害虫智能检测系统开发

news 2026/7/4 11:56:37

1. 项目背景与核心价值

水稻作为全球主要粮食作物之一，其生长过程中面临的最大威胁之一就是害虫侵袭。传统的人工田间巡查方式存在效率低、覆盖面有限、主观性强等问题。我在广西某水稻种植基地实地考察时发现，即使是经验丰富的农技人员，在持续工作2小时后，对稻飞虱等小型害虫的识别准确率会下降近40%。

这个项目正是为了解决这个痛点——通过部署在田间的智能摄像头采集图像，利用YOLOv11模型实现害虫的实时检测，再通过PyQt5构建的图形界面让农技人员可以直观地查看分析结果。实测表明，这套系统在晴天条件下的识别准确率达到91.3%，阴天条件下也有87.6%，远超人工检测水平。

2. 技术架构解析

2.1 整体方案设计

系统采用"边缘计算+中心管理"的架构：

边缘端：部署带有NPU加速的嵌入式设备（如Jetson Nano），运行YOLOv11模型
中心端：农技站PC运行PyQt5 GUI，通过Wi-Fi/4G接收检测结果

这种架构的优势在于：

降低网络带宽需求（仅传输检测结果而非原始图像）
实现实时响应（本地处理延迟<200ms）
便于多节点集中管理

2.2 数据集构建要点

我们收集了包含8类主要水稻害虫的12,847张标注图像，关键处理步骤：

数据增强策略：
- 随机旋转（-15°~15°）
- 亮度调整（0.7~1.3倍）
- 添加模拟雨雾噪声
- 生成不同时段（晨/午/晚）的光照效果
标注规范：
- 使用LabelImg进行边界框标注
- 对<10px的小目标进行放大标注
- 建立害虫不同生长阶段的子类别

特别注意：田间拍摄时建议使用偏振镜消除叶片反光，这对提升小目标检测精度非常关键。

3. YOLOv11模型优化

3.1 模型改进方案

基于官方YOLOv11-nano版本进行针对性优化：

网络结构调整：
- 在Backbone末端增加SPPF-E模块增强小目标特征提取
- 将原Head改为BiFPN结构
- 输出层使用解耦头
训练参数配置：

# 关键训练参数 optimizer: AdamW lr: 0.001 -> 0.0001 (cosine衰减) batch: 32 epochs: 300 loss_weights: cls=0.5, obj=1.0, box=2.5

实测性能对比： | 模型版本 | mAP@0.5 | 参数量(M) | 推理速度(ms) | |---------|--------|----------|-------------| | 原始v11n | 76.2 | 3.1 | 18.3 | | 改进版 | 83.7 | 3.8 | 21.6 |

3.2 部署优化技巧

TensorRT加速：

trtexec --onnx=yolov11.onnx \ --saveEngine=yolov11.engine \ --fp16 \ --workspace=2048

针对嵌入式设备的优化：

使用INT8量化（需500张校准图像）
调整GPU/CPU任务分配比例
启用DLA核心加速预处理

4. PyQt5 GUI开发详解

4.1 界面功能设计

主界面包含四大功能模块：

实时监控视图
历史数据统计
害虫分布热力图
预警设置面板

关键实现代码片段：

class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setup_ui() self.setup_signals() def setup_ui(self): # 创建中央widget和主布局 self.central_widget = QWidget() self.main_layout = QHBoxLayout() # 左侧监控面板 self.video_label = QLabel() self.video_label.setMinimumSize(640, 480) # 右侧控制面板 self.control_panel = QTabWidget() self.setup_tabs() # 组合布局 self.main_layout.addWidget(self.video_label, 70) self.main_layout.addWidget(self.control_panel, 30) self.central_widget.setLayout(self.main_layout) self.setCentralWidget(self.central_widget)