前言
玉米是全球重要的粮食作物之一，玉米害虫的侵害会严重影响玉米产量和品质，导致农民经济损失。因此，玉米害虫的及时检测与识别显得至关重要。精确的害虫识别能够帮助农业工作者快速确定害虫种类，并采取针对性的防治措施，有效减少化学农药的滥用，降低对生态环境的负面影响，同时增加农作物产量，提高农业生产的经济效益。
智能玉米害虫检测与识别系统有着广泛的应用场景。首先，它可以应用于农田管理中，通过将系统集成到无人机或田间自动化设备中，进行大规模的作物健康监测，实时反馈害虫活动情况，提升害虫防控的效率和精度。
其次，在现代化精准农业中，该系统能够与智能农业平台相结合，为农户提供数据分析和决策支持，实现科学种植和可持续发展。
此外，研究机构可以利用此系统收集和分析害虫发生的模式和趋势，对农业害虫生态学进行深入研究，为制定害虫综合管理策略提供科学依据。
总之，智能玉米害虫检测与识别系统是现代农业技术发展的重要组成部分，对保障粮食安全、推动农业现代化和生态环保均具有重要意义。
博主通过搜集不同种类的玉米害虫的相关数据图片，根据YOLOv8的目标检测技术，基于python与Pyqt5开发了一款界面简洁的智能玉米害虫检测识别系统，可支持图片、视频以及摄像头检测，同时可以将图片或者视频检测结果进行保存。
软件初始界面如下图所示：
检测结果界面如下：
一、软件核心功能介绍及效果演示
软件主要功能
1. 可进行13种玉米害虫的检测与识别，分别为： ['幼虫', '鼹鸣虫', '电线虫', '玉斑螟', '黑夜蛾', '大夜蛾', '黄地老虎', '红蜘蛛', '玉米螟', '黄曲条夜蛾', '蚜虫', '白星花金龟', '桃小食心虫'];
2. 支持图片、视频及摄像头进行检测，同时支持图片的批量检测；
3. 界面可实时显示目标位置、目标总数、置信度、用时等信息;
4. 支持图片或者视频的检测结果保存；
（1）图片检测演示
点击图片图标，选择需要检测的图片，或者点击文件夹图标，选择需要批量检测图片所在的文件夹，操作演示如下：
点击目标下拉框后，可以选定指定目标的结果信息进行显示。 点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。
注：1.右侧目标位置默认显示置信度最大一个目标位置。所有检测结果均在左下方表格中显示。
单个图片检测操作如下：
批量图片检测操作如下：
（2）视频检测演示
点击视频图标，打开选择需要检测的视频，就会自动显示检测结果。点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。
（3）摄像头检测演示
点击摄像头图标，可以打开摄像头，可以实时进行检测，再次点击摄像头图标，可关闭摄像头。
（4）保存图片与视频检测结果
点击保存按钮后，会将当前选择的图片【含批量图片】或者视频的检测结果进行保存。检测的图片与视频结果会存储在save_data目录下。
二、模型的训练、评估与推理
1.YOLOv8的基本原理
YOLOv8是一种前沿的目标检测技术，它基于先前YOLO版本在目标检测任务上的成功，进一步提升了性能和灵活性。主要的创新点包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，可以在从 CPU 到 GPU 的各种硬件平台上运行。
其主要网络结构如下：
2. 数据集准备与训练
通过网络上搜集关于不同玉米害虫的各类图片，并使用LabelMe标注工具对每张图片中的目标边框（Bounding Box）及类别进行标注。一共包含4538张图片，其中训练集包含3857张图片，验证集包含681张图片，部分图像及标注如下图所示。
图片数据的存放格式如下，在项目目录中新建datasets目录，同时将检测的图片分为训练集与验证集放入CornInsectData目录下。
同时我们需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。data.yaml的具体内容如下：
train: E:\MyCVProgram\CornInsectDetection\datasets\CornInsectData\train val: E:\MyCVProgram\CornInsectDetection\datasets\CornInsectData\val nc: 13 names: ['grub', 'mole cricket', 'wireworm', 'white margined moth', 'black cutworm', 'large cutworm', 'yellow cutworm', 'red spider', 'corn borer', 'army worm', 'aphids', 'Potosiabre vitarsis', 'peach borer']
注：train与val后面表示需要训练图片的路径，建议直接写自己文件的绝对路径。
数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小【根据内存大小调整，最小为1】，代码如下：
# 加载模型 model = YOLO("yolov8n.pt") # 加载预训练模型 # Use the model if __name__ == '__main__': # Use the model results = model.train(data='datasets/CornInsectData/data.yaml', epochs=250, batch=4) # 训练模型 # 将模型转为onnx格式 # success = model.export(format='onnx')
3. 训练结果评估
在深度学习中，我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv8在训练时主要包含三个方面的损失：定位损失(box_loss)、分类损失(cls_loss)和动态特征损失（dfl_loss），在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：
各损失函数作用说明：
定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；
分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；
动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分，通过计算DFLLoss可以更准确地调整预测框的位置，提高目标检测的准确性。
本文训练结果如下：
我们通常用PR曲线来体现精确率和召回率的关系，本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值。mAP@.5：表示阈值大于0.5的平均mAP，可以看到本文模型两类目标检测的mAP@0.5平均值为0.772，结果还是很不错的，由于有些类别害虫样本较少，精度较差，影响了部分整体精度，有待进一步提升。
4. 检测结果识别
模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/trian/weights目录下。我们可以使用该文件进行后续的推理检测。
图片检测代码如下：
# 所需加载的模型目录 path = 'models/best.pt' # 需要检测的图片地址 img_path = "TestFiles/IP015000068.jpg" # 加载预训练模型 # conf 0.25 object confidence threshold for detection # iou 0.7 intersection over union (IoU) threshold for NMS model = YOLO(path, task='detect') # model = YOLO(path, task='detect',conf=0.5) # 检测图片 results = model(img_path) res = results[0].plot() cv2.imshow("YOLOv8 Detection", res) cv2.waitKey(0)
执行上述代码后，会将执行的结果直接标注在图片上，结果如下：
以上便是关于此款智能玉米害虫检测识别系统的原理与代码介绍。基于此模型，博主用python与Pyqt5开发了一个带界面的软件系统，即文中第二部分的演示内容，能够很好的支持图片、视频及摄像头进行检测，同时支持检测结果的保存。
