基于 YOLO11 的番茄九 类 病害智能识别系统

基于 YOLO11 的番茄九 类 病害智能识别系统

让一张番茄叶片照片告诉农户：“这是什么病、有多严重、怎么治。”

一、背景

1.1 行业痛点

番茄是大棚和大田里产量与产值都最重要的茄科作物之一。但它有个出了名的毛病：怕病——早疫、晚疫、叶霉、斑枯、花叶病毒、黄化曲叶病毒、红蜘蛛、潜叶蛾……每一种都能在一周内把一茬番茄的产量直接打掉一半。

而真正的痛点在田间识别：

• 农户/合作社最常见的处理方式仍然是"看叶子 → 凭经验喷药"，结果误判 / 漏判很常见，错喷药不仅不治病，还伤叶；
• 一线农技员人少地广，根本跑不过来；
• 已有的"农业大模型"或多分类模型多偏图像分类，给不出"病害位置 + 严重程度 + 防治建议"这种结构化结果。

本项目用 YOLO11n 把"番茄叶片病害检测"做成一个九类目标检测 + 防治知识库的组合方案，让识别结果不只是一个标签，而是一份能直接喂给农户的"病害体检报告"。

视频演示与源码 下载

https://www.bilibili.com/video/BV1i4aS6SEt1/

包含： 📦完整项目源码 📦预训练模型权重

🗂️数据集

1.2 项目运行效果

1.3 项目介绍

核心创新点：

九类病害：

番茄早疫病 / 番茄晚疫病 / 番茄叶霉病 / 番茄斑枯病
番茄花叶病毒病 / 番茄黄化曲叶病毒病
番茄红蜘蛛病 / 番茄潜叶蛾
健康叶片

技术栈：

二、设计框架

┌────────────────────────────────────────────┐
│ 农户 / 农技员 / 智慧农业大屏                │
│ 单叶照片 / 田间连拍 / 巡田视频 / 摄像头     │
└─────────────┬──────────────────────────────┘
              ▼ HTTP（默认 8501）
┌────────────────────────────────────────────┐
│ Streamlit 应用 app/streamlit_app.py         │
│ ├─ infer_image_path() 单帧推理              │
│ ├─ render_disease_info(cls) 调防治建议库    │
│ └─ render_batch_analysis() 类别 + 严重程度  │
└─────────────┬──────────────────────────────┘
              ▼ ultralytics.YOLO
┌────────────────────────────────────────────┐
│ YOLO11n 推理引擎                            │
│ model/best.pt（9 类病害 + 健康）             │
└────────────────────────────────────────────┘

YOLO11 网络结构（一图速通）：

 输入 640×640
     │
 ┌───▼──── Backbone（C3k2 + SPPF） ────┐
 │   叶片纹理 / 斑点特征提取            │
 └───┬───────────────────────────────┘
     │
 ┌───▼──── Neck（FPN + PAN） ─────────┐
 │   斑点（小目标）+ 整叶（大目标）融合 │
 └───┬───────────────────────────────┘
     │
 ┌───▼── Head（Decoupled + DFL） ─────┐
 │   9 类分类 + DFL 边框回归          │
 └───┬───────────────────────────────┘
     │
   输出：N×(x1,y1,x2,y2,conf,病害类)

为什么选 YOLO11n：番茄病害的视觉特征横跨多尺度——红蜘蛛是叶背针尖大小的小点，叶霉病是大块黄斑，潜叶蛾是细长银白色潜道，DFL 回归能让边框对这些差异极大的目标都框得准；同时 5MB 级别权重适合下沉到田间 PAD/手机。

检测流程：

叶片图  ──▶ letterbox 640 ──▶ YOLO11n 推理
                                  │
                                  ▼
                        conf ≥ 0.25 + NMS（IoU 0.7）
                                  │
                                  ▼
                       result.plot() 画框
                                  │
                                  ▼
              查询 disease_info[类名] → 拼出"症状+建议+严重等级"

三、代码结构（核心 50 行）

# app/streamlit_app.py（节选）
from pathlib import Path
import streamlit as st, pandas as pd, yaml
from ultralytics import YOLO

ROOT       = Path(__file__).parent.parent
MODEL_PATH = ROOT / "model" / "best.pt"
CFG        = yaml.safe_load(open(ROOT / "configs" / "project.yaml", encoding="utf-8"))
DISEASE_DB = CFG["app"]["disease_info"]                  # ① 病害知识库
SEVERITY   = {"healthy": "🌿 健康", "mild": "🟢 轻度",
              "moderate": "🟠 中度", "severe": "🔴 重度"}

@st.cache_resource(show_spinner=False)
def load_model(p: str) -> YOLO:
    return YOLO(p)                                       # ② 权重只加载一次

def infer_image_path(model: YOLO, image_path: Path, conf: float):
    result = model.predict(str(image_path), conf=conf, verbose=False)[0]   # ③ 推理
    annotated = result.plot()
    rows = []
    if result.boxes is not None:
        for box in result.boxes:
            cls_id = int(box.cls.item())
            x1, y1, x2, y2 = [float(v) for v in box.xyxy[0].tolist()]
            rows.append({
                "class_name": result.names[cls_id],
                "confidence": round(float(box.conf.item()), 4),
                "x1": round(x1, 1), "y1": round(y1, 1),
                "x2": round(x2, 1), "y2": round(y2, 1),
            })
    return annotated[:, :, ::-1], pd.DataFrame(rows)     # ④ BGR→RGB + 结构化结果

def render_disease_info(class_names: list[str]) -> None:                   # ⑤ 防治知识
    for name in dict.fromkeys(class_names):              # 去重保序
        info = DISEASE_DB.get(name)
        if not info: continue
        sev = SEVERITY.get(info["severity"], "")
        st.markdown(f"### {info['icon']} {name}  {sev}")
        st.write(f"**症状**：{info['symptoms']}")
        st.write(f"**防治建议**：{info['advice']}")

# ---------- Streamlit 入口（单图分支） ----------
st.set_page_config(page_title=CFG["app"]["title"], layout="wide")
conf  = st.sidebar.slider("置信度阈值", 0.1, 0.9, 0.25, 0.05)
model = load_model(str(MODEL_PATH))

up = st.file_uploader("上传番茄叶片图片", type=["jpg", "jpeg", "png", "webp", "bmp"])
if up is not None:
    annotated, df = infer_image_path(model, Path(up.name), conf)
    st.image(annotated, caption="检测结果")
    st.dataframe(df)
    render_disease_info(df["class_name"].tolist())       # 拼出"症状 + 防治建议"

5 段解析：

1. DISEASE_DB —— 9 类病害的"症状 + 严重程度 + 防治建议"全部从 yaml 配置注入，业务专家修订知识库不动一行 Python 代码。
2. @st.cache_resource —— 把 YOLO 权重缓存到会话级，手机端浏览器刷新页面响应能从 ~2s 降到几十毫秒。
3. model.predict(...)[0] —— ultralytics 标准一行调用，自动 letterbox、NMS。
4. 把每个 box 拆成结构化记录，下游图表、CSV 导出、知识库联动统一基于这份 DataFrame。
5. render_disease_info() —— 用检测到的类名查 DISEASE_DB，把图像分类升级成"病害体检报告"——这是和普通检测项目最大的差异点。

四、训练效果

模型基于 yolo11n.pt 在 5000 张番茄叶片图（覆盖 8 类病害 + 健康对照）上训练 200 个 epoch（实际收敛在 187 epoch 附近），imgsz=640、 batch =16。最终训练表现：

训练曲线总览：

box / cls / dfl 三路损失稳定下降，mAP 在第 100 个 epoch 后已稳定在 0.94+ 水平；mAP@0.5:0.95 也有 0.86，说明病斑边框定位质量过关。

PR 曲线：

PR 曲线在大部分 Recall 区间保持高 Precision——多数病害类别都能稳定召回；少量交叉类别（如早疫病 vs 斑枯病，斑点形态相近）会有可见的下降，符合视觉先验。

归一化混淆矩阵：

对角线整体接近 1，主要混淆集中在"早疫病 ↔ 斑枯病""叶霉病 ↔ 早疫病"两组——它们在视觉上确实非常接近，下一步可以通过加入显微特写样本、边缘高分辨率裁剪进一步压平。

五、项目总结

做对了什么：

• 从"分类"升级到"检测 + 知识库"：识别完直接吐出"病在哪 + 多严重 + 怎么治"，这是真正能塞给农户用的形态。
• 数据构造合理：8 病 + 1 健康 + 5000 张样本，避开了只做单一病害带来的过拟合。
• 轻量化前端：Streamlit + 配置驱动，没有花哨依赖，田间 PAD 浏览器直接跑，不需要部署原生 App。

还能怎么做：

1. 加上"严重度回归"——同一种病按"轻/中/重"再细分，提高用药建议精度；
2. 接入气象 / 棚内温湿度，辅助预测晚疫、灰霉等湿度敏感病害；
3. 多作物迁移：同一套 YOLO11n 模板覆盖到黄瓜、辣椒、茄子等同科作物，复用 80% 代码与 UI。

一句话总结： 用 YOLO11n + Streamlit 把"番茄叶片诊病"做成一份带防治方案的体检报告，是 5MB 模型撬动十亩大棚的典型样例。