使用 Python + YOLOv8 + 摄像头 实现茭白良品识别与质检系统（附完整代码）

🧠 使用 Python + YOLOv8 + 摄像头 实现茭白良品识别与质检系统（附完整代码）

📌 前言

随着计算机视觉技术的发展，越来越多的农业和工业生产场景开始引入智能视觉检测系统。本文将详细介绍如何使用 Python + YOLOv8 + 摄像头 构建一个完整的 山东茭白良品/差品识别系统，并实现实时检测、分类、质量判断与结果反馈。

本项目主要实现以下功能：

1. 区分“茭白”与“非茭白”的果蔬；
2. 识别山东茭白的良品与差品；
3. 实时显示良品率百分比，若低于 80% 则标记为差品批次；
4. 将每次扫描结果可视化，并反馈给 PLC 控制系统；
5. 提供标注、训练、检测全流程脚本。

🔧 技术栈

• 编程语言：Python
• 图像识别：YOLOv8（Ultralytics）
• 图像处理：OpenCV
• 数据标注工具：LabelImg / CVAT
• 摄像头输入：USB / 工业相机
• 可选通信模块：串口 / Modbus / OPC UA（用于连接 PLC）

🗂️ 一、数据准备与标注

1. 标注工具推荐

• LabelImg（本地安装）
  GitHub 地址：https://github.com/tzutalin/labelImg

• Roboflow Annotate（在线标注）
  地址：https://roboflow.com/annotate

2. 类别定义

每张图片对应一个 .txt 文件，格式如下：

class_id x_center y_center width height

3. 数据集结构示例

dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/
└── data.yaml

🏋️‍♂️ 二、模型训练

1. 安装依赖

pip install ultralytics torch torchvision

2. data.yaml 示例

train: dataset/images/train
val: dataset/images/val

nc: 3
names: ['not_jiaobai', 'good_jiaobai', 'bad_jiaobai']

3. 训练脚本 train.py

from ultralytics import YOLO

# 加载预训练模型（可选：yolov8n/s/m/l/x）
model = YOLO('yolov8n.pt')  # 小型模型，适合入门和快速训练

# 开始训练
results = model.train(
    data='data.yaml',              # 数据配置文件路径
    epochs=100,                    # 总共训练轮数
    imgsz=640,                     # 图像尺寸（像素）
    batch=16,                      # 批次大小（根据你的GPU内存调整）
    name='jiaobai_quality_detector',   # 模型保存的文件夹名
    device=0 if torch.cuda.is_available() else 'cpu',  # 自动选择GPU或CPU
    exist_ok=True,                 # 若存在同名项目，覆盖它
    workers=4,                     # 数据加载线程数
    optimizer='AdamW',             # 优化器选择
    lr0=0.001,                     # 初始学习率
    pretrained=True,               # 是否使用预训练权重
    save_period=5,                 # 每隔多少个 epoch 保存一次模型
    project='runs/train'           # 训练结果保存路径
)

# 输出训练指标
print("训练完成！")
print("结果保存在：", results.save_dir)

训练完成后，模型权重会保存在：

runs/train/jiaobai_quality_detector/weights/best.pt

🎥 三、实时检测与结果显示

1. 检测脚本 detect_realtime.py

import cv2
from ultralytics import YOLO

model = YOLO('runs/train/jiaobai_quality_detector/weights/best.pt')
cap = cv2.VideoCapture(0)

WINDOW_NAME = "Jiaobai Quality Detection"
cv2.namedWindow(WINDOW_NAME, cv2.WINDOW_AUTOSIZE)

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    results = model(frame)
    total_count = 0
    good_count = 0

    for result in results:
        boxes = result.boxes.cpu().numpy()
        names = result.names

        for box in boxes:
            x1, y1, x2, y2 = box.xyxy[0].astype(int)
            cls = int(box.cls[0])
            label = names[cls]
            conf = box.conf[0]

            color = (0, 255, 0)
            if label == 'good_jiaobai':
                good_count += 1
                total_count += 1
            elif label == 'bad_jiaobai':
                total_count += 1
                color = (0, 0, 255)

            cv2.rectangle(frame, (x1, y1), (x2, y2), color, 2)
            cv2.putText(frame, f"{label} {conf:.2f}", (x1, y1 - 10),
                        cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2)

    if total_count > 0:
        quality_rate = (good_count / total_count) * 100
        status_text = "Good Batch" if quality_rate >= 80 else "Bad Batch"
        status_color = (0, 255, 0) if quality_rate >= 80 else (0, 0, 255)

        cv2.putText(frame, f"Quality Rate: {quality_rate:.2f}%", (10, 30),
                    cv2.FONT_HERSHEY_SIMPLEX, 0.9, (255, 255, 255), 2)
        cv2.putText(frame, status_text, (10, 70),
                    cv2.FONT_HERSHEY_SIMPLEX, 0.9, status_color, 2)

    cv2.imshow(WINDOW_NAME, frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

🔌 四、PLC通信（可选）

示例：串口通信发送信号

import serial

try:
    plc = serial.Serial('COM3', baudrate=9600, timeout=1)
except Exception as e:
    print("无法连接 PLC:", e)
    plc = None

if plc and plc.is_open:
    try:
        plc.write(b'GOOD\n')  # 发送良品信号
    except Exception as e:
        print("发送失败:", e)

📸 五、摄像头选择建议（性价比高）

✅ 推荐型号

📦 六、项目打包模板（建议）

如果你需要我为你打包一个完整的 ZIP 文件，包含：

• 模型文件（best.pt）
• 数据集结构模板
• 标注工具使用说明
• 训练 + 检测脚本
• requirements.txt
• README.md
• 示例图像

请告诉我，我可以为你生成并提供下载链接！

🧠 七、拓展方向

• 添加 GUI 界面（PyQt / Tkinter）
• 多线程优化提升性能
• 部署到树莓派 / Jetson Nano
• 自动剔除机制（气缸 + 继电器）
• 日志记录与数据分析（CSV / SQLite）
• 支持多品种果蔬识别

✅ 结语

通过本文的学习，你可以从零开始搭建一个完整的 茭白良品识别与质检系统，涵盖图像标注、模型训练、实时检测、结果可视化与 PLC 通信等关键环节。

如果你希望我帮你进一步开发 GUI 界面、边缘部署版本或定制化模型，请继续留言交流！