[C#][winform]基于yolov11的大棚番茄成熟度检测系统C#源码+onnx模型+评估指标曲线+精美GUI界面
【算法介绍】
在农业大棚种植朝着智能化、精细化方向加速发展的关键时期，精准且高效地监测大棚番茄的成熟度状态，已然成为保障种植效益、提升农产品品质以及优化采摘计划的核心挑战之一。大棚环境复杂多变，番茄植株生长状态丰富多样，像不同生长阶段的叶片形态、果实大小变化以及果实所处的不同位置等，这些状态不仅直观反映了番茄当下的生长健康状况，更与种植户的整体收益、市场供应的稳定性等紧密相连。一旦番茄出现成熟度异常情况，如部分果实过早成熟、过晚成熟或者出现病害导致成熟度不均等，若未能及时察觉并采取相应措施，极易引发果实腐烂、品质下降甚至影响整个大棚的产量，给种植户带来巨大的经济损失。
传统大棚番茄成熟度检测方式主要依赖人工巡查。然而，受种植大棚规模不断扩大、番茄植株数量日益增多以及大棚空间布局复杂等因素限制，人工巡查很难全面覆盖大棚的各个区域，尤其是那些隐藏在植株深处或处于角落位置的番茄状态，往往难以被及时观察到。而且，早期基于简单颜色判定的监测方法，由于番茄品种多样导致颜色表现各异、大棚内光照条件不稳定以及各种枝叶遮挡等因素干扰，误判率高达 30%以上，根本无法满足种植户“精准化、零疏漏”的管理需求。因此，开发一套具备高精度、强适应性且能实时监测的大棚番茄成熟度智能检测系统，成为提升种植管理水平和种植效益的关键技术突破点。
目前现有技术存在诸多明显瓶颈：人工巡查不仅效率极其低下（单人单日仅能完成有限数量番茄植株的观察），而且巡查人员还面临着被枝叶划伤、长时间工作导致观察疲劳等风险；基于简单颜色和形状分割的传统算法，难以准确区分番茄的正常成熟状态与异常成熟状态（例如，番茄正常成熟时的色泽变化与因病害导致的色泽异常），在光线昏暗、大棚内水汽弥漫等低能见度环境下，算法性能会急剧下降；传统目标检测模型对番茄生长的多样性（如不同生长阶段的大小变化、不同品种的形态差异）和尺度变化（从幼果的小巧到成熟果实的饱满）适应性较差，对于小目标（如刚结果的小番茄）的成熟度漏检率超过 40%，难以满足实际种植场景的复杂需求。
基于 YOLOv11 的大棚番茄成熟度检测系统为农业种植管理带来了革命性的变革。YOLOv11 作为先进的目标检测算法，具备强大的特征提取和实时检测能力。该系统充分发挥 YOLOv11 的端到端实时检测优势，并针对大棚复杂环境进行了深度优化。
此系统能够精准识别番茄的成熟度类别，具体涵盖：
- unripe（未成熟）：准确捕捉番茄处于未成熟阶段的形态特征，如颜色青绿、果实较硬等，帮助种植户了解番茄生长进度，合理安排后续管理措施。
- semi - ripe（半成熟）：实时监测番茄半成熟时的状态，此时番茄颜色开始转变，质地也有所变化，系统能精准判断，为种植户确定最佳采摘前期准备时间提供依据。
- fully - ripe（完全成熟）：敏锐识别番茄完全成熟时的特征，如色泽鲜艳、果实饱满且具有一定弹性等，确保种植户能在番茄品质最佳时进行采摘，提高农产品的市场价值。
通过对大量番茄成熟度图像数据的学习和训练，系统能够保持较高的检测准确率。同时，系统具备强大的抗干扰能力，能够有效应对大棚内枝叶、支架等干扰因素，为新型智能化种植大棚建设提供了坚实的技术支撑，助力种植户实现高效、精准、科学的种植管理。
【效果展示】
【模型可以检测出类别】
unripe
semi-ripe
fully-ripe
【训练数据集介绍】
数据集格式：YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及yolo格式txt文件)
图片数量(jpg文件个数)：279
标注数量(xml文件个数)：279
标注数量(txt文件个数)：279
标注类别数：3
所在仓库：firc-dataset
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["unripe","semi-ripe","fully-ripe"]
每个类别标注的框数：
unripe 框数 = 1593
semi-ripe 框数 = 397
fully-ripe 框数 = 431
总框数：2421
使用标注工具：labelImg
标注规则：对类别进行画矩形框
重要说明：暂无
特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
图片预览：
标注例子：
【训练信息】
| 参数 | 值 |
| 训练集图片数 | 263 |
| 验证集图片数 | 14 |
| 训练map | 87.8% |
| 训练精度(Precision) | 80.3% |
| 训练召回率(Recall) | 87.6% |
【验证集精度统计】
|
Class |
Images |
Instances |
P |
R |
mAP50 |
mAP50-95 |
|
all |
14 |
103 |
0.803 |
0.876 |
0.878 |
0.59 |
|
unripe |
13 |
64 |
0.866 |
0.984 |
0.967 |
0.619 |
|
semi-ripe |
8 |
17 |
0.63 |
0.703 |
0.725 |
0.514 |
|
fully-ripe |
11 |
22 |
0.912 |
0.942 |
0.942 |
0.636 |
【测试环境】
windows10 x64系统
VS2019
netframework4.7.2
opencvsharp4.9.0
onnxruntime1.22.0
注意使用CPU推理，没有使用cuda推理因此不需要电脑具有nvidia显卡，无需安装安装cuda+dunn
【界面设计】
using DeploySharp.Data;
using OpenCvSharp;
using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Diagnostics;
using System.Drawing;
using System.IO;
using System.Linq;
using System.Text;
using System.Threading;
using System.Threading.Tasks;
using System.Windows.Forms;
namespace FIRC
{
public partial class Form1 : Form
{
public bool videoStart = false;//视频停止标志
string weightsPath = Application.StartupPath + "\\weights";//模型目录
YoloDetector detetor = new YoloDetector();//推理引擎
public Form1()
{
InitializeComponent();
CheckForIllegalCrossThreadCalls = false;//线程更新控件不报错
}
private void LoadWeightsFromDir()
{
var di = new DirectoryInfo(weightsPath);
foreach(var fi in di.GetFiles("*.onnx"))
{
comboBox1.Items.Add(fi.Name);
}
if(comboBox1.Items.Count>0)
{
comboBox1.SelectedIndex = 0;
}
else
{
tssl_show.Text = "未找到模型,请关闭程序，放入模型到weights文件夹!";
tsb_pic.Enabled = false;
tsb_video.Enabled = false;
tsb_camera.Enabled = false;
}
}
private void Form1_Load(object sender, EventArgs e)
{
LoadWeightsFromDir();//从目录加载模型
}
public string GetResultString(DetResult[] result)
{
Dictionary<string, int> resultDict = new Dictionary<string, int>();
for (int i = 0; i < result.Length; i++)
{
if(resultDict.ContainsKey( result[i].Category) )
{
resultDict[result[i].Category]++;
}
else
{
resultDict[result[i].Category] =1;
}
}
var resultStr = "";
foreach(var item in resultDict)
{
resultStr += string.Format("{0}:{1}\r\n",item.Key,item.Value);
}
return resultStr;
}
private void tsb_pic_Click(object sender, EventArgs e)
{
OpenFileDialog ofd = new OpenFileDialog();
ofd.Filter = "*.*|*.bmp;*.jpg;*.jpeg;*.tiff;*.tiff;*.png";
if (ofd.ShowDialog() != DialogResult.OK) return;
tssl_show.Text = "正在检测中...";
Task.Run(() => {
var sw = new Stopwatch();
sw.Start();
Mat image = Cv2.ImRead(ofd.FileName);
detetor.SetParams(Convert.ToSingle(numericUpDown1.Value), Convert.ToSingle(numericUpDown2.Value));
var results=detetor.Inference(image);
var resultImage = detetor.DrawImage(image, results);
sw.Stop();
pb_show.Image = OpenCvSharp.Extensions.BitmapConverter.ToBitmap(resultImage);
tb_res.Text = GetResultString(results);
tssl_show.Text = "检测已完成!总计耗时"+sw.Elapsed.TotalSeconds+"秒";
});
}
public void VideoProcess(string videoPath)
{
Task.Run(() => {
detetor.SetParams(Convert.ToSingle(numericUpDown1.Value), Convert.ToSingle(numericUpDown2.Value));
VideoCapture capture = new VideoCapture(videoPath);
if (!capture.IsOpened())
{
tssl_show.Text="视频打开失败!";
return;
}
Mat frame = new Mat();
var sw = new Stopwatch();
int fps = 0;
while (videoStart)
{
capture.Read(frame);
if (frame.Empty())
{
Console.WriteLine("data is empty!");
break;
}
sw.Start();
var results = detetor.Inference(frame);
var resultImg = detetor.DrawImage(frame,results);
sw.Stop();
fps = Convert.ToInt32(1 / sw.Elapsed.TotalSeconds);
sw.Reset();
Cv2.PutText(resultImg, "FPS=" + fps, new OpenCvSharp.Point(30, 30), HersheyFonts.HersheyComplex, 1.0, new Scalar(255, 0, 0), 3);
//显示结果
pb_show.Image = OpenCvSharp.Extensions.BitmapConverter.ToBitmap(resultImg);
tb_res.Text = GetResultString(results);
Thread.Sleep(5);
}
capture.Release();
pb_show.Image = null;
tssl_show.Text = "视频已停止!";
tsb_video.Text = "选择视频";
});
}
public void CameraProcess(int cameraIndex=0)
{
Task.Run(() => {
detetor.SetParams(Convert.ToSingle(numericUpDown1.Value), Convert.ToSingle(numericUpDown2.Value));
VideoCapture capture = new VideoCapture(cameraIndex);
if (!capture.IsOpened())
{
tssl_show.Text = "摄像头打开失败!";
return;
}
Mat frame = new Mat();
var sw = new Stopwatch();
int fps = 0;
while (videoStart)
{
capture.Read(frame);
if (frame.Empty())
{
Console.WriteLine("data is empty!");
break;
}
sw.Start();
var results = detetor.Inference(frame);
var resultImg = detetor.DrawImage(frame, results);
sw.Stop();
fps = Convert.ToInt32(1 / sw.Elapsed.TotalSeconds);
sw.Reset();
Cv2.PutText(resultImg, "FPS=" + fps, new OpenCvSharp.Point(30, 30), HersheyFonts.HersheyComplex, 1.0, new Scalar(255, 0, 0), 3);
//显示结果
pb_show.Image = OpenCvSharp.Extensions.BitmapConverter.ToBitmap(resultImg);
tb_res.Text = GetResultString(results);
Thread.Sleep(5);
}
capture.Release();
pb_show.Image = null;
tssl_show.Text = "摄像头已停止!";
tsb_camera.Text = "打开摄像头";
});
}
private void tsb_video_Click(object sender, EventArgs e)
{
if(tsb_video.Text=="选择视频")
{
OpenFileDialog ofd = new OpenFileDialog();
ofd.Filter = "视频文件(*.*)|*.mp4;*.avi";
if (ofd.ShowDialog() != DialogResult.OK) return;
videoStart = true;
VideoProcess(ofd.FileName);
tsb_video.Text = "停止";
tssl_show.Text = "视频正在检测中...";
}
else
{
videoStart = false;
}
}
private void tsb_camera_Click(object sender, EventArgs e)
{
if (tsb_camera.Text == "打开摄像头")
{
videoStart = true;
CameraProcess(0);
tsb_camera.Text = "停止";
tssl_show.Text = "摄像头正在检测中...";
}
else
{
videoStart = false;
}
}
private void tsb_exit_Click(object sender, EventArgs e)
{
videoStart = false;
this.Close();
}
private void trackBar1_Scroll(object sender, EventArgs e)
{
numericUpDown1.Value = Convert.ToDecimal(trackBar1.Value / 100.0f);
}
private void trackBar2_Scroll(object sender, EventArgs e)
{
numericUpDown2.Value = Convert.ToDecimal(trackBar2.Value / 100.0f);
}
private void numericUpDown1_ValueChanged(object sender, EventArgs e)
{
trackBar1.Value = (int)(Convert.ToSingle(numericUpDown1.Value) * 100);
}
private void numericUpDown2_ValueChanged(object sender, EventArgs e)
{
trackBar2.Value = (int)(Convert.ToSingle(numericUpDown2.Value) * 100);
}
private void comboBox1_SelectedIndexChanged(object sender, EventArgs e)
{
tssl_show.Text="加载模型:"+comboBox1.Text;
detetor.LoadWeights(weightsPath+"\\"+comboBox1.Text);
tssl_show.Text = "模型加载已完成!";
}
}
}
【常用评估参数介绍】
在目标检测任务中，评估模型的性能是至关重要的。你提到的几个术语是评估模型性能的常用指标。下面是对这些术语的详细解释：
- Class：
- 这通常指的是模型被设计用来检测的目标类别。例如，一个模型可能被训练来检测车辆、行人或动物等不同类别的对象。
- Images：
- 表示验证集中的图片数量。验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。
- Instances：
- 在所有图片中目标对象的总数。这包括了所有类别对象的总和，例如，如果验证集包含100张图片，每张图片平均有5个目标对象，则Instances为500。
- P（精确度Precision）：
- 精确度是模型预测为正样本的实例中，真正为正样本的比例。计算公式为：Precision = TP / (TP + FP)，其中TP表示真正例（True Positives），FP表示假正例（False Positives）。
- R（召回率Recall）：
- 召回率是所有真正的正样本中被模型正确预测为正样本的比例。计算公式为：Recall = TP / (TP + FN)，其中FN表示假负例（False Negatives）。
- mAP50：
- 表示在IoU（交并比）阈值为0.5时的平均精度（mean Average Precision）。IoU是衡量预测框和真实框重叠程度的指标。mAP是一个综合指标，考虑了精确度和召回率，用于评估模型在不同召回率水平上的性能。在IoU=0.5时，如果预测框与真实框的重叠程度达到或超过50%，则认为该预测是正确的。
- mAP50-95：
- 表示在IoU从0.5到0.95（间隔0.05）的范围内，模型的平均精度。这是一个更严格的评估标准，要求预测框与真实框的重叠程度更高。在目标检测任务中，更高的IoU阈值意味着模型需要更准确地定位目标对象。mAP50-95的计算考虑了从宽松到严格的多个IoU阈值，因此能够更全面地评估模型的性能。
这些指标共同构成了评估目标检测模型性能的重要框架。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。
【使用步骤】
使用步骤：
（1）首先根据官方框架ultralytics安装教程安装好yolov11环境，并根据官方export命令将自己pt模型转成onnx模型,然后去github仓库futureflsl/firc-csharp-projects找到源码
（2）使用vs2019打开sln项目，选择x64 release并且修改一些必要的参数，比如输入shape等，点击运行即可查看最后效果
特别注意如果运行报错了，请参考我的博文进行重新引用我源码的DLL：[C#]opencvsharp报错System.Memory，Version=4.0.1.2，Culture=neutral，PublicKeyToken=cc7b13fcd2ddd51“版本高于所引_未能加载文件或程序集“system.memory, version=4.0.1.2, culture-CSDN博客
【提供文件】
C#源码
yolo11n.onnx模型（提供pytorch模型）
训练的map,P,R曲线图(在weights\results.png)
测试图片（在test_img文件夹下面）
特别注意这里提供训练数据集
更多推荐
10
0- 0
已为社区贡献180条内容
所有评论(0)