项目简介

本项目基于YOLOv8 目标检测算法+Streamlit 交互式 Web 框架开发，一套轻量化农业病害识别工具，支持葡萄、苹果、水稻三大作物的病害与虫害检测，上传图片 / 视频 / 本地摄像头实时推理，自动输出病害名称、发病症状、防治方案与参考图，无代码门槛，浏览器直接使用，适合农业教学、田间快速诊断、毕业设计使用。

【开源】基于yolov8的病虫害专家系统_哔哩哔哩

技术栈

• 深度学习框架：PyTorch + Ultralytics YOLOv8

• Web 可视化：Streamlit

• 图像处理：OpenCV、Pillow

• 环境管理：Anaconda/miniconda（推荐）

• 配套文档：环境部署 PDF 手册

核心功能

1. 多作物任务切换

   支持 3 类作物独立模型：葡萄病虫害、苹果病虫害、水稻病害 + 水稻虫害

2. 三种推理输入源

   • 图片上传（jpg/png/jpeg/bmp/webp）

   • 本地视频文件逐帧检测

   • 电脑摄像头实时画面识别

3. 可调检测参数

   侧边栏滑动条自定义置信度阈值（10~100），适配不同清晰度样本

4. 完整病害知识库

   内置二十余种病害信息：病害中文名、发病症状、全套防治方法、病害实拍图、治理参考图

5. 检测结果统计

   自动统计画面内各类病害数量，分栏展示原图、标注效果图、病害说明、防治方案

6. 轻量化部署

   纯 Python 实现，无需前端开发，一行命令启动网页服务

项目目录结构

yolo8-agri-disease/ ├── app.py # 项目入口、Streamlit页面主逻辑 ├── config.py # 全局配置：模型路径、作物任务映射、数据源类型 ├── utils.py # 工具函数：模型加载、图像推理、病害知识库、视频/摄像头处理 ├── weights/ # YOLOv8训练权重存放目录 │ ├── grape_a.pt │ ├── grape_all.pt │ ├── apple.pt │ └── rice.pt ├── pic/ # 病害配套图片库 │ ├── grape/ # 葡萄病害图 │ ├── apple/ # 苹果病害图 │ ├── rice/ # 水稻病害图 │ └── insect/ # 水稻虫害图 ├── Streamlit+yolo8环境配置指导手册.pdf # 完整环境搭建教程 └── README.md # 项目说明文档

支持识别病害清单

葡萄病害

黑腐病、黑痘病、褐斑病、酸腐病、霜霉病、溃疡病、灰霉病、花叶病、健康叶片

苹果病害

褐斑病、花叶病、白粉病、腐烂病、健康叶片

水稻病害

褐斑病、稻瘟病、白叶枯病

水稻虫害

稻蝽虫卵、小菜蛾、二化螟（幼虫 / 成虫）、稻绿蝽、蝗虫

环境部署教程

使用操作流程

1. 左侧侧边栏选择作物任务（葡萄 / 苹果 / 水稻）

2. 下拉框选择对应训练好的模型权重

3. 滑动条调整检测置信度（建议默认 25）

4. 选择输入类型：图像 / 视频 / 摄像头

5. 上传文件 / 打开摄像头，点击执行

6. 页面分栏展示：原图、带检测框效果图、病害统计、症状说明、防治方案

常见问题

1. 模型加载失败

   检查

   weights

   文件夹是否存在对应 pt 权重文件，路径不要含中文。

2. 摄像头无法打开

   关闭其他占用摄像头软件，Windows 需给予终端相机权限。

3. 运行速度极慢

   优先使用 NVIDIA GPU；CPU 环境建议只处理图片，避免长视频。

4. streamlit 命令找不到

   确认已经激活环境

   yolo8

   虚拟环境，重新执行 pip 安装 streamlit。

开源说明

本项目仅供学习、毕业设计、农业研究使用，禁止商用；

模型权重、病害图片为标注数据集训练所得，如需扩展作物可自行扩充数据集重新训练 YOLOv8。

补充

如需训练自定义作物病害模型，可基于 ultralytics YOLOv8 官方训练脚本，替换对应作物标注数据集即可接入本 Web 系统。