基于深度学习+AI的棉叶蝉目标检测与预警系统（Python源码+数据集+UI可视化界面+YOLOv11训练结果）

基于深度学习+AI的棉叶蝉目标检测与预警系统（Python源码+数据集+UI可视化界面+YOLOv11训练结果）

1、背景介绍

传统棉叶蝉监测管控与风险预警依靠植保人员人工田间巡查、肉眼目视辨识、分区逐株排查、现场记录虫情与事后台账登记，受巡检人员植保专业水平参差不齐、巡查频次与覆盖范围受限、作物叶片遮挡、低龄若虫体型微小不易辨识、棉田种植面积广、全天候田间值守难度大、虫体与叶背纹理混杂遮蔽、风雨光照干扰、温湿度变化导致虫情隐蔽滋生易遗漏、多片区连片棉田虫情判定偏差等因素影响，无法实现棉叶蝉成虫（adults）、若虫（nymphs）单体数量、虫口密度、空间分布、聚集危害隐患等核心要素全时段、无盲区、高精度检测与提前预警。AI 智能分析技术依托深度学习算法，自动提取棉田植株上棉叶蝉成虫体型轮廓、翅脉特征、活动形态，若虫体态特征、发育形态、聚集分布状态、虫群密度、区域危害范围等特征信息，精准捕捉成虫、若虫的形态差异与分布特点，有效区分棉叶蝉本体与棉花叶片脉络、田间杂草、泥土水渍、光照阴影、扬尘雾气遮挡、杂物遮蔽等干扰物象，精准识别零星分布、局部聚集、连片爆发、植株隐蔽处滋生等典型虫害风险场景，判定棉叶蝉成虫、若虫虫口密度、分布范围与潜在危害等级，可适配棉田弱光、叶片遮挡、枝叶交错、昼夜光照变化、温湿度波动、连片种植区域等复杂环境完成棉叶蝉双目标精准识别。打破人工巡查肉眼判别难以适配大面积棉田、零散地块细微排查、全域虫害管控的局限，显著减轻植保人员巡查核查工作量，提升棉叶蝉识别准确度与虫情响应效率，规避叶蝉滋生蔓延、作物减产、病虫害扩散等各类管控风险，保障棉花植株健康生长、农田生态安全及农事植保作业有序开展。

将深度学习目标检测算法（改进型 Faster R-CNN、YOLO 系列、优化版 YOLOv8s、优化版 YOLOv5）与 AI 智能分析模块、多类型视频采集设备（棉田布设高清可见光摄像头、宽动态成像采集组件、微距高清采集装置、夜视补光监控设备，搭配棉田智能监控终端、农田植保管控平台、环境温湿度光照传感设备）、田间智能管控终端、棉叶蝉智能预警管理平台融合运用，可精准识别监测区域内adults（成虫）、nymphs（若虫） 两类目标，同步判定棉叶蝉虫龄状态、分布区位、植株危害位置、虫口密度、扩散变化趋势、虫害严重程度等情况，实时统计成虫与若虫数量、单位面积虫口密度、分布动态、不同环境下识别准确率等关键数据，高效剥离棉叶蝉与棉花残枝、杂草碎屑、土石杂物、田间光影等干扰要素，辨别叶蝉零星分布、局部聚集、连片滋生、跨区域蔓延等不同田间情形。凭借 AI 分析实时自动、全天候运行、环境适应性强的特性，结合多源采集设备全场景适配能力，不受光线强弱、叶片遮挡、枝叶堆叠、杂物覆盖、大范围棉田空间、昼夜环境差异制约，完成全域棉田棉叶蝉精准定位、虫量识别、密度判定、虫害态势预警，涵盖零星出现、多点聚集、长期滋生扩张、高危连片爆发、叶背隐蔽繁殖等各类情形。预警信息同步推送至田间管控终端、植保管理人员移动端与棉叶蝉智能管理平台，标注事发地块、植株位置、虫情规模、现场状态与虫害风险等级，全面强化棉叶蝉筛查甄别、虫害防治、田间管护、植保运维的智能化全域精准处置能力。该系统适配规模化棉花产区、连片种植地块、集中育苗田块、大范围野外棉田等面积广袤、虫情分布零散、隐患扩散较快、人工巡查难以全覆盖的场景，补齐传统人工植保管控短板，助力棉叶蝉防控提质降耗，推动传统棉田管理向智能精准模式转型，也可为虫情溯源统计、高发区域摸排、田间隐患整改、片区植保风险评估提供可靠数据依据，切实防范棉叶蝉爆发引发的作物减产、品质下降、生态破坏等问题，护航农业农田规范化管理与棉花生产平稳运行。

2、算法结构

目标检测是一种基于目标集合和统计特征的图像分割，主要包括分类问题和检测定位问题。目标检测算法以深度学习为基准的主要有两大类：基于回归分析的单阶段目标检测和基于候选区域的两阶段目标检测。

基于回归分析的单阶段目标检测算法在检测目标时采用一个网络进行端到端的目标检测，直接对图像进行计算生成检测结果，检测速度快，但检测精度低。主要代表是YOLO系列和SSD系列。2015年，Joseph等人提出了一种新的目标算法YOLO，其思想是将一张图片分成多个网格，让每个网格负责预测中心点落在当前网格中的物体。该方法目标检测速度快、可以避免背景错误并能学到物体的泛化特征，但存在定位不准、精度低和对小物体检测效果不好的问题。Joseph在接下来的几年从骨干网络和跨尺度特征融合等方面对YOLO进行优化改进，相继提出了YOLOv2和YOLOv3。2016年，Liu等人提出了结合YOLO检测速度快和Faster R-CNN的锚框思想的SSD算法，并使用多尺度特征图进行检测，在满足检测速度要求的同时还大幅提高了模型的检测精度，但由于小尺寸的目标多用较低层级的锚框来训练，较低层级的特征非线性程度不够，无法训练到足够的精确度，所以仍存在小目标的检测效果差的问题。

基于候选区域的两阶段目标检测是先对图像提取候选框，然后对候选框进行分类回归操作得到检测结果，检测精度较高，但检测速度较慢，训练时间长且误报高。主要代表算法有R-CNN系列、SPP-Net和FPN。Girshick等人在2014年提出了两阶段目标检测算法R-CNN，通过选择性搜索的方法提取出候选区域，然后将候选区域变换为标准的方形尺寸并使用改进的AlexNet筛选出有效的候选区域，最后通过支持向量机进行分类并对有效的候选区域进行线性回归获得边界框，该算法有着较高的准确性并提高了特征对样本的表示能力，但由于图像尺寸限制造成目标失真变形并且存在冗余计算、检测速度慢。针对这个问题，He等人提出了SPP-Net，在卷积层和全连接层之间增添一个空间金字塔池化模块，不仅可以对候选区域进行变换为任意比例的区域特征提取，而且可以减少候选区域的重复计算，该算法不仅提高了目标检测的精度，同时又提升了目标检测速度，但训练过程仍是多阶段的，而且无法实现端到端训练。2015年，Girshick等人结合R-CNN和SPP-Net的特点提出了Fast R-CNN，通过卷积层对整张图像和候选区域进行特征提取，并使用感兴趣池化层和Softmax分别取代空间金字塔池化模块和SVM，同时提高了精度和速度，但由于选择性搜索算法只能使用CPU，仍无法实现实时检测。Ren等人针对此问题在同年提出了Faster R-CNN，Faster R-CNN最大的特点是首次提出了一个全新的候选区域网络（Region Proposal Network, RPN），该算法不仅可以端到端训练，而且可以在GPU上实时性检测，但由于anchor的使用，仍对小目标的检测效果并不理想。Lin等人于2017年在Faster R-CNN基础上提出了特征金字塔网络检测算法FPN，通过多层特征融合，大大提高了小目标物体的检测效果。

为了契合对检测性能与实时性的更高要求，本文选用以 YOLOv11 为根基的单阶段目标检测算法作为基准。YOLOv11 模型作为迭代升级的实时目标检测框架，凭借其更为迅猛的检测速率以及大幅提升的检测精度，在同类算法中展现出显著优势，其网络结构如图所示。本文深入研究的算法正是在 YOLOv11 的基础上开展改进与优化工作，旨在进一步强化目标检测的准确性与实时性，从而更好地适配特定应用场景的复杂多样需求。

3、数据集

本算法研究数据集来源于公开数据集CottonJassidDataset进行实验，CottonJassidDataset数据集信息如图所示。本文共选取的3540张图像，每张图像的大小为640x640像素，包括不同光照强度、不同角度的图像。然后通过在线标注工具MakeSense（https://www.makesense.ai/）进行标注，将标注后的图像划分为2479张图像作为训练集，707张图像作为训练集，354张图像作为测试集。

# 目录结构
CottonJassidDataset
├── images/
│   ├── train/
│   ├── val/
│   └── test/
└── labels/
    ├── train/
    ├── val/    
    └── test/

# 适用算法
"yolov26/yolov13/yolov12/yolov11/yolov10/yolov8/yolov5等YOLO系列"

# 类别
'adults'
'nymphs'

# yaml文件配置
path: CottonJassidDataset # dataset root dir
train: images/train  # train images (relative to 'path') 4 images
val: images/val  # val images (relative to 'path') 4 images
test: images/test # test images (optional)
# Classes
names: ['adults','nymphs']

4、评价指标

本文选取的评估指标包括综合精确率Precision和召回率Recall的F1-Score、平均精度均值mAP、计算量GFLOPs和权重大小Model Size等。mAP表示IoU阈值取0.5时的值。具体计算公式如下。

式中：TP为真正例，FP为假正例，FN为假负例，AP为平均精度，P为精确率，R为召回率。

5、实验环境

本实验的环境在Window操作系统上进行，采用的深度学习框架为Pytorch 2.6.0+126，编程语言为Python 3.10.0，CUDA版本12.6，GPU为NVIDIA GeForce RTX 4060，显存为8GB。在模型训练过程中，模型的批处理大小BatchSize设为32，总次数Epochs设为50，初始学习率被设置为0.01，动量参数因子为0.937，优化器权重衰减系数设为0.0005，以使其更快收敛并获得更好的性能。

6、训练脚本

# train.py
from ultralytics import YOLO
if __name__ == '__main__':
    # 初始训练
    model = YOLO(r"yolov11n.yaml")
    model.load("yolo11n.pt")
    results = model.train(data=r"data.yaml", 
                          epochs=50, 
                          imgsz=640, 
                          batch=32, 
                          workers=4, 
                          device=0, 
                          name="train")

7、实验结果

8、系统实现

YOLO目标检测系统主要包括登录页面和主页面，其中主页面集成了三大核心检测功能，各功能操作便捷、检测高效，具体介绍如下：

登录页面：作为系统入口，用户需输入正确的账号密码完成登录，验证通过后方可进入主页面使用各项检测功能，保障系统使用安全性，防止未授权访问。

主页面：为核心操作区域，集中展示图片检测、视频检测、摄像头实时检测三大功能入口，界面简洁直观，方便用户快速找到所需功能，后续各项检测操作均在主页面内完成。

✅ 图片检测：支持单张图片输入检测，用户上传图片后，YOLO模型将快速对图像进行分析，精准识别图像中的各类目标，自动在图像中框选目标位置，并同步返回检测框坐标及目标类别信息，让检测结果直观可见，适用于单帧图像的快速目标识别场景。

✅ 视频检测：支持各类常见格式视频文件输入，检测过程中，YOLO模型会对视频中的每一帧进行逐帧分析、精准识别，在每帧画面中标记出检测到的目标，最终可输出带有目标框的完整视频文件，也可进行实时画面展示，广泛应用于视频监控、动态场景分析等需求场景。

✅ 摄像头实时检测：支持连接USB摄像头，实现实时目标监测功能。YOLO模型可实时捕捉摄像头传输的视频流，同步进行目标检测与识别，即时在画面中显示检测结果，提供快速、精准的即时反馈，适用于安防监控、无人驾驶、智能交通等对实时性要求较高的应用场景。

此外，系统所有检测功能均支持deepseek ai对检测结果进行AI分析，可进一步挖掘检测数据的深层信息，提升检测结果的实用性和解读效率，为用户提供更全面的检测服务。

登录界面

主界面

9、应用场景

基于深度学习+AI的棉叶蝉目标检测与预警系统聚焦棉叶蝉虫存量监测、虫群聚集识别、虫害扩散预警核心目标，依托棉田全域视频全覆盖、24小时不间断值守、全天候实时监测，适配连片规模化棉田、露天种植地块、田间植株冠层、零散边角棉田等各类植棉场景。借助AI智能分析，精准捕捉adults（成虫）、nymphs（若虫）虫体轮廓、体态特征、集群栖息、连片滋生、分散分布等固有形态特征，可清晰区分棉叶蝉虫体本体与棉花枝叶、田间杂草、虫蜕残体、土壤土石、光影光斑、叶面污渍等干扰物体，有效规避田间场景相似物象、杂枝杂物带来的识别误判。系统可抵御叶片重叠遮挡、叶背隐蔽栖息、枝叶掩映遮盖、植株多层丛生等遮挡干扰，同时适配昼夜光照更迭、阴晴光线变化、强光直射反光、阴天昏暗弱光、扬尘雾气、田间画面轻微晃动等复杂田间环境影响。依托深度学习算法强大的特征提取、目标分类、定位追踪、虫口密度判定与虫害风险预警能力，可广泛应用于规模化棉花种植基地、零散棉田地块、连片植棉产区、田间保育区域、智慧农业产业园等区域的棉叶蝉规范化防控、虫害隐患排查与智慧田间植保治理工作。

常规棉田种植管控场景下，系统能够精准识别棉株叶面自然散落、叶背隐蔽栖息、田间零星分布的adults（成虫）、nymphs（若虫），同步判定虫群聚集体量、分布区位、成片滋生范围与虫害动态变化，实时留存棉叶蝉分布状态、虫情演变全过程影像数据。有效解决传统人工巡查响应迟缓、全域排查工作量大、低龄若虫体型微小不易察觉、零星虫害隐患发现滞后、人工巡查覆盖范围有限、错检漏检频发等行业难题。传统棉叶蝉管控多依靠植保人员人工实地巡检，判定标准因人而异，隐蔽叶背虫害难以排查，逐株逐地块核查费时耗力，极易因零星虫群滋生放任不管，逐步形成大面积虫害爆发、连片危害作物的隐患。本系统可全天自动完成棉叶蝉双目标检测，常态化监测田间成虫、若虫留存滋生情况，精准标记虫害聚集点位与高发区域，从源头减少棉田虫情管控漏检、误检问题。

偏远零散棉田、无人值守野外植棉区域场景中，系统实现7×24小时全域不间断智能监测，快速识别单点虫群集中滋生、多处连片爆发、区域虫害反复蔓延等显性违规风险，同时甄别少量隐匿若虫、叶背隐蔽聚集、虫害长期滞留繁殖等早期隐性隐患，以及虫群高密度聚集、跨植株扩散衍生的植保管控风险。第一时间触发现场声光告警、后台平台预警、植保管理人员移动端提醒，方便工作人员及时开展精准施药、虫害消杀、田间管护、区域排查、隐患根治等处置工作，避免棉叶蝉大量繁殖、连片肆虐、虫害扩散蔓延、大面积棉花受害减产等问题，补齐偏远零散棉田虫害管控松散、问题处置不及时、防控滞后的管控短板。

高标准棉花种植示范园区、规模化植棉基地、连片粮食棉油产区场景中，系统精准判定adults（成虫）、nymphs（若虫）分布规律、正常微量虫群留存与虫害爆发危害界限，精准识别少量隐性聚集、大规模虫群滋生、跨地块虫害蔓延等不同状态，区分单点虫群聚集、多点混合滋生、大范围连片危害各类情形，实时追踪棉叶蝉滋生动向、扩散范围、不同片区虫情留存差异，为棉田规范化植保管理、精准化虫害防控、全域虫情隐患治理提供可靠数据支撑。弥补传统管控依靠人工目测评估、智能监测能力薄弱、隐蔽虫害难以排查、零星虫情易演化成大面积灾害的不足，保障棉田种植生产规范有序，提升棉花种植园区治理水平与连片棉田虫害管控稳定性。

10、源码获取（网盘地址）

猫脸码客