在农业生产中，花生种子霉变不仅会导致发芽率骤降、减产减收，霉变产生的黄曲霉毒素还会危害人畜健康。传统人工检测依赖经验判断，效率低、主观性强，难以适配规模化种子筛选需求。基于此，我们搭建了一套融合YOLO系列目标检测算法与SpringBoot前后端分离架构的花生种子霉变识别系统，实现自动化、高精度、高效的霉变检测。本文将从技术选型、核心模块实现、模型对比优化到系统落地全流程拆解，分享实操中的技术细节与优化思路。
一、技术栈选型：适配场景的合理性考量
系统核心需求是“高精度检测+易用性操作+可扩展性”，结合农业场景下的实际使用环境（可能存在批量上传、离线部署需求），技术栈选型围绕“稳定性、高效性、易维护”三大原则展开，具体如下：
1. 后端技术：SpringBoot + MySQL + Redis
选用SpringBoot作为后端框架，核心原因在于其自动配置、依赖管理能力，能快速搭建稳定的RESTful API，同时支持与各类第三方服务（模型服务、存储服务）灵活集成，适配后续系统扩展。MySQL用于存储种子检测记录、用户信息、模型版本信息等结构化数据，Redis则用于缓存高频访问的模型元数据、检测结果，提升接口响应速度。
额外引入Spring Security做接口权限控制，避免检测接口被非法调用；使用MinIO作为文件存储服务，专门管理上传的种子图片、标注数据集及检测结果图片，兼顾存储安全性与可扩展性。
2. 前端技术：Vue3 + Vite + Element Plus
采用前后端分离架构，前端选用Vue3+Vite提升开发效率与页面加载速度，Element Plus提供标准化组件，快速实现文件上传、结果可视化、数据统计等功能。针对农业用户操作习惯，简化界面设计，增加图片预览、批量上传、检测结果导出等实用功能，同时支持响应式布局，适配PC端与平板设备（田间现场可便捷操作）。
3. 目标检测算法：YOLOv8/v10/v11/v12对比选型
YOLO系列算法以“速度与精度均衡”为核心优势，适配种子霉变实时检测需求。本次选取近年主流的YOLOv8、v10、v11、v12四个版本，从检测精度、推理速度、部署难度三个维度对比，最终根据场景需求选择最优模型：
- YOLOv8：生态成熟，部署文档丰富，适合快速验证需求，精度与速度表现均衡，但在小目标霉变区域检测上存在漏检风险；
- YOLOv10：引入轻量骨干网络，推理速度较v8提升20%+，适合边缘设备部署，但高精度版本模型体积较大；
- YOLOv11：优化了损失函数与锚框设计，小目标检测精度提升明显，对花生种子表面细微霉变斑点识别更准确，但推理耗时略高于v10；
- YOLOv12：最新版本，在特征融合模块做了迭代，兼顾精度与速度，模型量化后部署效率优异，但社区生态尚不完善，部分部署问题需自行调试。
最终系统采用“多模型适配”方案，提供模型切换功能：批量快速筛查选用YOLOv10（速度优先），精准检测场景选用YOLOv11（精度优先），边缘部署场景选用量化后的YOLOv12。
二、核心模块实现：从算法落地到前后端联调
1. 数据集构建：解决“数据少、标注难”问题
农业场景数据集稀缺是核心痛点，本次通过“自建数据集+数据增强”解决：
数据集采集：联合本地农业合作社，采集不同品种（鲁花11号、花育25号）、不同霉变程度（轻微霉变、中度霉变、重度霉变）、不同光照环境（室内、田间、阴天）的花生种子图片，共采集原始图片2300张，其中霉变样本1500张，正常样本800张。
标注与预处理：使用LabelImg工具标注霉变区域，标注格式为VOC（转换为YOLO所需的txt格式），划分训练集、验证集、测试集比例为7:2:1。针对样本不均衡问题，对霉变样本进行随机翻转、旋转、亮度调整、高斯模糊等数据增强操作，扩充后数据集总量达6900张。同时对图片进行归一化（尺寸统一为640×640）、去噪处理，提升模型泛化能力。
2. 模型训练与优化：落地细节与踩坑记录
训练环境：GPU为NVIDIA RTX 3090（24G显存），系统为Ubuntu 22.04，框架采用PyTorch 2.1，依赖Ultralytics库（YOLOv8/v10/v11/v12统一适配）。
训练参数设置：批量大小（batch size）设为16，初始学习率0.001，采用余弦退火学习率衰减策略，迭代次数100轮，权重初始化使用预训练权重（COCO数据集），避免从零训练导致的收敛缓慢。
关键优化措施：
- 针对小目标霉变斑点：调整锚框尺寸，基于数据集标注信息重新聚类锚框（3组锚框适配不同大小霉变区域），提升小目标召回率；
- 抑制过拟合：加入Dropout层（概率0.2），使用早停策略（验证集mAP连续10轮无提升则停止训练），同时引入L2正则化；
- 模型量化：对训练完成的模型进行INT8量化，通过TensorRT加速，推理速度提升40%+，模型体积缩减60%，适配边缘部署。
训练结果对比：四个版本模型在测试集上的表现如下（mAP@0.5为核心评价指标）：
| 模型版本 | mAP@0.5 | 推理速度（FPS） | 模型体积（量化后） |
|---|---|---|---|
| YOLOv8 | 89.2% | 68 | 12.3MB |
| YOLOv10 | 88.7% | 82 | 10.1MB |
| YOLOv11 | 91.5% | 61 | 13.5MB |
| YOLOv12 | 90.8% | 75 | 9.8MB |
3. 后端接口开发：SpringBoot与YOLO模型集成
核心难点是实现SpringBoot与Python训练的YOLO模型高效交互，本次采用“模型服务化+HTTP调用”方案，避免Java直接调用Python脚本的兼容性问题：
模型服务化：使用FastAPI封装YOLO模型，提供检测接口（POST请求），接收前端上传的图片二进制数据，返回检测结果（霉变区域坐标、置信度、霉变等级）。FastAPI自带异步支持，并发处理能力优于Flask，同时提供自动生成的接口文档，便于联调。
SpringBoot后端架构：采用分层设计，分为Controller（接口层）、Service（业务逻辑层）、Dao（数据访问层）：
- Controller层：提供文件上传、检测结果查询、模型切换、数据统计等接口，例如/upload（图片上传检测）、/result/{id}（查询检测结果）、/model/switch（切换YOLO版本）；
- Service层：处理核心业务逻辑，包括调用FastAPI模型接口、解析检测结果、计算霉变比例、存储检测记录（关联用户ID、图片路径、检测时间）；
- Dao层：使用MyBatis-Plus操作MySQL数据库，实现检测记录的增删改查，同时通过Redis缓存热门模型的元数据（如模型路径、量化参数），减少数据库查询耗时。
关键优化：图片上传前进行压缩处理（限制大小不超过5MB，尺寸压缩至1280×1280以内），减少传输耗时与模型推理压力；接口调用加入超时重试机制（重试3次，间隔1秒），提升系统稳定性。
4. 前端交互实现：贴合农业用户需求
前端核心功能围绕“便捷操作、直观展示”设计，主要页面包括首页、检测页面、历史记录页面、系统设置页面：
检测页面：核心功能区，支持单张/批量上传图片（最多同时上传10张），上传后实时预览，点击“开始检测”后异步调用后端接口，显示加载状态（进度条+动画）。检测完成后，在图片上用红色矩形框标注霉变区域，显示置信度，同时展示霉变等级（轻微/中度/重度）、霉变比例，支持结果图片下载、批量导出检测报告（Excel格式，包含图片路径、检测时间、霉变信息）。
历史记录页面：按时间倒序展示用户所有检测记录，支持按霉变等级、检测时间筛选，点击记录可查看详情（原始图片、检测结果图、模型版本）。
系统设置页面：提供模型切换选项（下拉选择YOLOv8/v10/v11/v12），支持清除缓存、修改密码等功能，同时显示当前系统资源占用情况（CPU、内存使用率），便于用户判断系统状态。
联调踩坑：前端上传批量图片时，需处理跨域问题（后端配置CORS允许前端域名访问）；检测结果图片标注需精准解析后端返回的坐标数据（转换为页面像素坐标），避免标注位置偏移（解决方法：统一图片缩放比例，保持前端预览与模型推理的图片尺寸一致）。
三、系统测试与落地验证
1. 功能与性能测试
功能测试：覆盖不同场景，包括不同霉变程度种子检测、批量上传检测、模型切换功能、结果导出功能，测试通过率100%。针对极端场景（完全霉变种子、无霉变种子、模糊图片），系统能准确识别，无误检、漏检情况（漏检率低于1.2%，误检率低于0.8%）。
性能测试：在并发用户数10的情况下，单张图片检测响应时间平均为300ms（YOLOv10）、450ms（YOLOv11），批量上传10张图片响应时间平均为2.8s，满足农业生产批量检测需求。系统稳定性测试（连续运行24小时，每小时处理100张图片）无异常报错，资源占用稳定（CPU使用率低于40%，内存使用率低于60%）。
2. 实际落地效果
系统在本地农业合作社试点使用，对比传统人工检测：检测效率从每人每天5000粒提升至20000粒，检测准确率从85%提升至91%以上，大幅降低了人工成本与误判风险。同时支持农户自主上传检测，无需专业知识，操作门槛低，获得合作社一致认可。
四、问题与优化方向
1. 现存问题
- 极端光照条件（如强光直射、逆光）下，部分细微霉变斑点检测精度略有下降；
- 模型依赖GPU推理，纯CPU环境下推理速度较慢（约为GPU的1/5），边缘设备部署需进一步优化；
- 数据集仅覆盖2个花生品种，对其他品种的泛化能力有待验证。
2. 后续优化方向
- 扩充数据集：增加更多花生品种、极端光照场景样本，引入迁移学习，提升模型泛化能力；
- 边缘部署优化：基于TensorRT+Jetson Nano构建边缘计算节点，实现无GPU环境下的快速推理；
- 功能扩展：增加种子发芽率预测功能（结合霉变程度与历史数据），引入物联网设备，支持田间实时采集图片并自动检测。
五、总结
本文基于YOLOv8/v10/v11/v12与SpringBoot前后端分离架构，实现了一套高可用、易操作的花生种子霉变识别系统，通过数据集自建、模型优化、前后端高效集成，解决了农业生产中种子霉变检测的痛点。实践表明，YOLO系列算法在农业目标检测场景中具备优异的适配性，前后端分离架构能兼顾系统易用性与可扩展性。
农业智能化的核心是“技术落地”，后续需持续围绕实际生产需求优化系统，降低部署门槛、提升检测精度，让AI技术真正服务于农业生产，助力降本增效。
