项目介绍
基于YOLO的咖啡果实成熟度检测系统，整体采用前后端分离架构实现。前端基于 Vue3 与 Element Plus 构建交互界面，负责用户登录、图片上传、识别结果展示、历史记录查询和用户管理等功能；后端基于 Flask 搭建 RESTful API，负责鉴权控制、业务处理、文件管理、模型推理和数据持久化。算法部分采用 YOLOv8n 轻量化目标检测模型，对上传的咖啡果实图像进行自动识别，并输出未熟、半熟、成熟、过熟、干果等类别统计结果。系统在识别完成后会自动保存原图、结果图及识别记录，支持普通用户查看个人历史记录，管理员进行统一用户管理。
选题背景与意义
咖啡果实成熟度是影响咖啡豆品质、采摘时机和后续加工效果的重要因素。在传统生产过程中，果实成熟状态通常依赖人工观察颜色和经验进行判断，这种方式存在主观性强、效率低、易受光照环境和人员经验影响等问题。当种植规模扩大后，仅依靠人工完成成熟度筛查会显著增加劳动力成本，也不利于标准化和精细化管理。随着计算机视觉和深度学习技术的发展，利用目标检测模型对农作物进行智能识别已经成为智慧农业的重要研究方向。将 YOLOv8n 应用于咖啡果实成熟度检测，不仅能够提升识别速度与自动化水平，还能为采摘决策、果实分级、产量统计和质量控制提供数据支撑。
关键技术栈：YOLOv8
YOLOv8 是 Ultralytics 推出的单阶段目标检测系列模型，具有结构简洁、推理速度快、部署方便和工程适配能力强等特点。与传统两阶段检测算法相比，YOLOv8 可以直接在单次前向传播中完成目标定位与类别预测，因而更适合需要实时性或快速响应的农业识别场景。本项目选用其中的轻量化版本 YOLOv8n 作为核心识别模型，一方面能够在普通硬件环境下完成较快推理，另一方面也便于后续在边缘设备或资源受限平台上扩展部署。在系统实现中，后端通过 ultralytics 库动态加载 best.pt 权重文件，对用户上传图像执行预测，并从检测结果中提取每一类咖啡果实的数量统计、主导成熟度类别及可视化标注图像。结合 Flask 服务封装后，YOLOv8n 不再只是独立算法模型，而是被整合进完整业务系统，实现了“上传图片-执行识别-保存结果-前端展示”的闭环流程，体现了算法模型向应用系统落地的工程价值。
