绿萝病害检测系统

突破 A：从零构建数据集

绿萝病害无公开数据集可用——这是最大的起点障碍。整个数据工程过程：

• 实地/网络采集绿萝不同生长阶段图片（爆盆期 / 生长期 / 扦插期 / 幼苗期），覆盖不同光照和角度条件
• 用 LabelImg 手工标注 4 类病害边界框（叶斑病 / 叶枯病 / 根腐病 / 正常健康，每类约 100 张）
• PascalVOC 格式导出，处理类别不平衡（部分病害样本稀少）
• 完整走通了 CV 项目最耗时但最关键的数据工程环节

突破 B：资源约束下的模型调优

硬件约束：RTX 4060 Laptop 仅 8GB 显存。在有限算力下完成全训练流程：

• Mosaic + MixUp 数据增强缓解小样本过拟合
• FocalLoss 处理类别不平衡问题
• batch-size 从默认 16 降到 8、input-resolution 从 640 调到 512 以适配显存
• 迁移学习：COCO 预训练权重 warm-up 前 3 个 epoch
• 推理端：OpenCV DNN 模块加载 ONNX 格式模型（无需 PyTorch 运行时）

工程化部署形态

模型封装为本地 Python GUI 工具（tkinter 界面），支持两种使用模式：

• 图片批量检测模式：拖入文件夹自动逐张识别并保存结果 CSV
• 实时摄像头模式：USB 摄像头 15fps 实时框选病害区域（含 NMS 非极大值抑制后处理）

覆盖了计算机视觉项目的完整生命周期：数据采集 → 标注 → 模型训练 → 导出优化 → 应用部署。

技术栈