基于深度学习的口腔疾病图像识别系统

摘要：口腔疾病是影响人类健康的常见疾病，传统的口腔疾病诊断依赖于专业医生的经验判断，存在效率低、主观性强等问题。随着深度学习技术的快速发展，基于计算机视觉的智能检测方法为口腔疾病的早期筛查和辅助诊断提供了新的解决方案。本文设计并实现了一个基于YOLOv8深度学习算法的口腔疾病智能检测系统，旨在提高口腔疾病检测的准确性和效率

项目简介

基于YOLOv8深度学习算法的口腔疾病智能检测系统，支持6种常见口腔疾病的自动识别与可视化分析。

系统概述

本系统采用YOLOv8目标检测算法作为核心检测引擎，能够识别牙结石（Calculus）、龋齿（Caries）、牙龈炎（Gingivitis）、牙齿缺失 （Hypodontia）、口腔溃疡（Mouth Ulcer）和牙齿变色（Tooth Discoloration）等6种常见口腔疾病。在系统架构上，后端采用Django框架构建RESTful API，实现用户认证、图像上传、模型推理和 结果管理等功能；前端采用Vue.js框架开发，提供友好的用户交互界面，支持图像上传、检测结果可视化、历史记录查询和数据统计分 析等功能。系统采用MySQL数据库存储用户信息和检测记录，通过JWT令牌实现安全的身份认证机制。

系统的主要功能包括：（1）口腔图像智能检测，支持实时上传图像并返回检测结果；（2）检测结果可视化展示，在原图上标注疾病位置和类别；（3）历史记录管理，支持检测记录的查询、筛选和删除；（4）数据统计分析，提供疾病分布、检测趋势等可视化图表；（5）用户权限管理，区分管理员和普通用户角色。系统的主要功能包括：（1）口腔图像智能检测，支持实时上传图像并返回检测结果；（2）检测结果可视化展示，在原图上标注疾病位置和类别；（3）历史记录管理，支持检测记录的查询、筛选和删除；（4）数据统计分析，提供疾病分布、检测趋势等可视化图表；（5）用户权限管理，区分管理员和普通用户角色。

实验结果表明，该系统能够准确识别多种口腔疾病，具有良好的检测性能和用户体验，可为口腔疾病的早期筛查和辅助诊断提供有效的技术支持，具有一定的实用价值和推广前景。

系统架构

本系统采用经典的架构设计：

图1 深度学习的苹果产量预测系统

核心亮点

本系统以 YOLOv8 目标检测为核心，融合特征工程、回归预测与可视化界面，实现了苹果果实识别、数量统计和产量估算的一体化智能分析。

算法特点

本算法以 YOLOv8 目标检测为基础，融合果实数量、置信度、直径、重量及尺寸分布等多维特征，并结合回归模型完成苹果产量预测， 具有检测与预测一体化的特点。

性能突破

本文在苹果目标检测数据集上开展实验，数据集共包含 1822 张图像和 15309 个标注框，其中训练集 1275 张、验证集 364 张、测试集 183 张。通过 150 轮训练，YOLOv8 模型能够较好地完成苹果果实检测任务，为后续产量预测提供了有效支撑

图2 基线模型性能分析图

核心技术

YOLOv8轻量级目标检测模型，结合高效特征提取与多尺度特征融合技术，在家居场景火焰烟雾数据集（10,156张图像，12,372个标注框）上训练150轮，实现对火焰与烟雾两类目标的高精度实时识别，并结合可视化界面、风险预警和语音播报提升家庭消防安全监测能力。

算法详解

YOLOv8 是 Ultralytics 推出的新一代目标检测模型，在网络结构、检测头设计、损失函数和训练策略等方面对 YOLOv5 进行了优化。该模型提供 N、S、M、L、X 等多种尺度版本，以适应不同场景需求。相比 YOLOv5，YOLOv8 将 C3 模块替换为 C2f 模块，增强了特征提取能力；采用解耦头和 Anchor-Free 机制，提高了检测精度与收敛效率；在损失计算中引入 TaskAlignedAssigner 和 Distribution Focal Loss，增强了边界框回归能力；同时在训练后期关闭 Mosaic 数据增强，进一步提升模型精度与泛化性能。

图3 YOLOv8网络架构图

技术优势分析

YOLOv8 是一种兼顾检测精度与推理效率的单阶段目标检测模型，在苹果果实识别任务中具有较好的应用潜力。其网络结构通过优化特 征提取与特征融合过程，增强了模型对复杂场景目标信息的表达能力。模型中引入的 SPPF 模块进一步提升了多尺度特征表征能力，使 其能够有效识别苹果在不同尺度、不同遮挡程度及不同光照条件下的视觉特征。与此同时，YOLOv8 采用解耦检测头，将分类与边界框 回归任务分离处理，从而提高了模型的训练稳定性和检测精度。实验结果表明，在苹果目标检测数据集（1822 张图像，15309 个标注框）上训练 150 轮后，YOLOv8 对苹果目标取得了较好的识别效果（mAP@0.5 达到 96.1%），能够较好地满足果园场景下果实计数与产量预测的实际需求。

系统功能

本系统集成用户登录注册、图像/视频/摄像头苹果目标检测、果实数量统计、产量预测、检测结果存储及统计分析等功能。

功能概述

本系统面向苹果果实检测与产量预测需求，基于 YOLOv8 目标检测模型实现对图像、视频及摄像头实时画面中苹果目标的识别、定位与可视化展示；系统提供用户登录注册与管理功能，能够对 检测结果进行果实数量统计，并结合特征工程与回归模型完成产量预测，同时将检测结果与分析数据进行存储和展示，在统计分析模块 中实现检测与预测结果的综合呈现，为果园智能化管理和苹果产量估算提供一体化支持。

系统流程图

系统采用 Python 3.12 开发，基于 Ultralytics YOLOv8 框架实现苹果果实目标检测，使用 PyQt5 构建图形化界面，通过 OpenCV 处理图像、视频和摄像头数据，并结合特征工程与回归分析实现产量预测；同时采用 SQLite 数据库存储用户信息，并对检测结果和分析数据进行管理与展示。系统面向苹果果实检测与产量预测需求，集成用户登录注册、图片检 测、视频检测、实时检测、果实计数、产量预测、结果存储与统计分析等功能，为果园智能化管理提供了一体化技术支持。

图4 系统总流程图

系统优势

本系统基于 YOLOv8 目标检测模型，能够较准确地完成苹果果实识别与数量统计，并结合特征工程和回归模型实现产量预测，具备检测 与预测一体化的特点。相比传统人工统计方式，系统具有自动化程度高、处理效率快、结果一致性好等优势。与此同时，系统支持图像 、视频和摄像头等多种输入方式，并结合 PyQt5 构建可视化界面，具备较好的交互性、实用性和扩展性，可为果园智能管理和苹果产量估算提供有效支持。

运行展示

系统界面采用模块化布局设计，包含顶部状态栏、标签页功能导航和中部主显示区域。系统能够完成图像、视频及摄像头场景下的苹果目标检测，并对检测结果进行可视化展示，同时支持果实数量统计、产量预测及统计分析等功能，具有界面清晰、交互友好和操作便捷等特点。

检测效果展示

登录界面：

图5 登录主界面

用户登录界面，展示系统入口

图6 注册主界面

用户注册界面，新用户创建账号

系统运行模块：

图7 系统运行界面

图8 图片检测-检测完成

图9 图片检测-预测产量

图10 图片检测-CSV导出

图11 图片检测-报告导出

图12 图片检测-CSV导出

图13 视频检测-预测产量

图14 视频检测-CSV导出

图15 视频检测-报告导出

图16 视频检测-实时检测

图17 实时检测-捕获当前帧

图18 整园预测

图19 预测分析-产量分布

图207 预测分析-产量指标

图21 预测分析-尺寸占比

图22 预测分析-质量分析

图23 设置

数据集与训练

本文构建了苹果目标检测数据集，共包含 1822 张图像与 15309 个标注框，其中训练集 1275 张、验证集 364 张、测试集 183 张。模型训练采用 YOLOv8 目标检测框架，输入图像尺寸设为 640×640，batch size 为 8，优化器为 SGD，训练轮数为 150。在 NVIDIA GeForce RTX 4070 Ti SUPER 显卡环境下完成训练后，模型在验证集上取得了较好的检测效果（mAP@0.5 达到 96.1%，mAP@0.5:0.95 达到 65.6%），能够满足苹果果实识别与数量统计任务需求。

数据集构建

本文构建并使用苹果目标检测数据集开展实验研究。该数据集以果园场景中的苹果果实为目标对象，包含不同光照、拍摄角度和背景条 件下采集的图像数据，同时覆盖果实在密集分布、局部遮挡和尺度变化等情况下的视觉特征，具有较好的场景代表性。数据集共包含 1822 张图像和 15309 个标注框，其中训练集 1275 张、验证集 364 张、测试集 183 张，对应标注框数量分别为 10573、3040 和 1696。该数据集为 YOLOv8 模型训练、性能验证以及后续系统部署提供了可靠的数据基础。

图24 数据集划分及类别信息统计示意图

数据集增强

训练阶段采用Mosaic拼接、随机翻转、HSV色彩扰动、随机擦除等数据增强策略，提升模型对不同光照、角度和遮挡条件下的泛化能力。

图25 图像增强

训练流程

模型训练采用端到端的方式，首先加载训练集和验证集进行数据预处理，然后加载 YOLOv8n 预训练权重进行模型初始化，接着使用 SGD 优化器进行 150 轮迭代训练，每轮训练后在验证集上评估性能指标，系统自动保存验证集上性能最佳的模型权重，最终输出完整 的性能指标和训练曲线。

图26 模型训练流程

训练流程：
1. 开始训练 → 加载训练集和验证集进行数据预处理
2. 模型初始化 → 加载YOLOv8预训练权重（yolov8n.pt），使用标准YOLOv8架构
3. 模型训练 → 使用SGD优化器进行150轮迭代训练，应用数据增强技术
4. 模型验证 → 每轮训练后在验证集上评估性能指标（Precision, Recall, mAP@0.5, mAP@0.5:0.95）
5. 最佳模型保存 → 系统自动监控验证性能，保存验证集上性能最佳的模型权重（best.pt）
6. 训练完成 → 输出完整的性能指标报告和训练曲线图

训练配置

硬件环境:

软件环境

训练超参数

学习率调度策略

学习率调度策略采用线性衰减方式，前3个epoch进行warmup预热，学习率从0线性增长到初始学习率0.01，之后按线性方式从0.01逐步衰减到最终学习率0.0001。

训练结果

训练曲线分析：

下图展示了模型在150轮训练过程中的完整性能变化，包括损失函数曲线和精度指标曲线：

图27 训练曲线分析

图中展示了10个关键指标的训练过程：训练损失（box/cls/dfl）、验证损失（box/cls/dfl）、精确率、召回率、mAP@50和mAP@50-95

（1）损失函数曲线

从训练结果可以看出，模型在训练过程中各项损失函数均呈现稳定下降趋势，说明 YOLOv8 模型能够较好地学习苹果果实目标特征。其中，train/box_loss 由约 1.40 下降至 1.23，train/cls_loss 由约 1.40 下降至 0.65，train/dfl_loss 由约 1.37 下降至 1.23；验证集上的 val/box_loss、val/cls_loss 和 val/dfl_loss 也表现出与训练集基本一致的下降趋势，且整体曲线变化平滑、波动较小，表明模型训练过程较为稳定，未出现明显的过拟合现象。

（2）精度指标曲线

从精度指标变化情况来看，模型各项性能指标均随训练轮次增加而持续提升。Precision 曲线由初始约 80.4% 逐步提升并最终稳定在 93.8%；Recall 曲线由初始约 79.8% 稳步上升至 90.2%；mAP@0.5 由初始约 89.1% 快速提升，最终达到 96.1%；mAP@0.5:0.95 由初始约 53.1% 持续增长至 65.6%。从整体趋势看，模型训练过程大致经历了快速提升、稳定优化和收敛趋稳三个阶段，最终在验证 集上取得了较好的检测效果，说明所构建的 YOLOv8 模型在苹果目标检测任务中具有较高的精度和良好的收敛性。

（3）Precision-Recall 曲线

图28 Precision-Recall 曲线

展示模型在不同置信度阈值下的精确率和召回率关系

（4）混淆矩阵（归一化）

图29 归一化混淆矩阵

归一化混淆矩阵展示模型的分类准确性

最佳模型选择

在模型训练过程中，系统依据验证集性能指标自动保存最优模型权重，并以验证集mAP@0.5:0.95作为最佳模型判定标准。当该指标达到当前训练过程中的最高值时，对应模型权重将被保存为best.pt。本次实验中，最优模型出现在第150轮，其验证集mAP@0.5:0.95为0.905，模型文件保存于scripts/runs/train/yolo11_P2_MDH/weights/best.pt

训练稳定性分析

• 收敛速度：前30轮快速收敛（53.1%% → 62.1%），30-90轮稳定提升，90轮后收敛
• 过拟合控制：训练集与验证集损失走势一致，无过拟合
• 训练稳定性：损失曲线平滑，学习率逐步衰减，训练稳定
• 最终状态：最佳模型第150轮，mAP@50-95达65.6%

项目资源

我们提供项目的完整技术资源，包括源代码、训练脚本、配置文件、数据集和模型权重等全部内容。代码采用模块化设计，结构清晰，注释完善，支持完全复现论文中的所有实验结果。项目提供详细的文件清单和技术架构说明(网页已经提供)，帮助用户快速理解项目结构，便于二次开发和功能扩展。所有资源均已开源，遵循AGPL-3.0协议，用户可自由使用、修改和分发。

关于项目

原创论文

原创论文：基于深度学习的苹果产量预测的系统设计与实现 注意：需要另外付费购买！

作者信息

作者：Bob (张家梁)
项目编号：YI_4 & Datasets-18
原创声明：本项目为原创作品

开源协议

本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。