摘要
针对寄生虫显微图像分类识别任务中存在的类别形态相似、小目标检测困难等问题，本文基于YOLOv8框架构建了一套包含8类常见寄生虫的自动检测系统。模型共168层，参数量约1113万，在自建数据集（训练集1484张，验证集411张，测试集215张）上进行训练与评估。实验结果表明，模型在验证集上的整体mAP50达到0.873，mAP50-95为0.714，单张图像推理时间仅4.2ms，满足实时检测需求。其中，Ancylostoma Spp、Hymenolepis、Taenia Sp三个类别的mAP50均超过0.94，表现优秀；但Schistosoma类别的mAP50仅为0.732，存在较明显的误检与漏检问题。混淆矩阵分析进一步揭示，Schistosoma与Enterobius Vermicularis易与背景或其他类别混淆。总体而言，所提系统在多数寄生虫类别上具备高精度与高召回能力，具有良好的临床应用与野外筛查潜力。
引言
寄生虫感染是全球范围内尤其是在发展中国家常见的公共卫生问题，快速、准确地识别寄生虫种类对于疾病诊断和治疗具有重要意义。传统的人工镜检方法依赖于专业人员的经验，耗时较长且存在主观误差。近年来，深度学习目标检测技术，特别是YOLO系列模型，因其高效、端到端的检测能力，在医学图像分析领域展现出广泛应用前景。本研究旨在构建一个基于YOLOv8的寄生虫分类识别检测系统，能够自动定位并分类显微图像中的8类常见寄生虫。相较于两阶段检测方法，YOLOv8在保持较高精度的同时具有更优的推理速度，适合部署于资源受限的现场检测环境。本文系统评估了模型在多类别、类别不均衡和小目标情况下的表现，重点分析了易混淆类别的误检模式。通过该系统，有望辅助临床检验人员提高寄生虫检测效率与准确性，为智能化寄生虫病诊断提供技术支撑。
目录
摘要
引言
功能模块
1、用户管理模块
2、界面与交互模块
3、检测源管理模块
4、检测参数配置模块
5、YOLO检测核心模块
6、结果显示模块
7、结果保存模块
8、工具栏功能
9、辅助功能
10、数据校验模块
背景
数据集介绍
训练过程
训练结果
整体表现评价（宏观）编辑
各类别识别表现编辑
混淆矩阵分析（重点）编辑编辑
表现好的类别：
主要混淆对：
F1-置信度曲线编辑
训练过程分析（results.png）编辑
常用标注工具
功能模块
✅ 用户登录注册：支持密码检测，密码加密。
注册
登录
✅ 图片检测：可对图片进行检测，返回检测框及类别信息。
✅参数实时调节（置信度和IoU阈值）
✅ 支持选择检测目标：可以选择一个或者多个类目的目标进行检测
✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
背景
寄生虫病如钩虫、蛔虫、蛲虫、肝片吸虫、绦虫、血吸虫等，对人类健康构成严重威胁。据统计，全球超过10亿人受到至少一种土壤传播寄生虫的影响。传统诊断方法主要依赖显微镜下的人工形态学鉴定，这不仅要求检验人员具备丰富的专业知识，而且在大规模筛查中效率低下，易因疲劳导致漏检或误判。随着数字病理与人工智能技术的发展，基于深度学习的自动检测方法逐渐成为研究热点。
其中，目标检测模型能够同时完成目标的定位与分类，更符合临床显微图像分析的实际需求。YOLOv8作为当前最先进的一阶段目标检测算法之一，在COCO等通用数据集上表现出优异的精度与速度平衡。然而，在寄生虫检测这一特定领域，存在类别间形态相似（如不同虫卵）、背景复杂、目标尺寸小等挑战。因此，构建一个针对多类别寄生虫的高效检测系统，并深入分析其在各类别上的表现瓶颈，对于推动AI辅助寄生虫病诊断的落地应用具有重要意义。
数据集介绍
本研究所用数据集为自行采集与标注的寄生虫显微图像数据集，共包含8类常见寄生虫，分别为：Ancylostoma Spp（钩虫）、Ascaris Lumbricoides（蛔虫）、Enterobius Vermicularis（蛲虫）、Fasciola Hepatica（肝片吸虫）、Hymenolepis（膜壳绦虫）、Schistosoma（血吸虫）、Taenia Sp（带绦虫）和Trichuris Trichiura（鞭虫）。
数据集总计2110张图像，按照7:2:1的比例划分为训练集、验证集和测试集，其中训练集1484张，验证集411张，测试集215张。
训练过程
训练结果
整体表现评价（宏观）
-
模型规模：168层，约1113万参数，属于轻量级到中等级别的模型，适合部署在计算资源有限的环境（如边缘设备）。
-
总体mAP：
-
mAP50 = 0.873（较好）
-
mAP50-95 = 0.714（中等偏上）
-
-
速度：单张推理约4.2ms，预处理0.3ms，后处理0.9ms，整体约5.4ms/张，实时性高。
总体结论：模型训练效果良好，具备实际部署潜力。
各类别识别表现
| Ancylostoma Sp | 0.862 | 0.957 | 0.964 | 0.792 | 优秀 |
| Hymenolepis | 0.841 | 0.900 | 0.942 | 0.789 | 优秀 |
| Taenia Sp | 0.939 | 0.940 | 0.940 | 0.759 | 优秀 |
| Fasciola Hepatica | 0.780 | 0.838 | 0.878 | 0.739 | 良好 |
| Ascaris Lumbricoides | 0.837 | 0.769 | 0.837 | 0.654 | 召回偏低 |
| Enterobius Vermicularis | 0.682 | 0.789 | 0.778 | 0.655 | 精度偏低 |
| Schistosoma | 0.609 | 0.643 | 0.732 | 0.525 | 表现最差 |
混淆矩阵分析（重点）
从归一化混淆矩阵可以看出：
表现好的类别：
-
Ancylostoma Sp：97% 正确识别
-
Taenia Sp：92% 正确识别
-
Hymenolepis：88% 正确识别
主要混淆对：
| Schistosoma | 背景 | ~21% |
| Schistosoma | Ancylostoma | ~14% |
| Enterobius | 背景 | ~17% |
| Enterobius | Schistosoma | ~5% |
| Ascaris | Taenia | ~5% |
F1-置信度曲线
-
全部类别的最大F1 = 0.82 @ 置信度阈值 0.509
-
推荐部署时使用 置信度 ≥ 0.5 以平衡精度与召回
训练过程分析（results.png）
从损失曲线和指标趋势推测（虽然图像数值有重叠）：
-
训练损失持续下降，无明显过拟合
-
mAP50、mAP50-95 在后期趋于平稳
-
精度/召回曲线稳定
训练过程收敛良好，无显著异常
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：
