摘要准确识别药物种类及其外观特征是保障用药安全、实现自动化药房管理的关键技术环节。针对当前药物检测中存在的种类繁多、外观相似度高、人工核对效率低等问题本文基于YOLOv8目标检测算法构建了一套药物识别检测系统。系统共涵盖8个类别包括4种药物类型Cipro 500、Ibuphil 600 mg、Ibuphil Cold 400-60、Xyzall 5mg及4种颜色特征蓝、粉、红、白。数据集共包含451张标注图像按约7:2:1比例划分为训练集、验证集和测试集。实验结果表明模型在验证集上的平均精度均值mAP50达到0.95精确率与召回率均为0.95F1值最高为0.86。混淆矩阵分析显示各类别间分类良好仅存在少量相似药物间的误判。损失曲线平稳下降未出现明显过拟合。该模型在药物识别任务中表现出高准确率与良好的泛化能力具备实际部署于智能药房或辅助用药识别场景的潜力。引言随着医疗资源的紧张和用药复杂度的增加药物识别错误已成为用药安全事故的重要诱因之一。传统的人工核对方式依赖药师经验效率低且易受疲劳影响。近年来计算机视觉技术的快速发展为自动化药物识别提供了新的解决方案。其中基于深度学习的目标检测算法能够在单张图像中同时完成药物定位与分类具有较高的实用价值。YOLOYou Only Look Once系列算法因其检测速度快、精度高在工业检测、智能医疗等领域得到广泛应用。YOLOv8作为该系列的最新版本进一步优化了特征提取网络与损失函数在小目标检测与类别不均衡场景下表现优异。本文旨在构建一套基于YOLOv8的药物识别检测系统面向常见口服药及其颜色特征进行建模与评估为智能用药核对系统提供视觉感知基础。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核心性能指标混淆矩阵分析来自 confusion_matrix.png 和归一化版本​编辑​编辑F1曲线与P/R曲线​编辑​编辑训练损失分析来自 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、用户管理模块功能描述用户注册用户名、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、界面与交互模块功能描述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、检测源管理模块功能描述图片检测支持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、检测参数配置模块功能描述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检测核心模块功能描述模型加载加载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、结果显示模块功能描述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、结果保存模块功能描述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、工具栏功能功能描述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、辅助功能功能描述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/GPU10、数据校验模块功能描述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用药错误是全球医疗机构面临的共性问题。据统计药物混淆、剂量误判及药品外观相似导致的给药错误占用药安全事故的相当比例。尤其是在医院药房、家庭用药及老年人照护场景中快速准确地识别药物种类成为保障患者安全的重要前提。传统药物识别依赖条码扫描或人工核对前者受限于包装完整性后者受限于人员经验与注意力。基于图像的药物识别技术无需额外设备仅依靠普通摄像头即可完成具备成本低、易部署的优势。近年来深度学习目标检测算法在图像识别任务中取得突破性进展。YOLOv8在保持高帧率检测的同时提升了小目标与密集目标的识别能力非常适合药物这种类别相似度高、尺寸差异小的检测任务。因此开发基于YOLOv8的药物识别系统具有明确的技术可行性与现实应用价值。数据集介绍本实验所使用的药物图像数据集为自建数据集共包含451张图像涵盖8个检测类别。类别包括4种具体药物Cipro 500、Ibuphil 600 mg、Ibuphil Cold 400-60、Xyzall 5mg以及4种药物颜色特征蓝色blue、粉色pink、红色red、白色white。训练过程训练结果核心性能指标指标最终值评价mAP500.9595%优秀检测准确率高mAP50-950.25一般说明对高IoU要求的定位精度有提升空间Precision0.95虚检率低Recall0.95漏检率低模型在药物识别任务上表现非常可靠适合实际应用。混淆矩阵分析来自confusion_matrix.png和归一化版本对角线值高如 Cipro 500 → 0.81说明大部分药物分类正确。存在少量类别间混淆Ibuphi 600 mg与Ibuphi Cold 400-60可能外观相似颜色类别blue / pink / red / white之间存在轻微误判分类性能良好若药物外观高度相似建议增加数据或使用更高分辨率输入。F1曲线与P/R曲线最大F1值0.86 置信度 0.165对所有类别平均最佳精度1.00 置信度 0.982说明高置信度下几乎无误检召回率最高0.99 置信度 0.000即几乎不漏检模型可以通过调整置信度阈值来适应不同场景训练损失分析来自results.pngtrain/box_loss,cls_loss,dfl_loss均稳定下降val/box_loss,cls_loss同样下降无明显过拟合训练到 100 个 epoch 时损失趋于平稳训练过程稳定模型已充分收敛。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