🎯 FlocAnalyzer - 絮团检测与分析系统

基于 YOLOv8 + PyQt5 的絮团图像识别、测量、可视化与报告生成系统

---

📸 系统截图

示例界面展示

---

---

🧰 功能特色

• 🔍 使用 YOLOv8 分割模型检测图像中的絮团对象
• 📐 自动计算形态学参数（面积、周长、圆度、等效直径、分形维数等）
• 📊 绘制统计图表（直方图、散点图、箱线图等）
• 🖼 处理图像可视化、标注、导出
• 📄 一键生成图像分析报告（PDF）
• 📁 支持批量任务处理与报告生成
• 🆘 内嵌可视化中文帮助文档

---

🎯 目标用户（Target Users）

本项目主要面向以下用户群体：

• 海洋环境科学研究人员
  需要对水体中絮团颗粒进行高效、准确的图像识别与形态学分析，以支持海洋污染监测和沉积物研究。

• 环境工程师与技术人员
  通过自动化工具辅助处理絮团图像，提升数据处理效率，辅助环境治理决策。

• 计算机视觉与人工智能开发者
  希望基于 YOLOv8 深度学习框架，构建或定制图像识别与分析系统的开发者和研究者。

• 高校师生及科研团队
  适合用于教学演示、科研实验及课题开发，提供图形化操作界面与多参数分析功能。通过本系统，用户可以快速完成絮团图像检测、形态参数测量及统计分析，极大提升工作效率与研究质量。

🚀 快速开始（Quick Start）

1. 安装依赖

pip install -r requirements.txt

2. 下载 YOLOv8 分割模型

请从我们的代码库中获取模型权重 .pt 文件，并放入模型路径。

3. 运行主程序

python main.py

---

📁 项目结构

floc-analysis-system/
├── main.py                # 主程序入口
├── requirements.txt       # Python 依赖库
├── README.md              # 项目说明
├── .gitignore             # Git 忽略规则
├── teaching.html          # 可视化内嵌帮助页面
├── assets/                # 存放模型、截图、图示等
│   └── demo.png

---

✅ 已实现功能

• YOLOv8 分割模型接入
• 图像中絮团目标检测
• 多参数形态学指标测量
• 图表分析和交互式统计
• PDF 报告生成
• 批量任务处理
• 可视化中文帮助页面

---

📌 TODO（未来功能）

• 模型训练数据集标注指南
• 多模型版本切换
• Mac/Linux 平台自动打包支持
• CLI 无界面批处理模式
• 数据导出为 Excel 格式

---

📜 License

本项目遵循 MIT License。

---

🙋‍♀️ 作者与联系方式

本项目由 Ya Wu 开发完成，欢迎引用、交流与合作。

• 📧 邮箱：wuya@mail2.sysu.edu.cn
• 🏫 中山大学
• 🤝 合作请联系开源主页或 issue 区留言

---

🎓 学术引用（Citation）

如果您在科研工作中使用了本项目或其相关成果，请按以下格式引用：

@misc{Wu2025FlocAnalyzer,
  author       = {Wu, Ya},
  title        = {FlocAnalyzer: A YOLOv8 + PyQt5 Based Floc Detection and Analysis System},
  howpublished = {\url{https://github.com/wuya521/floc-analysis-system}},
  year         = {2025},
  note         = {访问日期：2025年6月21日}
}

---

🚩 常见问题（FAQ）

Q1: 这个系统支持哪些图像格式？
A: 支持常见的图像格式，如 PNG、JPEG、TIFF 等。

Q2: 如何获取 YOLOv8 的模型权重？
A: 你可以从 Ultralytics 官网下载预训练模型，或者使用自己的训练权重。

Q3: 是否支持批量处理多张图片？
A: 是的，系统支持批量图像的检测和分析，并自动生成对应的报告。

Q4: 系统对硬件环境有什么要求？
A: 推荐使用具备 GPU 加速的环境以获得更快的检测速度，但 CPU 也可运行。

Q5: 如何报告 Bug 或提出功能建议？
A: 请在 GitHub 仓库的 Issue 区提交，或通过邮箱联系作者。

Q6: 是否支持在 Mac 或 Linux 平台运行？
A: 当前主要支持 Windows，未来计划完善跨平台支持。

如果你有更多问题，欢迎在 GitHub Issue 区留言，我们会及时回复！

---

📄 相关论文

应用我们相关方法的研究成果已经发表于国际权威期刊 Water Research：

--Ya Wu, Leiping Ye, Jie Ren, Jiaxue Wu,
--Predicting suspended floc size in estuarine waters using self-adaptive parameterized physics-informed neural networks,
--Water Research, Volume 285, 2025, 124094,
--https://doi.org/10.1016/j.watres.2025.124094
--[ScienceDirect 文章链接]

摘要：

本研究提出了一种自适应参数化物理信息神经网络（SAP-PINNs）模型，动态优化絮团动力学方程中的聚并、破碎和侵蚀参数，提升了絮团粒径预测的精度和物理一致性。实验和现场验证结果表明，该模型在不同水动力条件下均表现出良好的预测能力，相较传统模型精度提升达 88.31%。此外，基于 SHAP 分析揭示了剪切力和盐度为主要影响因子。该方法为河口与近海水体的泥沙输移与水质管理提供了新工具。

❤️ 致谢

感谢以下项目提供基础支持：

• Ultralytics YOLOv8
• PyQt5
• reportlab
• Matplotlib

---

👥 参与人员

• Ya Wu — 项目主要开发者，负责系统架构设计与核心代码实现 ，算法优化与模型训练支持。
• Ying Chen — 实验设计与构建 , 核心絮团训练数据标注与测试支持。