一、项目演示视频
基于「YOLO目标检测 + 多模态AI分析」的植物病害检测分析系统(vue+flask+数据集+模型训练)
二、技术栈
- 前端技术栈 (web-vue)
核心框架: Vue 3.5.13 (Composition API)
UI组件库: Element Plus 2.9.4
状态管理: Pinia 2.3.1
路由管理: Vue Router 4.5.0
HTTP客户端: Axios 1.7.9
图表可视化: ECharts 5.6.0
文档渲染: Marked 16.1.2
构建工具: Vite 6.1.0 + TypeScript 5.7.2 - 后端+算法端技术栈 (web-flask)
核心框架: Flask (Python)
数据库: SQLite 3
身份认证: JWT
图像处理: OpenCV + NumPy
深度学习: YOLOv8/YOLO11/YOLO12
大语言模型: Qwen-VL的API接口
三、功能模块
核心创新点
- 多类型病害检测: 支持30种常见植物病害的智能识别和分类
- 多模态检测方式: 支持图片、视频、实时摄像头三种检测模式
- YOLO模型集成: 集成YOLOv8/YOLO11/YOLO12等先进目标检测模型
- 智能检测分析: 基于AI的植物病害自动识别和定位
- 分层权限管理: 支持管理员和普通用户的差异化功能访问
- 完整工作流程: 从数据集管理到模型训练再到病害检测的完整闭环
- 多模态大模型辅助分析：使用多模态大模型根据YOLO检测识别结果和图片进一步分析并给出合理建议(属于图片识别功能模块)
应用场景
- 农业生产企业: 作物种植过程中的病害监测和识别
- 农业技术服务机构: 专业的植物病害诊断服务
- 农业科研院所: 植物病理学研究和病害防治研究
- 教育培训: 植物病害识别和防治的教学演示
四、项目链接
链接: https://pan.baidu.com/s/1wQ9dJpimiNd49zes5pDGHQ?pwd=vb6r 提取码: vb6r
- 完整系统源码
(1)前端源码(web-vue)
(2)后端+算法端源码(web-flask)
(3)模型训练代码(other/model_train/detect) - 项目介绍文档
(1)项目概述
(2)项目技术栈
(3)项目目录结构
(4)系统架构图、功能模块图 - 项目启动教程
(1)环境安装教程(视频+文档)
(2)系统启动教程(视频+文档) - 植物病害检测数据集(30类)
(1)总样本数：2328
(2)训练集：1629 (用于模型训练)
(3)验证集：465 (用于模型验证和性能调优)
(4)测试集：234 (用于模型最终性能评估)
(5)类别：苹果黑星病叶片、苹果叶片、苹果锈病叶片、甜椒叶片、甜椒叶斑病、蓝莓叶片、樱桃叶片、玉米灰叶斑病、玉米叶枯病、玉米锈病叶片、桃叶片、马铃薯叶片、马铃薯早疫病、马铃薯晚疫病、覆盆子叶片、大豆叶片、南瓜白粉病叶片、草莓叶片、番茄早疫病叶片、番茄叶斑病、番茄叶片、番茄细菌性斑点病、番茄晚疫病叶片、番茄花叶病毒、番茄黄化病毒、番茄霉病叶片、番茄双斑叶螨叶片、葡萄叶片、葡萄黑腐病叶片 - 已经训练好的模型和测试结果(精度如下)
(1)precision: 0.459 (精确率)
(2)recall: 0.533 (召回率)
(3)mAP50: 0.533 (IoU阈值0.5时的平均精度)
(4)mAP50-95: 0.359 (IoU阈值0.5-0.95的平均精度)
(5)基于YOLO v8架构的深度学习模型，针对植物病害特征优化
(6)部分类别检测精度表现优秀：玉米锈病叶片(mAP50: 0.962)、葡萄黑腐病叶片(mAP50: 0.995)、草莓叶片(mAP50: 0.871)等