文章结尾部分有CSDN官方提供的学长 联系方式名片
文章结尾部分有CSDN官方提供的学长 联系方式名片
文章结尾部分有CSDN官方提供的学长 联系方式名片
文章结尾部分有CSDN官方提供的学长 联系方式名片
关注B站，有好处！
B站号： 麦麦大数据
功能介绍
编号：F045
vue+flask+neo4j+mysql 架构 （前后端分离架构）
棉花医院AI问答：前端聊天界面体验超棒（对接千问大模型API）
病虫害图片识别：基于CNN的棉花病虫害识别，可自己训练模型（基于pytorch）
数据为棉花的四个期对应的 各种虫害
知识图谱： 模糊查询+图标+双击+拖动等（双击展示数据）
数据大屏：中国地图显示产地： echarts 分析
病虫害查询： 分页+模糊查询+卡片展示
棉花生长周期：展示4个周期
关键词分析等、登录注册
1 视频讲解
F045vue+flask棉花病虫害CNN识别+AI问答知识neo4j 图谱可视化系统深度学习神经网络
2 架构
功能简介
本系统是一个基于Vue+Flask构建的棉花病虫害AI识别与知识图谱可视化系统，旨在为棉花种植提供智能化的病虫害识别、AI问答以及知识管理服务。系统的核心功能模块包括：AI问答系统，提供与千问大模型对接的智能问答服务，支持用户就棉花病虫害相关问题进行提问；病虫害图片识别模块，基于CNN深度学习模型实现棉花病虫害的图像识别，并支持模型的二次训练功能；知识图谱模块，通过Neo4j实现病虫害知识的存储、查询与可视化，支持模糊查询、双击节点展示详情、图谱拖动等交互功能；数据可视化模块，利用ECharts展示棉花病虫害数据的大屏分析，包括中国地图产地分布、关键词分析以及词云生成；病虫害查询模块，支持分页浏览、模糊查询以及卡片式数据展示；棉花生长周期模块，直观展示棉花的四个生长周期相关信息；用户管理模块，提供身份验证、信息修改、头像设置、密码找回（支持短信验证）以及身份证OCR识别等功能，确保系统的安全性和用户体验。
架构说明
该系统采用B/S（浏览器/服务器）架构模式，前端基于Vue.js框架构建，集成了Vue Router（路由管理）、Vuex（状态管理）、ECharts（数据可视化）等技术，提供流畅的用户交互体验。后端采用Flask框架，负责业务逻辑处理与API接口的搭建，并通过MySQL数据库实现系统数据的持久化存储。知识图谱功能模块采用Neo4j数据库，用于存储和管理棉花病虫害相关的知识实体及其关联关系。病虫害图片识别模块基于PyTorch深度学习框架构建，支持CNN模型的训练与部署，能够识别棉花生长周期中不同的病虫害类型。AI问答功能对接千问大模型API，提供智能化的问答服务。系统还集成了自然语言处理技术，采用jieba、TF-IDF和TextRank算法进行关键词提取和词云分析，为用户提供文本数据的深度洞察。
3 病虫害知识问答
基于阿里千问大模型API实现的棉花病虫害问答
类似聊天界面
4 病虫害识别
基于Pytorch CNN卷积神经网络模型实现的病虫害识别
识别叶甲
上传图片，右侧展示识别结果、图片和相关的信息：
5 知识图谱可视化
图谱的导入
neo4j 界面
可视化
支持模糊搜索显示知识图谱子图，输入"蕾"
点击节点，右侧展示详细节点信息
6 病虫害知识库搜索
可以搜索各种病虫害，支持模糊搜索+分页，画面美观
7 棉花周期科普
8 关键词分析
基于统计、textrank+tfidf双算法的关键词主题词分析
9 词云分析
基于jieba分词的词云分析
10 数据大屏
多种echarts可视化图形数据分析的应用，美观大方
通过中国地图分析棉花产地、药物类型、虫害分析、有效成分等
11 登录和注册
12 个人信息设置，可修改头像等
13 病虫害识别代码
功能说明
该代码实现了一个基于CNN的棉花病虫害识别系统，使用TensorFlow和Keras框架。首先，代码导入必要的库，并准备数据集，包括训练集和验证集。通过ImageDataGenerator进行数据增强和预处理，以增加模型的泛化能力。随后，代码加载了预训练的VGG16模型，并在其基础上添加了自定义的分类层，构建了适用于棉花病虫害识别的CNN模型。模型通过Adam优化器和交叉熵损失函数进行训练，并在验证集上评估性能。最终，模型保存为H5格式，方便后续部署和使用。
核心代码
python
class SimpleCNN(nn.Module):
def __init__(self, num_classes):
super(SimpleCNN, self).__init__()
self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1)
self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)
self.pool = nn.MaxPool2d(kernel_size=2, stride=2, padding=0)
self.fc1 = nn.Linear(32 * 32 * 32, 128)
self.fc2 = nn.Linear(128, num_classes)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 32 * 32 * 32)
x = F.relu(self.fc1(x))
x = self.fc2(x)
return x
# 预测函数
def predict(image_path, model, class_names):
# 定义图像预处理
# transform = transforms.Compose([
# transforms.Resize((128, 128)), # 统一大小
# transforms.ToTensor(),
# ])
transform = transforms.Compose([
transforms.Resize((128, 128)),
transforms.Lambda(lambda x: x.convert('RGB')), # 确保转换为RGB模式
transforms.ToTensor(),
])
# 加载和预处理图像
image = Image.open(image_path)
image = transform(image).unsqueeze(0) # 增加批次维度
# 将图像输入模型进行预测
model.eval() # 设置模型为评估模式
with torch.no_grad():
outputs = model(image)
# print(outputs)
_, predicted = torch.max(outputs, 1)
print(predicted.item())
# 返回预测的类别
return class_names[predicted.item()]
def predict_interface(test_image_path):
# 加载训练好的模型
num_classes = 5 # 根据你的数据集类别数量修改
model = SimpleCNN(num_classes)
model.load_state_dict(torch.load(MODEL_PATH))
model.eval()
# 类别名称（根据你的数据集修改）
class_names = ['中黑盲蝽', '台龟甲', '叶甲', '宽棘缘椿', '小长蝽',
] # 替换为实际类别名称
# 测试预测
# test_image_path = '3.jpg' # 替换为测试图像的路径
predicted_class = predict(test_image_path, model, class_names)
return predicted_class
if __name__ == "__main__":
# 加载训练好的模型
num_classes = 5 # 根据你的数据集类别数量修改
model = SimpleCNN(num_classes)
model.load_state_dict(torch.load('disease_model.pth'))
model.eval()
# 类别名称（根据你的数据集修改）
class_names = ['中黑盲蝽', '台龟甲', '叶甲', '宽棘缘椿', '小长蝽',
] # 替换为实际类别名称
# 测试预测
test_image_path = '3.jpg' # 替换为测试图像的路径
predicted_class = predict(test_image_path, model, class_names)
print(f'Predicted class: {predicted_class}')