一、项目介绍
本系统基于TensorFlow框架，搭建了一个采用卷积神经网络（CNN）的果蔬图像识别模型。我们收集了包括'土豆'、'圣女果'、'大白菜'、'大葱'、'梨'、'胡萝卜'、'芒果'、'苹果'、'西红柿'、'韭菜'、'香蕉'和'黄瓜'在内的12类常见果蔬数据集，通过多轮迭代训练，最终得到一个识别准确率较高的深度学习模型。同时，系统配备了完整的Web可视化操作平台，便于用户交互使用。
技术架构：
- 前端：Vue3 + Element Plus
- 后端：Django
- 算法：TensorFlow + 卷积神经网络（CNN）
主要功能：
- 系统支持管理员与普通用户两种角色，登录后依据角色权限展示相应功能模块。
- 登录用户可发布、查看及编辑文章，文章编辑集成Markdown编辑器，支持富文本排版。
- 图像识别模块支持用户上传果蔬图片，系统自动识别并返回类别名称及置信度。
- 基于ECharts绘制柱状图，直观展示所有果蔬类别对应的置信度分布。
- 智能问答模块允许用户输入问题，系统通过调用Deepseek API实现智能回复。
- 管理员可在用户管理模块中对用户账户进行统一管理与编辑操作。
背景介绍
随着人工智能技术的快速发展，基于深度学习的图像识别已广泛应用于农业、零售及日常生活等多个领域。针对果蔬种类繁多、人工识别效率有限的问题，本项目基于TensorFlow框架，构建了一个采用卷积神经网络（CNN）的果蔬图像识别系统。该系统能够高效识别包括"苹果""香蕉""胡萝卜""西红柿"等在内的12类常见果蔬，具备较高的识别准确率。同时，系统结合Vue3与Django技术，开发了功能完善的Web可视化交互平台，不仅支持果蔬图像识别与结果可视化，还集成了文章管理与智能问答等功能，有效提升了系统的实用性与用户体验。该研究为推动图像识别技术在智慧农业及智能生活中的应用提供了有价值的实践参考。
二、系统效果图片展示
三、演示视频 and 安装 and 完整代码
四、TensorFlow介绍
python
import tensorflow as tf
from tensorflow.keras.applications.resnet50 import ResNet50, preprocess_input, decode_predictions
import numpy as np
from PIL import Image
# 加载预训练的ResNet50模型
model = ResNet50(weights='imagenet')
def classify_image(image_path):
# 加载和预处理图像
image = Image.open(image_path).convert('RGB')
image = image.resize((224, 224)) # ResNet50要求输入尺寸
image_array = np.array(image)
image_array = np.expand_dims(image_array, axis=0) # 添加批次维度
image_array = preprocess_input(image_array) # 预处理
# 进行预测
predictions = model.predict(image_array)
# 解码预测结果
decoded_predictions = decode_predictions(predictions, top=3)[0]
# 输出结果
print("预测结果:")
for i, (imagenet_id, label, score) in enumerate(decoded_predictions):
print(f"{i+1}. {label}: {score:.4f}")
# 使用示例
classify_image('your_image.jpg')说明： 这段代码使用TensorFlow的Keras API加载预训练的ResNet50模型。首先通过PIL加载图像并调整到224×224像素，然后进行模型特定的预处理。decode_predictions函数将输出转换为可读的标签和置信度分数，默认显示前3个最可能的预测结果。需要将'your_image.jpg'替换为实际图像路径。