一、项目介绍
水果识别系统，通过TensorFlow搭建卷积神经网络算法，并收集了10种常见的水果数据集（'哈密瓜', '椰子', '樱桃', '火龙果', '猕猴桃', '红苹果', '芒果', '葡萄', '西瓜', '香蕉'），对其进行多轮迭代训练，最后得到了一个精度较高的模型，并搭建Web可视化操作平台。
前端 : Vue3、Element Plus
后端 ：Django
算法 ：TensorFlow、卷积神经网络算法
具体功能：
- 系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。
- 登录系统后可发布、查看、编辑文章，创建文章功能中集成了markdown编辑器，可对文章进行编辑。
- 在图像识别功能中，用户上传图片后，点击识别，可输出其识别结果和置信度
- 基于Echart以柱状图形式输出所有种类对应的置信度分布图。
- 在智能问答功能模块中：用户输入问题，后台通过对接Deepseek接口实现智能问答功能。
- 管理员可在用户管理模块中，对用户账户进行管理和编辑。
二、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技术已广泛应用于日常生活与产业实践中。水果识别作为其中的一个典型应用场景，不仅有助于提升农产品分拣、零售结算等环节的自动化水平，也为普通用户提供了便捷的识别工具。本项目基于TensorFlow框架，采用卷积神经网络（CNN）构建了一个高效的水果识别模型，并选用包括哈密瓜、椰子、樱桃等在内的10类常见水果数据集进行训练与优化，最终实现了高精度的识别效果。为进一步增强系统的实用性与交互性，项目还整合了Web技术，搭建了前后端分离的可视化平台，支持图像识别、数据分析、内容管理及智能问答等多样化功能，从而为用户和管理员提供了一体化、智能化的操作体验。
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
代码示例：
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 predict_image(image_path):
# 加载和预处理图像
image = Image.open(image_path)
image = image.resize((224, 224)) # ResNet50需要的输入尺寸
image_array = np.array(image)
# 如果图像是灰度图，转换为RGB
if len(image_array.shape) == 2:
image_array = np.stack([image_array] * 3, axis=-1)
# 预处理
image_batch = np.expand_dims(image_array, axis=0)
processed_image = preprocess_input(image_batch)
# 预测
predictions = model.predict(processed_image)
# 解码预测结果
decoded_predictions = decode_predictions(predictions, top=3)[0]
# 打印结果
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
predict_image('test_image.jpg')这段代码演示了如何使用TensorFlow中的预训练ResNet50模型进行图像识别。代码首先加载在ImageNet数据集上预训练的ResNet50模型，然后对输入图像进行预处理（调整尺寸、格式转换等），最后通过模型预测并输出置信度最高的3个类别及其概率。ResNet50是一个50层深的残差网络，在图像分类任务中表现出色，无需训练即可直接用于识别1000种常见物体类别。