一、介绍
海洋生物系统，本项目基于深度学习技术，构建了一个集海洋生物识别、数据可视化和智能问答于一体的Web应用系统。系统采用TensorFlow框架搭建卷积神经网络模型，通过对22种常见海洋生物（包括海豚、鲸鱼、鲨鱼、珊瑚、海星等）数据集进行多轮迭代训练，最终获得高精度识别模型，并开发了功能完善的Web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。
选题背景与意义： 随着海洋资源的开发与保护日益受到重视，对海洋生物进行快速、准确的识别与分析成为科研、教育及生态保护领域的重要需求。然而，传统的海洋生物识别方法依赖专家经验，效率较低，且公众参与度有限。近年来，深度学习技术在图像识别领域取得了显著进展，为海洋生物的自动化识别与知识普及提供了新的可能。
本项目基于这一背景，利用TensorFlow框架构建卷积神经网络模型，针对22种常见海洋生物（如海豚、鲸鱼、珊瑚等）进行训练，实现了高精度的生物识别。同时，系统结合Vue3与Django开发了功能完善的Web平台，集成图像识别、数据可视化及智能问答等功能，为用户提供便捷的海洋生物认知与交互体验。通过这一系统，旨在推动海洋生物知识的普及，提升海洋保护的科技参与度。
二、系统效果图片展示
三、演示视频 and 完整代码 and 安装
四、卷积神经网络算法介绍
卷积神经网络是一种专门用于处理网格状数据（如图像）的深度学习架构。其核心思想是通过卷积核在输入数据上进行滑动窗口式的"卷积"操作，以自动提取从低级到高级的层次化特征。
CNN主要由以下关键层构成：
- 卷积层：是CNN的核心。它使用多个卷积核在输入图像上滑动，通过计算局部区域的点积来生成特征图。这一过程能够有效捕捉图像中的局部特征，如边缘、角点等，并具有权值共享的特点，大大减少了模型参数。
- 池化层 ：通常跟在卷积层之后，用于对特征图进行下采样。最常用的是最大池化，它取局部区域的最大值。池化层可以在保持主要特征的同时，减小数据尺寸，降低计算复杂度，并增强模型的平移不变性。
- 全连接层：在网络的末端，将经过多次卷积和池化后提取到的展开特征进行综合，并映射到最终的输出类别上，完成分类任务。
通过堆叠这些层，CNN能够逐步从原始像素中提取出越来越复杂的特征，最终实现高精度的图像识别。
以下是一个使用TensorFlow和Keras API构建一个简单的CNN模型，用于手写数字识别（MNIST数据集）的示例。
python
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
# 1. 加载并预处理数据
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
# 将图像数据重塑为 (28, 28, 1) 并归一化
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255
# 2. 构建CNN模型
model = models.Sequential([
# 第一卷积块
layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
layers.MaxPooling2D((2, 2)),
# 第二卷积块
layers.Conv2D(64, (3, 3), activation='relu'),
layers.MaxPooling2D((2, 2)),
# 将特征图展平以输入全连接层
layers.Flatten(),
# 全连接层
layers.Dense(64, activation='relu'),
# 输出层，10个神经元对应10个类别（数字0-9）
layers.Dense(10, activation='softmax')
])
# 3. 编译模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 4. 训练模型
model.fit(train_images, train_labels, epochs=5,
validation_data=(test_images, test_labels))
# 5. 评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(f'\n测试准确率：{test_acc}')上述代码完整展示了使用CNN进行图像分类的流程。首先，我们加载MNIST数据集并将其处理成适合CNN输入的格式。接着，我们构建了一个顺序模型，其中包含两个卷积-池化层组合，用于特征提取；之后通过Flatten层将多维特征图展平，并连接两个全连接层进行分类。模型使用Adam优化器和稀疏分类交叉熵损失函数进行编译。最后，我们在训练集上训练5个轮次，并在测试集上评估最终性能，通常能达到很高的准确率。此代码是理解CNN应用的基础模板，本项目的海洋生物识别系统即是在此基础上，使用更复杂的网络结构和海洋生物数据集进行训练与优化的。