一、介绍
卫星影像识别系统，基于TensorFlow搭建卷积神经网络算法，通过对7种常见的卫星遥感影像图片数据集（'草地（Grass）', '农田（Field）', '工业区（Industry）', '河流湖泊（RiverLake）', '森林（Forest）', '居民区（Resident）', '停车场（Parking）'）进行训练，最后得到一个识别精度较高的模型，然后搭建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。
选题背景与意义： 随着遥感技术的快速发展，卫星影像数据呈现爆发式增长，如何高效、精准地识别与利用这些数据，已成为资源监测、环境评估和城乡规划等领域的重要课题。传统人工判读方式效率低、主观性强，难以满足大规模应用需求。为此，本项目基于TensorFlow构建卷积神经网络模型，针对草地、农田、工业区、河流湖泊、森林、居民区及停车场等七类典型地物进行识别训练，旨在开发一个具备较高识别精度的自动化分类系统。为进一步提升系统的实用性与交互体验，项目结合Django与Vue3等主流技术，搭建了集用户管理、图像识别、结果可视化及智能问答于一体的Web操作平台。该系统不仅实现了地物类型的智能识别与置信度分析，还通过集成Markdown编辑与DeepSeek问答接口，拓展了知识管理与交互支持功能，为遥感数据的智能化应用提供了便捷、高效的解决方案。
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
ResNet50是由微软研究院提出的深度残差网络（Residual Network）的一个经典模型，其核心创新是"残差学习"思想。在传统的深度卷积神经网络中，简单地堆叠层数会遇到"梯度消失/爆炸"问题，导致网络难以训练，性能甚至下降，这被称为"退化问题"。
ResNet通过引入"快捷连接"或"跳跃连接"巧妙地解决了这一问题。它不再让多个堆叠的层直接学习一个目标映射H(x)，而是让这些层学习其与输入x之间的残差F(x) = H(x) - x。这样，原始的目标映射就变成了 H(x) = F(x) + x。
这种"捷径"将输入x直接传递到更深层的输出，实现了恒等映射。这样做有两个主要好处：
- 缓解梯度消失：梯度可以直接通过快捷连接反向传播，使得深层网络的训练变得可行。
- 简化学习目标：让网络学习残差F(x)通常比学习完整的映射H(x)更容易，尤其是在F(x)趋近于0时，该层就近似做了恒等变换，避免了性能退化。
ResNet50因其包含50个权重层而得名，它通过大量使用这种带有快捷连接的"瓶颈结构"模块，在保持高性能的同时，显著减少了参数量，成为图像识别领域一个里程碑式的模型。
以下是一个使用TensorFlow Keras中预训练的ResNet50模型进行图像识别的简单示例。
python
import tensorflow as tf
from tensorflow.keras.applications.resnet50 import ResNet50, decode_predictions, preprocess_input
import numpy as np
from PIL import Image
# 1. 加载预训练的ResNet50模型（包含在ImageNet上训练得到的权重）
model = ResNet50(weights='imagenet')
# 2. 加载并预处理图像
img_path = 'your_image.jpg' # 替换为你的图片路径
image = Image.open(img_path).convert('RGB') # 确保为RGB格式
image = image.resize((224, 224)) # ResNet50要求输入尺寸为224x224
# 将图像转换为数组并扩展维度以匹配模型输入要求 (batch_size, height, width, channels)
image_array = np.array(image)
image_array = np.expand_dims(image_array, axis=0)
# 对图像进行与训练时相同的预处理
image_array = preprocess_input(image_array)
# 3. 使用模型进行预测
predictions = model.predict(image_array)
# 4. 解码预测结果，得到人类可读的标签和置信度
decoded_predictions = decode_predictions(predictions, top=3)[0] # 显示最可能的3个结果
# 5. 打印结果
print("识别结果：")
for i, (imagenet_id, label, score) in enumerate(decoded_predictions):
print(f"{i+1}: {label} ({score * 100:.2f}%)")这段代码演示了利用预训练ResNet50模型进行图像识别的标准流程。首先，我们直接加载了在ImageNet数据集上预训练好的模型，无需从头训练。然后，将输入图像调整为224x224像素，并进行归一化等预处理。接着，模型对图像进行前向传播推理，输出一个包含1000个ImageNet类别概率的向量。最后，通过decode_predictions函数将概率向量解码为易于理解的对象标签和置信度，并打印出最可能的三个预测结果。这种方法让我们能够快速、高效地将强大的ResNet50模型应用于实际的图像识别任务中。