项目介绍
本项目为一个面向蝴蝶图像识别场景开发的智能识别系统，整体采用前后端分离架构实现。前端基于 Vue3 与 Element Plus 构建交互界面，负责完成用户登录注册、图片上传、识别结果展示、历史记录查询以及公告浏览等功能；后端采用 Flask 框架搭建 RESTful 接口，结合 JWT 实现用户身份认证与权限校验，并通过 SQLite 完成用户信息、识别历史和公告数据的持久化管理。在算法层面，系统使用 TensorFlow 深度学习框架加载训练好的 ResNet50 模型，对上传的蝴蝶图片进行特征提取与类别预测，当前可完成 20 种凤蝶类别的自动识别，并返回最高置信度结果及各类别预测概率。
选题背景与意义
随着计算机视觉与深度学习技术的快速发展，基于图像的物种识别逐渐成为智慧农业、生态监测和科普教育中的重要研究方向。蝴蝶作为生态环境变化的重要指示生物，其种类识别在生物多样性保护、自然资源调查以及昆虫科普教育中具有较高价值。但传统蝴蝶分类主要依赖人工观察翅色、纹理、尾突等形态特征，不仅对专业知识要求较高，而且在样本数量较大时效率较低，容易受到主观经验影响。基于深度学习构建蝴蝶识别系统，能够利用卷积神经网络自动提取图像中的关键特征，实现对细粒度类别的高效判别，从而降低人工识别门槛，提高识别效率与一致性。
关键技术栈：ResNet50
ResNet50 是一种经典的深层卷积神经网络模型，其核心思想是引入残差结构，通过恒等映射将输入特征直接传递到后续层，从而有效缓解网络加深后容易出现的梯度消失和模型退化问题。与普通卷积网络相比，ResNet50 在保证网络深度的同时具备更强的特征提取能力，尤其适用于纹理细节丰富、类别差异细微的图像分类任务。蝴蝶种类识别具有明显的细粒度分类特征，不同类别在整体轮廓上可能较为接近，但翅膀斑纹、色带分布和尾部形态存在差异，因此需要模型能够从局部纹理和高层语义两个层面进行综合判别。项目中基于 TensorFlow 加载训练后的 ResNet50 模型，将输入图像统一预处理为 224×224 尺寸，并输出 20 个类别的预测概率，再结合最大置信度确定最终识别结果。
技术架构图
系统功能模块图（mindmap）
