项目概述
本系统面向果蔬图像智能识别场景进行设计与实现，围绕"上传图片、自动识别、结果展示、历史留存、信息管理"构建了一套完整的 Web 应用。系统可识别的类别包括土豆、圣女果、大白菜、大葱、梨、胡萝卜、芒果、苹果、西红柿、韭菜、香蕉、黄瓜共 12 类常见果蔬。前端采用 Vue3 与 Element Plus 搭建交互界面，后端基于 Flask 框架实现接口服务，并结合 TensorFlow 与 ResNet50 模型完成核心识别任务。用户登录后可上传果蔬图片，系统将自动完成图片预处理、模型推理、结果排序与历史记录存储。
选题背景与意义
随着人工智能与计算机视觉技术的不断发展，基于深度学习的图像识别已经广泛应用于农业分拣、智慧零售、食品检测和科普教育等场景。传统的果蔬分类主要依赖人工经验，不仅效率较低，而且在品类较多、工作强度较大的情况下容易出现误判。将深度学习技术引入果蔬识别领域，能够有效提升识别效率和标准化水平，为农产品数字化管理提供技术支持。本课题以常见果蔬为研究对象，设计并实现一个集用户管理、图片上传、智能识别、历史查询和公告发布于一体的果蔬识别系统，具有较强的实践意义。
关键技术栈：ResNet50
ResNet50 是一种经典的深度卷积神经网络结构，其核心优势在于引入了残差连接思想，通过"恒等映射+残差学习"有效缓解了深层网络在训练过程中容易出现的梯度消失与网络退化问题。相比普通卷积网络，ResNet50 在保证网络深度的同时提升了特征提取能力，因此非常适合用于果蔬图像这类具有纹理、颜色和外形差异的分类任务。在本系统中，ResNet50 模型基于 TensorFlow 框架进行加载与推理，输入图片会先统一缩放至 224×224 尺寸，再进行归一化处理，随后送入模型得到各类别的概率分布。系统最终输出置信度最高的识别结果，并同时返回全部类别的预测概率，便于用户了解模型判断依据。采用 ResNet50 不仅能够提高果蔬识别的准确性，也使整个系统具备较好的扩展能力，后续可以通过补充数据集与重新训练模型，进一步提升类别数量与识别效果。
技术架构图
系统功能模块图
