项目介绍
基于深度学习的猫类识别系统，识别类别包括伯曼猫、俄罗斯蓝猫、埃及猫、孟买猫、孟加拉猫、布偶猫、斯芬克斯猫、暹罗猫、波斯猫、缅因猫、英国短毛猫和阿比西尼亚猫共 12 类。系统以前后端分离方式实现，前端采用 Vue3 与 Element Plus 构建交互界面，后端基于 Flask 框架提供用户认证、图像上传、品种识别、历史记录管理和公告管理等接口服务，算法部分使用 TensorFlow 搭建并加载 ResNet50 模型完成图像分类任务。用户登录后可上传猫咪图片，系统会返回预测类别、识别置信度及各类别概率排序结果，并自动保存识别历史，方便后续查看与管理。
选题背景与意义
随着人工智能技术和计算机视觉方法的快速发展，图像识别已广泛应用于医疗检测、工业质检、智慧农业和智能安防等领域。在宠物经济持续增长的背景下，围绕宠物识别、健康管理与知识服务的智能化应用也逐渐受到关注。猫作为当前城市家庭中最常见的宠物之一，其品种种类较多，外观特征存在一定相似性，普通用户仅凭经验往往难以进行准确区分。因此，设计并实现一个基于深度学习的猫类识别系统，既具有较强的现实需求，也具备良好的研究与实践意义。
关键技术栈：ResNet50
ResNet50 是深度残差网络中的经典模型，由 50 层卷积网络结构组成，其核心思想是在网络中引入残差连接，将输入信息直接跨层传递到后续模块，从而有效缓解深层网络训练过程中容易出现的梯度消失和网络退化问题。相比普通卷积网络，ResNet50 在保证较强特征提取能力的同时，具备更好的训练稳定性和更高的识别精度，因此非常适合用于图像分类任务。在本系统中，ResNet50 作为猫类图像识别的核心模型，结合 TensorFlow 框架完成模型加载、图像预处理与预测输出。系统会将上传图片统一缩放到 224×224，并转换为模型可接受的张量格式，再由训练好的模型输出 12 个猫品种对应的概率值，最终返回置信度最高的类别结果。采用 ResNet50 不仅能够提高系统对猫咪细粒度外观特征的学习能力，也为后续模型优化、迁移学习和识别性能提升提供了良好的技术基础。
技术架构图
系统功能模块图
