基于「YOLO目标检测 + 多模态AI分析」的智慧农业茶叶病害检测预警系统

一、项目演示视频

核心创新点

病虫危害精准检测: 支持茶鲜叶上多类别病害与虫害征状的智能识别和定位
多模态检测方式: 支持图片、视频、实时摄像头三种检测模式
YOLO模型集成: 集成YOLOv8/YOLO11/YOLO12/YOLO26等先进目标检测模型
智能预警分析: 基于AI对检测结果进行分级预警，辅助巡园与测报
分层权限管理: 支持管理员和普通用户的差异化功能访问
完整工作流程: 从数据集管理到模型管理再到检测预警的完整闭环
多模态大模型辅助分析: 使用多模态大模型根据YOLO检测识别结果和图片进一步分析并给出植保防治建议(属于图片识别功能模块)
模型评估系统: 支持上传YOLO格式标签与模型预测对比，自动计算Precision、Recall、mAP50等精度指标，生成GT框与预测框的可视化对比图，支持用户评分和评语
实时预警系统: 支持严重程度分级(可忽略/轻微/中等/严重/紧急)、LLM二次验证、处理状态管理

核心功能模块

用户管理: 支持用户注册、登录、权限管理、个人信息管理等功能
数据集管理: 支持上传ZIP格式YOLO数据集，自动验证数据集结构和完整性
模型管理: 支持创建模型、上传权重、训练过程图片/文件管理、模型发布等
图片检测: 上传茶鲜叶或冠层图片进行检测，支持CLAHE图像增强、多模态AI分析、植保建议生成、导出Word报告
视频检测: 上传视频进行逐帧检测，支持帧率采样、异步处理、进度查询、关键帧截图、LLM二次验证
实时检测: 使用电脑摄像头进行实时检测，会话级智能去重、LLM二次验证(过滤YOLO误检)、严重程度五级分级(可忽略/轻微/中等/严重/紧急)、处理状态管理(未处理/已处理)、实时通知预警、多维度筛选(用户/严重程度/处理状态/LLM验证状态)
模型评估: 上传图片和标签文件评估模型性能，支持精度指标计算、可视化对比、用户评分筛选

应用场景

链接: https://pan.baidu.com/s/1Keda7cOePREDOGYMjyZNig?pwd=tqki 提取码: tqki

完整系统源码
(1)前端源码(web-vue)
(2)后端+算法端源码(web-flask)
(3)模型训练代码(other/model_train/detect)
项目介绍文档
(1)项目概述
(2)项目技术栈
(3)项目目录结构
(4)系统架构图、功能模块图
(5)数据库开发文档
项目启动教程
(1)环境安装教程(视频+文档)
(2)系统启动教程(视频+文档)
茶叶病害检测数据集
(1)总样本量：10867 张图像（训练 9666 + 验证 601 + 测试 600）
(2)训练集：9666 张图片 (用于模型训练)
(3)验证集：601 张图片 (用于模型验证和性能调优)
(4)测试集：600 张图片 (用于模型最终性能评估)
(5)检测类别: 5 类
0: leaf_rust - 叶锈病
1: red_spider - 茶红蜘蛛病
2: mosquito_bug - 茶虫害病
3: healthy - 健康叶片
4: white_spot - 白星病
已经训练好的模型权重，整体精度如下：
(1)precision (精确率): 0.958
(2)recall (召回率): 0.960
(3)mAP50 (IoU阈值0.5时的平均精度): 0.980
(4)mAP50-95 (IoU阈值0.5-0.95的平均精度): 0.778