项目介绍
犬类识别系统面向宠物识别、犬种查询与日常管理等应用场景进行设计与实现，构建了一套集用户管理、图像识别、历史记录与公告发布于一体的智能化平台。系统前端采用 Vue3 与 Element Plus 搭建交互界面，能够为用户提供简洁直观的图片上传、结果展示和历史查询体验；后端基于 Flask 框架实现业务接口与数据管理，并结合 JWT 完成用户身份认证和权限控制；算法部分采用 TensorFlow 深度学习框架，加载训练完成的 ResNet50 模型，对上传的犬类图片进行自动识别。当前系统可识别博美犬、吉娃娃、柴犬、萨摩耶犬、纽芬兰犬等 25 类常见犬种，并返回识别结果、置信度以及各类别预测概率。整体上，该系统兼顾了识别准确性、系统易用性与功能完整性，能够为宠物信息化管理和智能识别应用提供较好的技术支撑。
选题背景与意义
随着居民生活水平不断提高，宠物饲养数量持续增长，犬类已经成为家庭陪伴、宠物医疗、宠物寄养和宠物交易等场景中的重要对象。在实际应用中，不同犬种在外形、体型和毛色方面存在一定相似性，普通用户往往难以快速、准确地区分犬种，这给宠物档案管理、健康护理建议以及相关服务推荐带来一定困难。传统依靠人工经验识别的方式不仅效率较低，而且容易受到主观判断影响。基于深度学习的图像识别技术能够自动提取犬类图像中的关键特征，实现快速、客观和智能化的犬种分类。
关键技术栈：ResNet50
ResNet50 是深度残差网络中的经典模型，具有网络层次深、特征提取能力强和训练稳定性较好的优点，非常适合用于图像分类任务。在传统深层卷积网络中，随着网络层数增加，容易出现梯度消失、模型退化等问题，影响训练效果。ResNet50 通过引入残差连接思想，将输入特征与卷积输出进行跨层叠加，使网络能够在加深结构的同时保持较好的收敛能力，从而有效提升模型性能。在本系统中，ResNet50 用于提取犬类图像中的纹理、轮廓、毛发分布和局部结构等高维特征，再结合分类层输出对应犬种的预测结果。系统基于 TensorFlow 加载训练完成的 resnet50_model.h5 模型，对输入图像统一缩放至 224×224 尺寸并进行归一化处理，最终输出 25 个犬种类别的概率值及最高置信度结果。
技术架构图
系统功能模块图
