项目介绍
本系统面向常见蔬菜图像分类场景，支持土豆、大白菜、大葱、莲藕、菠菜、西红柿、韭菜、黄瓜等八类目标，强调在超市、后厨与家庭食材管理等场景下的快速判别能力。前端采用 Vue3 与 Element Plus 构建响应式界面，覆盖上传、结果展示与登录交互；后端基于 Flask，并结合 SQLite 与 JWT 提供 API 与数据管理能力；算法侧使用 TensorFlow 与 ResNet50 完成特征提取与分类。通过迁移学习在蔬菜域数据上微调，可在有限样本条件下提升识别准确率与泛化表现，使系统更贴近真实拍摄条件。系统同时关注工程可维护性：将推理、鉴权与历史记录拆分清楚，便于后续替换模型或扩展类别时减少联动修改成本。
选题背景与意义
农业信息化与人工智能正在共同推动农产品流通与零售环节的数字化。蔬菜品类多、外形相近品种并存，人工辨识在高峰时段效率不足，也更容易受疲劳与主观标准影响。自动识别能够把「外观---品类」映射固化为模型判据，服务于智能收银、分拣线与家庭食材管理等场景。本课题据此建设蔬菜识别 Web 系统，强调可部署、可演示与可扩展，为后续接入更多品类与更强模型保留迭代空间。
关键技术栈：resnet50
ResNet（残差网络）是深度学习视觉领域的里程碑结构之一，本项目选用 ResNet50 作为蔬菜识别骨干。深层卷积网络在层数增加时常见梯度消失/爆炸与性能退化问题；ResNet 通过残差块与跨层 shortcut，使网络主要学习残差项，从而提升深层网络的可训练性。ResNet50 在此基础上形成约 50 层深度的特征提取堆栈，能够在纹理、边缘与形状等层次上逐步抽象语义，更适配蔬菜图像中颜色、外形与细节并存的判别需求。部署层面通常还会配合统一输入尺寸、归一化与数据增广策略，使训练分布与线上推理分布更一致，从而降低因光照、角度与背景差异带来的性能波动。
技术架构图
系统功能模块图
