一、项目演示视频
二、技术栈
-
前端技术栈 (web-vue)
核心框架: Vue 3.5.13 (Composition API)
UI组件库: Element Plus 2.9.4
状态管理: Pinia 2.3.1
路由管理: Vue Router 4.5.0
HTTP客户端: Axios 1.7.9
图表可视化: ECharts 5.6.0
构建工具: Vite 6.1.0 + TypeScript 5.7.2
-
后端+算法端技术栈 (web-flask)
核心框架: Flask (Python)
数据库: SQLite 3
身份认证: JWT
图像处理: OpenCV + NumPy
深度学习: YOLOv8/YOLO11/YOLO12/YOLO26
视频处理: OpenCV视频流处理
大语言模型: Qwen-VL的API接口
三、功能模块
核心创新点
- 病害目标精准检测: 支持辣椒病害的智能识别和定位
- 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的辣椒病害自动识别、定位与预警
- 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病害目标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合理防治建议(属于图片检测功能模块)
- 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: 上传图片进行病害目标检测，支持CLAHE图像增强、多模态AI分析、防治建议生成、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
- 设施与露地种植: 温室、大棚及田间辣椒病害巡检与预警
- 植保服务: 辣椒叶片病害症状的自动巡检与取证
- 生产管理: 病害风险评估与防治调度
- 教育培训: 智慧农业与 AI 病害检测教学演示
四、项目链接
链接: https://pan.baidu.com/s/1QsiA67IB1j7o3rUKkJay9w?pwd=vh7v 提取码: vh7v
- 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) - 辣椒病害检测数据集
(1)总样本数：3610张辣椒叶片图片
(2)训练集：3330张图片 (用于模型训练)
(3)验证集：140张图片 (用于模型验证和性能调优)
(4)测试集：140张图片 (用于模型最终性能评估)
(5)检测类别: 4类
0: Healthy --- 健康叶片
1: Leaf_Curl --- 叶片卷曲
2: Leaf_Spot --- 叶斑病
3: Yellow_Leaves --- 黄叶病 - 已经训练好的模型权重，整体精度如下：
(1)precision (精确率): 0.910
(2)recall (召回率): 0.924
(3)mAP50 (IoU阈值0.5时的平均精度): 0.927
(4)mAP50-95 (IoU阈值0.5-0.95的平均精度): 0.703