一、项目演示视频
项目简介
本项目是一个基于人工智能技术的水果蔬菜病害智能检测分析预警系统，旨在通过先进的计算机视觉技术和深度学习模型，为果蔬采后流通、商超质检与生产教学等场景提供多类别果蔬目标的智能识别、病害辅助分析与预警服务。系统集成了图片检测、视频检测、实时检测、模型管理、数据集管理等多项功能，构建了一个完整的水果蔬菜病害智能检测与预警服务平台。
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
- 目标精准检测: 支持水果蔬菜目标的智能识别和定位
- 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的水果蔬菜病害检测自动识别、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检测分析预警的完整闭环
- 多模态大模型辅助分析: 使用通义千问VL多模态大模型提供三大场景的AI分析能力：
- 图片检测中对果蔬病征与损伤进行结果评估（如未见明显病害/病斑或虫害迹象等）+详细病害分析+农艺管理建议生成，支持用户填写补充信息引导分析；
- 视频检测完成后对关键帧手动触发AI诊断（发现异常/未见异常）；
- 实时检测中对YOLO检测到的目标进行实时异常诊断
- 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)、AI异常诊断(发现异常记录+报警/未见异常仅记录/未开启诊断不记录)、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: 上传图片进行果蔬检测，支持CLAHE图像增强、AI病害分析（结果评估+详细分析，支持用户补充信息）、农艺管理建议生成、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、关键帧截图保存、对关键帧手动触发AI诊断（发现异常/未见异常）
- 实时检测: 使用电脑摄像头进行实时检测，会话级智能去重、AI异常诊断（发现异常记录+报警/未见异常仅记录/未开启诊断不记录）、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/诊断结果/处理状态)
- 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
- 生产基地与大棚: 田间巡查与固定摄像头画面中的果蔬目标与病征辅助观察
- 采后与流通: 分拣线、冷库出库、货架巡检等场景的图像与视频检测
- 商超与质检: 进货验收与客诉举证图像的结构化记录与辅助判读
- 教育培训: 果蔬计算机视觉与农艺信息化教学演示
四、项目链接
羊羊小栈-水果蔬菜病害检测分析预警系统(YOLO检测_多模态大模型分析).zip
链接: https://pan.baidu.com/s/1_6W53eWB0tExjE7-I_uM0Q?pwd=4q4a 提取码: 4q4a
- 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) - 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)核心功能模块介绍
(5)API接口文档 - 系统PPT
(1)系统架构图、架构交互图
(2)算法模块流程图
(3)图片、视频、实时检测时序图
(4)数据流图
(5)UML类图
(6)功能模块概要图、功能模块图
(7)数据库ER图
(8)训练过程图
(9)验证指标图
(10)验证效果图 - 系统使用注意事项
- 模型训练文档
- 数据库开发文档
(1)数据库概述
(2)数据库表详细设计结构
(3)建表SQL语句 - 系统文档
(1)介绍
(2)相关技术与理论
(3)系统需求分析
(4)系统总体设计
(5)系统设计与实现
(6)模型训练与性能评估
(7)系统测试 - 水果蔬菜病害检测数据集
(1)总样本数：49539张果蔬图片（训练集44059+验证集3155+测试集2325）
(2)训练集：44059张图片 (用于模型训练)
(3)验证集：3155张图片 (用于模型验证和性能调优)
(4)测试集：2325张图片 (用于模型最终性能评估)
(5)检测类别：共 30 类（class_id 0～29）：0 Apple（苹果）、1 Apricot（杏）、2 Aubegine（茄子）、3 Banana（香蕉）、4 Bean（豆类）、5 Carrot（胡萝卜）、6 Cherry（樱桃）、7 Courgette（西葫芦）、8 DragonFruit（火龙果）、9 Durian（榴莲）、10 Fig（无花果）、11 Grape（葡萄）、12 Lemon（柠檬）、13 Lime（青柠）、14 Lychee（荔枝）、15 Mango（芒果）、16 Orange（橙子）、17 Peach（桃子）、18 Pear（梨）、19 Pepper（辣椒）、20 Pineapple（菠萝）、21 Plum（李子）、22 Pomegranate（石榴）、23 Quince（榅桲）、24 Radish（萝卜）、25 Rice（水稻）、26 Salad（生菜沙拉）、27 Strawberry（草莓）、28 Tomato（番茄）、29 Watermelon（西瓜） - 已经训练好的模型权重，整体精度如下：
(1)precision (精确率): 0.858
(2)recall (召回率): 0.798
(3)mAP50 (IoU阈值0.5时的平均精度): 0.839
(4)mAP50-95 (IoU阈值0.5-0.95的平均精度): 0.616