项目介绍
本系统是一个基于深度学习的玫瑰叶片病害智能检测平台，采用YOLOv8n目标检测算法作为核心识别引擎，结合Flask后端与Vue3前端构建完整的Web应用。系统面向玫瑰种植从业者与园艺爱好者，提供"上传即检测"的便捷病害识别服务，覆盖白粉病（mildew）、玫瑰叶片病害P01（rose_P01）及玫瑰叶片病害R02（rose_R02）三类常见病害的精准定位与分类。
系统功能涵盖四大模块：用户可通过注册登录获得个性化的检测服务；检测模块支持上传玫瑰叶片图片，系统自动调用YOLOv8n模型进行推理，返回病害类别、置信度及边界框位置，并生成标注后的检测结果图供下载查看；检测历史模块完整记录每一次检测结果，支持分页回溯与删除管理；科普文章模块由管理员发布玫瑰病害防治知识，普通用户可浏览学习，形成"检测-诊断-防治"的完整闭环。
选题背景与意义
玫瑰作为全球最重要的观赏花卉作物之一，在我国花卉产业中占据举足轻重的地位。然而，玫瑰种植过程中频繁遭受白粉病、黑斑病、霜霉病等各类叶部病害的侵袭，不仅严重影响花朵品质与产量，还会造成巨大的经济损失。传统的病害诊断方式高度依赖植保专家的实地勘查与经验判断，存在诊断周期长、人工成本高、主观性强等突出问题，难以满足规模化种植场景下对快速、精准识别的迫切需求。
近年来，随着深度学习技术的飞速发展，基于卷积神经网络的目标检测算法在农业病害识别领域展现出显著优势。YOLO系列算法以其端到端的单阶段检测架构，在推理速度与检测精度之间取得了优异平衡，特别适合部署于资源受限的实际生产环境中。
关键技术栈：YOLOv8
YOLOv8是Ultralytics团队于2023年发布的目标检测算法，作为YOLO系列的重要迭代版本，在检测精度、推理速度与工程易用性三个维度实现了全面提升。YOLOv8延续了Anchor-Free的设计理念，采用解耦头（Decoupled Head）将分类与回归任务分离处理，有效减少了任务冲突带来的精度损失；同时引入C2f模块替代传统的C3结构，通过增加梯度流分支丰富了特征梯度传播路径，在保持轻量化的同时增强了特征提取能力。
本系统选用的YOLOv8n是YOLOv8系列中参数量最小的变体，模型参数仅约300万，浮点运算量约8.1 GFLOPs。YOLOv8n的骨干网络采用改良的CSPDarknet结构，通过多尺度特征金字塔（FPN）与路径聚合网络（PAN）实现跨层特征融合，能够有效检测不同尺度的病害区域。训练阶段综合运用Mosaic数据增强、自适应锚框计算、混合精度训练（AMP）等策略，加速收敛并提升模型泛化能力。
系统功能模块图
演示视频 and 完整代码 and 安装
扫下方或主页联系