🥔 项目简介
本项目是一个基于深度学习的马铃薯叶片病害智能识别系统，专门用于识别马铃薯早疫病、马铃薯晚疫病和健康叶片三类状态。系统采用 Django 作为 Web 端入口，为用户提供直观易用的交互界面。用户在首页上传叶片图片后，后台调用 PyTorch 训练好的分类模型进行实时推理，并在页面中展示预测类别、置信度和候选类别概率。
相比传统的模板页面，本项目首页已改造成更贴近农业病害检测场景的专业工作台样式，包含以下核心模块：
- 图片上传预览区：支持拖拽上传和预览
- 模型选择面板：支持多种预训练模型切换
- 诊断结果展示区：显示主预测结果和置信度
- Top3 候选概率条：可视化展示各候选类别的置信度
- 病害说明模块：提供病害特征和防治建议
- 数据集概览面板：展示数据集统计信息
本系统旨在为农业技术人员和种植户提供快速、准确的病害诊断工具，助力马铃薯产业的健康发展。## 🛠️ 技术栈
后端框架
- Django：提供稳定的 Web 服务接口和用户界面
深度学习框架
- PyTorch：主流的深度学习框架，提供灵活的模型构建和训练接口
- torchvision：提供图像预处理、数据增强和预训练模型
模型架构
- Vision Transformer (ViT)：基于注意力机制的视觉 Transformer 模型
- ResNet 系列：深度残差网络，包括 ResNet18、ResNet34、ResNet50
- MobileNet 系列：轻量级卷积网络，适合移动端部署
- 其他模型：AlexNet、VGG、DenseNet、Swin Transformer 等分类模型脚本
数据处理与增强
- ImageFolder：按目录结构自动加载数据集
- 数据预处理：Resize、CenterCrop、Normalize
- 数据增强：随机裁剪、水平翻转、颜色抖动等
结果记录与分析
- pandas：读取/写入训练指标 Excel 文件
- matplotlib：生成类别分布图和训练曲线图
- scikit-learn：计算 precision、recall、f1-score 等评估指标
前端技术
- HTML/CSS/JavaScript：构建响应式用户界面
- Bootstrap：提供现代化的 UI 组件和布局## 🖥️ 系统首页展示
下图展示了系统首页的工作台界面，该截图基于项目本地首页模板和数据集样例图片生成。图中的预测值为页面展示用样例，主要用于说明系统前端布局和识别结果展示方式。
界面布局说明
-
左侧功能区
- 图片上传区域：支持拖拽或点击上传
- 模型选择下拉框：支持切换不同预训练模型
- 识别按钮：触发病害识别流程
-
中间预览区
- 实时显示上传的叶片图片
- 支持图片缩放和旋转查看
-
右侧结果区
- 主预测结果：显示最高置信度的病害类别
- 置信度进度条：直观展示模型置信度
- Top3 候选结果：展示其他可能的病害类别及概率
- 病害说明：提供病害特征和防治建议
-
底部数据集概览
- 显示当前数据集统计信息
- 各类别样本数量分布## 📊 数据集介绍
数据集结构
项目数据集位于 djangoProject/data_set/potato 目录下，采用标准的 Train/Test 目录结构组织。当前本地数据统计如下：
| 类别 | 训练集数量 | 测试集数量 | 合计 |
|---|---|---|---|
| 马铃薯早疫病 | 300 张 | 100 张 | 400 张 |
| 马铃薯晚疫病 | 300 张 | 100 张 | 400 张 |
| 健康叶片 | 300 张 | 100 张 | 400 张 |
| 总计 | 900 张 | 300 张 | 1200 张 |
类别说明
-
Potato___Early_blight：马铃薯早疫病- 特征：叶片出现褐色斑点，边缘有黄色晕圈
- 发病部位：主要在中下部叶片
- 危害程度：中等，影响光合作用
-
Potato___Late_blight：马铃薯晚疫病- 特征：叶片出现水渍状暗绿色病斑，边缘有白色霉层
- 发病部位：全株叶片均可发生
- 危害程度：严重，可导致整株死亡
-
Potato___healthy：健康叶片- 特征：叶片颜色鲜绿，无病斑
- 生长状态：正常生长
数据预处理
所有图像在训练前会进行以下预处理：
- 尺寸统一：调整为 224×224 像素
- 数据增强 （仅训练集）：
- 随机水平翻转
- 随机旋转（±15°）
- 颜色抖动
- 随机裁剪
- 归一化：使用 ImageNet 的均值和标准差进行归一化
数据集示例
## 🚀 系统功能
1. 叶片图片上传
- 支持格式：JPG、PNG、JPEG 等常见图片格式
- 上传方式：支持拖拽上传和文件选择器上传
- 大小限制：最大支持 10MB 的图片文件
- 格式验证：自动检测图片格式和完整性
2. 图片预览与处理
- 实时预览：前端在用户选择图片后立即展示待识别叶片
- 图片调整：支持缩放、旋转等基本操作
- 格式转换：自动将图片转换为模型输入格式
- 质量检查：验证图片是否包含有效叶片区域
3. 模型选择与切换
- 多模型支持：Vision Transformer、ResNet、MobileNet 等
- 权重管理：自动加载对应模型的预训练权重
- 性能对比：支持不同模型在相同图片上的识别结果对比
- 默认模型：系统默认使用 Vision Transformer 模型
4. 病害识别与推理
- 实时推理：后台调用 PyTorch 模型进行快速预测
- 类别映射：读取类别映射文件，将数字标签转换为可读名称
- 置信度计算：输出预测类别及对应的置信度分数
- Top3 结果：展示前三个最可能的病害类别及概率
5. 结果可视化展示
- 主预测结果：突出显示最高置信度的病害类别
- 置信度进度条：直观展示模型对预测结果的把握程度
- 候选结果列表：展示其他可能的病害类别及概率
- 病害说明卡片：提供病害特征、防治方法和注意事项
6. 数据集适配性
- 目录结构兼容 ：自动识别
Train/Test或train/val等常见目录命名 - 类别自动检测：根据目录名称自动生成类别索引
- 数据统计：实时显示数据集各类别样本数量
- 格式验证 ：检查数据集结构的完整性和正确性## 模型与核心流程说明
训练阶段首先通过ImageFolder按目录读取叶片图片，并根据目录名称自动生成类别索引。训练集使用随机裁剪、水平翻转等增强方式提高泛化能力；验证或测试阶段使用固定尺寸缩放与归一化，保证输入格式稳定。
模型部分保留了多个经典网络和 Transformer 网络的训练脚本，例如 AlexNet、VGG、ResNet、MobileNet、DenseNet、Swin Transformer 和 Vision Transformer。当前系统默认训练入口为python main_train.py --model vit --data_set potato，训练后会保存weights/best_model.pth作为页面推理权重。
预测阶段会读取上传图片，完成 Resize、CenterCrop、ToTensor 和 Normalize 处理，然后加载对应模型权重进行前向推理，最后将 softmax 概率最大的类别作为主要识别结果返回给前端。
训练与运行流程
- 准备数据集：将马铃薯叶片数据按
Train/Test/类别名放入data_set/potato。 - 启动训练：执行
python main_train.py --model vit --data_set potato --epoch 10。 - 查看结果：训练过程会输出 loss、accuracy、precision、recall、f1 等指标，并保存 Excel 结果文件。
- 启动 Web：安装 Django 等依赖后执行
python manage.py runserver。 - 页面识别：打开首页，上传叶片图片，查看预测类别和置信度。
效果展示与分析
下图从项目已有的部分 *_results.xlsx 文件中抽取前若干轮训练记录生成，用于展示训练记录可视化方式。由于本报告是快速生成版，如果后续重新训练马铃薯数据集，可以直接替换为新的训练日志和曲线。
从展示曲线可以看出，训练结果文件能够记录每轮验证准确率变化，便于对不同模型的收敛速度和稳定性进行比较。实际项目中可以进一步补充混淆矩阵、错误样本可视化和单类别召回率分析，用来判断早疫病与晚疫病之间是否存在误判。
项目总结与优化方向
本项目完成了从数据集加载、模型训练、预测推理到 Django 前端展示的完整流程，适合作为农作物病害识别类项目的基础版本。页面部分已经从通用模板改造成马铃薯病害识别场景，报告中的首页图、数据集样例和可视化图均来自本地项目内容。
后续可以继续优化的方向包括：增加真实训练后的最佳权重文件、加入混淆矩阵分析、扩展更多病害类别、增加历史识别记录、支持批量检测，以及在移动端进一步优化拍照上传体验。