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稻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，为稻田、育秧棚、试验田等场景提供智能化的水稻病害识别、田间异常分析与预警服务。系统集成了图片检测、视频检测、RTSP多路实时监控、模型管理、数据集管理等多项功能，构建了一个完整的水稻病害检测与预警服务平台。
项目链接
水稻病害智能检测分析预警系统(YOLO检测_多模态大模型分析)
链接: https://pan.baidu.com/s/186gAkMPTod2xc1RaFXytFQ?pwd=migz 提取码: migz
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 + RTSP多路接入
- 目标跟踪: ByteTrack
- 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：支持细菌性叶枯病、褐斑病、健康、叶瘟、叶焦病、窄条褐斑病、穗颈瘟、稻负泥虫、纹枯病、东格鲁病等10类目标的智能识别和定位
- 多模态检测方式：支持图片、视频、RTSP多路实时监控三种检测模式
- 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的水稻病害异常自动识别、定位与分级预警
- 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：
- 图片检测中对水稻田块/叶片场景进行结果评估（场景正常/存在疑似轻病/疑似病害目标/疑似虫害或病斑聚集/疑似误检等结论）+详细场景分析+监测与防治建议生成，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）；
- RTSP实时监控中对YOLO检测到的目标进行实时水稻病害异常诊断
- 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ByteTrack多目标跟踪、会话级智能去重、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10类水稻病害与健康目标检测，支持CLAHE图像增强、AI田间场景分析（结果评估+详细分析，支持用户补充信息）、监测与防治建议生成、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、关键帧截图保存、对关键帧手动触发AI诊断（发现异常/未见异常）
- 实时监控：基于RTSP多路摄像头进行实时病害目标监测，ByteTrack跟踪、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
- 稻田田间监测：稻田定点摄像头与巡检图像下的叶片/穗部病害识别与观察
- 育秧棚与试验田：育秧棚、小区试验田场景下的幼苗病害与早期症状辅助分析
- 植保站与农技服务点：样本复核、田间记录与病害预警辅助
- 植保监测与农技值守中心：为管理人员提供图像记录与水稻病害异常参考
四、项目内容
- 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、实时水稻病害监测时序图
(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 - 水稻病害检测数据集
(1)总样本数：20267张水稻叶片与穗部场景图片
(2)训练集：12270张图片 (用于模型训练)
(3)验证集：3998张图片 (用于模型验证和性能调优)
(4)测试集：3999张图片 (用于模型最终性能评估，含24855个目标实例)
(5)检测类别: 10类水稻病害相关目标检测
0: Bacterial_leaf_blight - 细菌性叶枯病
1: Brown_spot - 褐斑病
2: Healthy - 健康
3: Leaf_blast - 叶瘟
4: Leaf_scald - 叶焦病
5: Narrow_brown_spot - 窄条褐斑病
6: Neck_blast - 穗颈瘟
7: Rice_hispa - 稻负泥虫
8: Sheath_blight - 纹枯病
9: Tungro - 东格鲁病 - 已经训练好的模型权重，整体精度如下：
(1)precision (精确率): 0.619
(2)recall (召回率): 0.544
(3)mAP50 (IoU阈值0.5时的平均精度): 0.592
(4)mAP50-95 (IoU阈值0.5-0.95的平均精度): 0.311
(5)Narrow_brown_spot mAP50 (窄条褐斑病): 0.716
(6)Sheath_blight mAP50 (纹枯病): 0.711
五、系统主要功能截图(部分截图)
