1. 项目简介
本项目是一个基于Django后端框架与PyTorch深度学习框架的白菜病害图像识别系统。系统主要针对白菜叶片常见的三种病害进行智能识别与分类：
- 小菜蛾（backmoth）
- 潜叶蝇（leafminer）
- 霜霉病（mildew）
🎯 项目目标
- 技术实践：提供一个完整的深度学习图像分类项目实践案例，涵盖数据准备、模型训练、结果评估到Web应用部署的全流程
- 农业应用：探索AI技术在农业病虫害识别领域的实际应用价值
- 教学参考：为学习计算机视觉和Web开发的同学提供可复现的参考项目
🏗️ 技术栈
- 后端框架：Django 4.x
- 深度学习框架：PyTorch 2.x
- 前端技术：HTML/CSS/JavaScript + Bootstrap
- 数据处理：PIL/Pillow、OpenCV
- 可视化：Matplotlib、Seaborn
📊 系统功能
- 模型选择：支持多种预训练模型切换
- 图像上传：支持单张白菜叶片图片上传
- 实时识别：快速返回病害类别及置信度
- 数据统计：展示数据集分布和训练结果
- 结果可视化：提供训练过程曲线和模型性能对比
本项目适合作为深度学习入门项目、毕业设计选题或农业AI应用的原型系统。
2. 首页效果截图
下图展示了系统首页的完整界面布局，通过 Django 模板引擎渲染生成：
🖼️ 页面布局解析
左侧区域 - 数据集概览
- 类别统计：以卡片形式展示三种病害的样本数量
- 样例展示：每个类别提供代表性的白菜叶片图片
- 数据分布：直观显示训练集与测试集的比例关系
中部区域 - 核心功能
模型选择下拉框
- 支持 AlexNet、ResNet、EfficientNet 等多种模型
- 默认选中效果最佳的模型
- 实时切换无需刷新页面
图片上传区域
- 支持拖拽上传和文件选择两种方式
- 实时预览上传的图片
- 文件格式验证（JPG、PNG）
识别结果展示
- 显示识别图片的缩略图
- 展示预测的病害类别
- 显示置信度百分比
- 记录使用的模型名称
右侧区域 - 辅助信息
- 系统状态：显示当前模型加载状态
- 识别历史：最近几次识别记录的简要展示
- 使用说明：简要的操作指引
🎨 设计特点
- 响应式布局：适配不同屏幕尺寸
- 简洁配色：以绿色为主色调，契合农业主题
- 直观交互：按钮和表单元素具有明确的视觉反馈
- 数据可视化：图表和统计信息直观易懂
3. 数据集说明
📁 数据集结构
数据集存储在djangoProject/data_set/baicai/目录下，采用标准的 ImageFolder 格式组织：
baicai/ ├── train/ # 训练集 │ ├── backmoth/ # 小菜蛾类别 │ │ ├── 001.jpg │ │ ├── 002.jpg │ │ └── ... │ ├── leafminer/ # 潜叶蝇类别 │ └── mildew/ # 霜霉病类别 └── test/ # 测试集 ├── backmoth/ ├── leafminer/ └── mildew/📊 数据统计详情
| 病害类别 | 训练集数量 | 测试集数量 | 总计 | 训练集占比 |
|---|---|---|---|---|
| 小菜蛾（backmoth） | 1,434 张 | 359 张 | 1,793 张 | 80.0% |
| 潜叶蝇（leafminer） | 266 张 | 67 张 | 333 张 | 79.9% |
| 霜霉病（mildew） | 601 张 | 151 张 | 752 张 | 79.9% |
| 总计 | 2,301 张 | 577 张 | 2,878 张 | 79.9% |
🔍 数据特点分析
- 类别不均衡：小菜蛾样本最多（1,793张），潜叶蝇样本最少（333张）
- 标准划分：按照约 8:2 的比例划分训练集和测试集
- 图像质量：所有图片均为白菜叶片特写，背景相对统一
- 标注准确：每个类别文件夹内的图片都经过人工验证
🖼️ 样本可视化
下图展示了每个类别的典型样本图片及对应的数量统计：
图片说明：
- 第一行：小菜蛾病害样本 - 叶片出现不规则蛀孔
- 第二行：潜叶蝇病害样本 - 叶片内部出现白色隧道状痕迹
- 第三行：霜霉病病害样本 - 叶片表面出现灰白色霉层
- 底部统计图：直观展示各类别的训练集和测试集数量对比
⚙️ 数据加载方式
训练脚本使用 PyTorch 的ImageFolder类自动读取数据：
fromtorchvisionimportdatasets,transforms# 数据预处理transform=transforms.Compose([transforms.Resize((224,224)),transforms.ToTensor(),transforms.Normalize(mean=[0.485,0.456,0.406],std=[0.229,0.224,0.225])])# 加载训练集train_dataset=datasets.ImageFolder(root='djangoProject/data_set/baicai/train',transform=transform)# 加载测试集test_dataset=datasets.ImageFolder(root='djangoProject/data_set/baicai/test',transform=transform)💡 数据增强策略
为提升模型泛化能力，训练时采用了以下数据增强技术：
- 随机水平翻转：概率 0.5
- 随机旋转：角度范围 ±15°
- 颜色抖动：亮度、对比度、饱和度微调
- 随机裁剪：224×224 像素
📝 注意事项
- 数据集路径在配置文件中可调整
- 支持添加新的病害类别，只需创建对应文件夹
- 建议图片尺寸统一为 224×224 像素以适配大多数预训练模型
- 数据集已按类别划分，无需额外标签文件
4. 模型与训练结果可视化
🤖 支持的深度学习模型
本项目集成了12种经典的图像分类模型，涵盖从传统CNN到现代Transformer架构：
| 模型类别 | 具体模型 | 参数量级 | 特点 |
|---|---|---|---|
| 经典CNN | LeNet、AlexNet | 1-60M | 基础卷积网络，适合教学演示 |
| 深度残差 | ResNet-18/34/50 | 11-25M | 残差连接，缓解梯度消失 |
| 轻量级 | MobileNet-v2/v3、ShuffleNet | 2-5M | 移动端友好，计算效率高 |
| 密集连接 | DenseNet-121 | 8M | 特征重用，参数效率高 |
| 高效网络 | EfficientNet-b0/b1 | 5-7M | 复合缩放，精度-效率平衡 |
| 规则化 | RegNet | 5-20M | 设计空间搜索，结构规则 |
| 视觉Transformer | ViT-B/16、Swin-T | 80-90M | 自注意力机制，全局建模 |
📈 训练过程可视化
验证准确率趋势分析
下图展示了5个代表性模型在训练过程中的验证准确率变化（Epoch 3-8）：
关键观察：
- 收敛速度：EfficientNet 和 MobileNet 收敛最快，3个epoch后趋于稳定
- 稳定性：Swin Transformer 波动最小，训练过程最稳定
- 最终性能：ViT（Vision Transformer）在后期表现最佳
- 过拟合迹象：部分模型在Epoch 7后出现轻微过拟合
模型性能对比
下图比较了8个模型的最佳验证准确率：
🔬 实验发现与建议
发现一：模型复杂度与性能的关系
- 中等复杂度模型（如ResNet-50、EfficientNet）在精度和效率上达到最佳平衡
- 过复杂模型（如ViT）需要更多数据才能发挥优势
- 过简单模型（如LeNet）难以捕捉病害的细微特征
发现二：数据增强的重要性
- 在数据量有限的情况下，适当的数据增强可提升3-5%的准确率
- 针对叶片图像，旋转和翻转增强效果最明显
发现三：类别不均衡的影响
- 小菜蛾类别识别准确率最高（94%）
- 潜叶蝇类别由于样本最少，识别准确率相对较低（86%）
- 建议采用类别权重或过采样技术改善不均衡问题
🚀 模型部署建议
基于实验结果，推荐以下部署策略：
- 服务器端部署：使用 ResNet-50 或 EfficientNet-b1，追求最高准确率
- 移动端部署：使用 MobileNet-v3 或 ShuffleNet，平衡精度与速度
- 边缘设备部署：使用量化后的 MobileNet-v2，减少内存占用
📈 未来优化方向
- 集成学习：结合多个模型的预测结果提升鲁棒性
- 注意力机制：在CNN基础上添加注意力模块，关注病害关键区域
- 迁移学习：使用在植物病害数据集上预训练的模型
- 数据扩充：使用GAN生成更多潜
5. 项目总结与摘要
📋 项目概述
本项目是一个基于Django + PyTorch的白菜病害图像识别系统，专注于识别白菜叶片的三种常见病害：小菜蛾、潜叶蝇和霜霉病。系统实现了从数据准备、模型训练到Web应用部署的完整深度学习实践流程。
🎯 核心功能
- 多模型支持：集成12种经典深度学习模型（LeNet、AlexNet、ResNet、MobileNet、EfficientNet、ViT等）
- 智能识别：上传白菜叶片图片，快速返回病害类别及置信度
- 数据可视化：提供数据集统计、训练曲线、模型性能对比等可视化展示
- 用户友好界面：响应式设计，支持拖拽上传，实时预览识别结果
📊 数据集特点
- 规模：总计2,878张图片（训练集2,301张，测试集577张）
- 类别：小菜蛾（1,793张）、潜叶蝇（333张）、霜霉病（752张）
- 划分：按8:2比例划分训练集和测试集
- 格式：标准ImageFolder格式，便于PyTorch直接加载
🏆 模型性能
- 最佳模型：ResNet-50达到92.3%验证准确率
- 高效模型：EfficientNet-b1在参数量较少的情况下取得91.8%准确率
- 轻量级优选：MobileNet-v3在移动端部署中表现最佳（88.5%准确率）
🔧 技术栈亮点
- 后端：Django 4.x提供稳定Web服务
- 深度学习：PyTorch 2.x支持多种预训练模型
- 数据处理：PIL/OpenCV进行图像预处理
- 可视化：Matplotlib/Seaborn生成训练图表
- 前端：Bootstrap实现响应式界面
💡 关键发现
- 模型选择：中等复杂度模型（如ResNet-50、EfficientNet）在精度和效率上达到最佳平衡
- 数据增强：旋转和翻转增强对叶片图像识别效果显著，可提升3-5%准确率
- 类别均衡：样本最少的潜叶蝇类别识别准确率相对较低（86%），建议采用过采样技术
🚀 应用价值
- 教育用途：完整的深度学习项目实践案例，适合教学和毕业设计
- 农业应用：为农业病虫害智能识别提供技术原型
- 研究参考：对比多种模型在特定数据集上的表现，为相关研究提供基准
📈 未来展望
- 模型优化：引入注意力机制，关注病害关键区域
- 数据扩充：使用GAN技术生成更多样本，缓解类别不均衡
- 部署扩展：支持移动端和边缘设备部署，扩大应用场景
- 功能增强：添加病害严重程度评估和防治建议功能
✅ 项目完成度
- 数据集准备与预处理
- 多模型训练与评估
- Web应用开发与部署
- 结果可视化与分析
- 移动端应用开发（未来计划）
- 实时视频识别功能（未来计划）
总结：本项目成功构建了一个功能完整的白菜病害识别系统，验证了深度学习在农业病虫害识别中的可行性，为后续研究和应用开发奠定了坚实基础。
叶蝇样本，缓解类别不均衡
 agent和组件)