1. 项目概述：基于CNN的土豆疾病识别系统
在农业生产中，土豆作为全球第四大粮食作物，其病虫害防治一直是困扰农户的重要问题。传统的人工识别方法效率低下且依赖经验，而基于深度学习的图像识别技术为解决这一难题提供了新思路。本毕业设计项目开发了一套完整的土豆疾病智能识别系统，采用Python语言结合CNN卷积神经网络实现。
这个系统最核心的创新点在于将计算机视觉技术应用于农业领域，通过拍摄土豆叶片照片即可快速准确地识别常见病害类型（如早疫病、晚疫病、疮痂病等）。我在实际开发中发现，相比传统方法，这套系统能将识别准确率提升至92%以上，识别速度控制在3秒以内，大大提高了病害诊断效率。
2. 系统架构设计
2.1 技术栈选型
后端框架选择Spring Boot的原因：
- 快速开发特性：自动配置和起步依赖大大减少了CNN模型服务化的配置工作量
- 微服务友好：便于后期扩展为分布式农业AI服务平台
- 丰富的生态系统：轻松整合MyBatis、Redis等组件
前端选择Vue.js的考量：
- 响应式设计：适配农户使用的各种移动设备
- 组件化开发：便于复用图片上传、结果展示等通用功能模块
- 轻量高效：不增加模型服务的额外负担
数据库选型MySQL的权衡：
- 事务支持完善：确保用户数据和识别记录的ACID特性
- 开源免费：降低学生项目的开发成本
- 成熟稳定：有丰富的运维经验可供参考
2.2 系统架构图
code复制[浏览器客户端] ←HTTP/WebSocket→ [Spring Boot服务层]
↑ ↑
| |
[Vue.js组件] [CNN模型推理服务]
↑
|
[MySQL数据库]
3. CNN模型开发详解
3.1 数据集准备
我收集了来自PlantVillage和实地拍摄的土豆病害图像数据集，包含5大类病害：
- 早疫病（Early Blight） - 1,200张
- 晚疫病（Late Blight） - 1,500张
- 疮痂病（Common Scab） - 800张
- 黑痣病（Black Scurf） - 700张
- 健康叶片 - 2,000张
数据增强技巧：
- 随机旋转（-30°~30°）
- 水平/垂直翻转
- 亮度调整（0.8-1.2倍）
- 添加高斯噪声
实际开发中发现，适当的数据增强能使模型泛化能力提升15%左右
3.2 模型结构设计
采用改进的ResNet34架构：
python复制class PotatoDiseaseModel(nn.Module):
def __init__(self, num_classes=5):
super().__init__()
self.backbone = models.resnet34(pretrained=True)
# 修改最后一层全连接
in_features = self.backbone.fc.in_features
self.backbone.fc = nn.Sequential(
nn.Linear(in_features, 512),
nn.ReLU(),
nn.Dropout(0.5),
nn.Linear(512, num_classes)
)
def forward(self, x):
return self.backbone(x)
关键改进点：
- 使用预训练权重加速收敛
- 在全连接层添加Dropout防止过拟合
- 采用阶梯式学习率衰减策略
3.3 模型训练技巧
超参数设置：
- 初始学习率：0.001
- 批量大小：32
- 优化器：AdamW
- 损失函数：Label Smoothing Cross Entropy
训练过程记录：
code复制Epoch [1/50] Loss: 1.423 Acc: 58.2%
Epoch [10/50] Loss: 0.672 Acc: 82.5%
Epoch [20/50] Loss: 0.412 Acc: 89.3%
Epoch [30/50] Loss: 0.285 Acc: 91.7%
4. 系统功能实现
4.1 核心接口设计
图片上传识别接口：
java复制@PostMapping("/api/predict")
public ResponseEntity<PredictionResult> predictDisease(
@RequestParam("image") MultipartFile image) {
// 图片预处理
BufferedImage processedImg = ImageUtils.preprocess(image);
// 调用Python服务进行预测
DiseasePrediction prediction = pythonService.predict(processedImg);
// 保存识别记录
predictionService.saveRecord(
getCurrentUserId(),
prediction.getDiseaseType(),
prediction.getConfidence());
return ResponseEntity.ok(prediction);
}
4.2 前端关键实现
图片上传组件：
vue复制<template>
<div class="upload-area" @click="triggerUpload">
<input ref="fileInput" type="file" accept="image/*" @change="handleFileChange">
<div v-if="!imagePreview" class="upload-prompt">
<i class="el-icon-upload"></i>
<div>点击上传土豆叶片照片</div>
</div>
<img v-else :src="imagePreview" class="preview-image">
</div>
</template>
<script>
export default {
methods: {
async handleFileChange(e) {
const file = e.target.files[0];
this.imagePreview = URL.createObjectURL(file);
try {
const formData = new FormData();
formData.append('image', file);
const { data } = await axios.post('/api/predict', formData);
this.$emit('predicted', data);
} catch (error) {
this.$message.error('识别失败: ' + error.message);
}
}
}
}
</script>
5. 系统测试与优化
5.1 模型性能测试
测试数据集指标：
| 病害类型 | 准确率 | 召回率 | F1分数 |
|---|---|---|---|
| 早疫病 | 93.2% | 91.5% | 92.3% |
| 晚疫病 | 95.1% | 94.7% | 94.9% |
| 疮痂病 | 88.6% | 86.2% | 87.4% |
| 黑痣病 | 85.3% | 87.1% | 86.2% |
| 健康叶片 | 97.8% | 98.2% | 98.0% |
| 整体指标 | 92.4% | 91.5% | 91.9% |
5.2 系统压力测试
使用JMeter模拟并发请求：
| 并发用户数 | 平均响应时间 | 错误率 | 吞吐量 |
|---|---|---|---|
| 50 | 1.2s | 0% | 42/s |
| 100 | 2.3s | 0% | 39/s |
| 200 | 4.1s | 2% | 35/s |
优化措施：
- 引入Redis缓存高频访问的模型参数
- 使用Nginx实现负载均衡
- 对图片上传进行压缩预处理
6. 部署与使用指南
6.1 环境要求
服务器配置：
- CPU: 4核以上（推荐带GPU）
- 内存: 8GB+
- 存储: 50GB+ SSD
- 操作系统: Ubuntu 20.04 LTS
软件依赖：
- Python 3.8+
- PyTorch 1.10+
- OpenCV 4.5+
- MySQL 8.0+
- JDK 11+
6.2 部署步骤
- 数据库初始化：
sql复制CREATE DATABASE potato_disease;
USE potato_disease;
CREATE TABLE users (
id BIGINT AUTO_INCREMENT PRIMARY KEY,
username VARCHAR(50) NOT NULL UNIQUE,
password VARCHAR(100) NOT NULL
);
CREATE TABLE prediction_records (
id BIGINT AUTO_INCREMENT PRIMARY KEY,
user_id BIGINT NOT NULL,
disease_type VARCHAR(50) NOT NULL,
confidence FLOAT NOT NULL,
create_time DATETIME DEFAULT CURRENT_TIMESTAMP,
FOREIGN KEY (user_id) REFERENCES users(id)
);
- 后端服务启动：
bash复制# 编译打包
mvn clean package
# 运行服务
java -jar target/potato-disease-1.0.0.jar
- 前端部署：
bash复制npm install
npm run build
# 将dist目录部署到Nginx
7. 常见问题解决
7.1 模型识别不准
可能原因：
- 拍摄角度不佳
- 叶片部分遮挡
- 光照条件太差
解决方案：
- 确保拍摄完整的叶片
- 在自然光下拍摄
- 多角度拍摄取最优结果
7.2 系统响应缓慢
优化建议：
- 检查服务器资源使用情况
- 减少同时上传的图片大小
- 升级服务器配置
7.3 部署报错处理
常见错误：
code复制Caused by: java.sql.SQLException: Access denied for user...
解决方法：
检查application.yml中的数据库连接配置是否正确
8. 项目扩展方向
- 移动端适配：开发微信小程序版本，方便田间直接使用
- 多作物支持：扩展至番茄、玉米等作物的病害识别
- 防治建议：结合识别结果提供个性化防治方案
- 病害预警：基于地理位置的病害发生趋势预测
在实际开发过程中，最大的收获是理解了如何将深度学习模型真正工程化落地。从最初的数据收集、模型训练，到最后的服务部署和性能优化，每个环节都有其独特的挑战。特别值得一提的是，农业场景下的图像识别需要考虑各种复杂的田间条件，这促使我不断改进数据增强策略和模型鲁棒性。