Salton Z1. 水稻病害检测系统概述
水稻作为全球最重要的粮食作物之一，其病害防治一直是农业生产中的关键问题。传统的人工检测方法效率低下且依赖经验，而基于计算机视觉的智能检测系统能够实现快速、准确的病害识别。本系统整合了YOLOv8目标检测算法、Django Web框架和DeepSeek AI分析能力，构建了一套完整的在线检测平台。
系统核心价值在于：
- 实现水稻三大主要病害（褐斑病、稻瘟病、白叶枯病）的自动化识别
- 提供从图片上传到分析结果可视化的完整工作流
- 支持多种检测模式（单图、视频、实时摄像头）
- 集成专业级的检测参数调节功能
提示：系统默认使用ONNX格式模型，相比原生PyTorch模型具有更好的跨平台兼容性，推理速度提升约15-20%。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统架构与技术选型
2.1 整体架构设计
系统采用典型的三层架构：
code复制前端展示层（Django模板+Chart.js）
↑
业务逻辑层（Django视图+YOLOv8推理）
↑
数据存储层（SQLite+文件系统）
这种分层设计使得各组件职责明确：
- 前端负责用户交互和结果可视化
- 业务层处理核心检测逻辑
- 数据层管理用户上传文件和检测记录
2.2 关键技术组件
2.2.1 YOLOv8模型选型
选择YOLOv8n（nano版本）基于以下考量：
- 模型大小仅6.2MB，适合Web部署
- 在自建数据集上mAP50达到94%
- 推理速度在RTX 3060上可达120FPS
模型转换关键命令：
bash复制yolo export model=yolov8n.pt format=onnx opset=12
2.2.2 Django框架配置
采用Django 5.2.11版本，主要配置项：
python复制# settings.py关键配置
MEDIA_ROOT = os.path.join(BASE_DIR, 'media')
STATIC_URL = '/static/'
YOLO_MODEL_PATH = os.path.join(BASE_DIR, 'weights/yolov8n.onnx')
DEEPSEEK_API_KEY = 'your_api_key_here' # 需