基于深度学习的病虫害识别开发文档

程序开发文档

目  录

第一章 需求分析 14

第二章 概要设计 14

第三章 详细设计 14

第四章 测试报告 14

第五章 安装及使用 14

第六章 项目总结 14

农作物病虫害是我国的主要农业灾害之一，它具有种类多、影响大、并时常暴发成灾的特点，对我国国民经济、特别是农业生产常造成重大损失。

随着人工智能的发展，利用机器视觉进行农作物病虫害检测与识别可以提高识别的准确率，具有高效客观的特点；随着计算机、手机等移动设备的普及，利用病虫害专家系统可跨越时间、空间的限制为农民提供病虫害防治策略。本系统利用深度学习算法、前后端开发技术、数据库技术进行开发，深度学习算法解决农作物病虫害的识别与检测困难的问题，前后端技术主要用于开发web应用，数据库SQLite用于存储数据信息，最终，开发出一款集农作物病虫害检测、识别、防治和决策的web应，本系统具有以下功能：

系统特点：

一、技术栈

开发语言

python

前端

layui，jinjia2

后端

flask

数据库

SQLite, 连接使用的flask_sqlalchemy

深度学习

pytorch，使用resNet34训练

API

识农API、百度识虫API

服务器

阿里云轻量服务器(Ubuntu20.04)+Apache

农作物病虫害识别与治理系统是基于前后端分离的Web应用：

（一）前端技术采用：

1.layui作为一款国产开源的前端UI，简单易上手，并且UI简洁美观。本身目标对象是不怎么懂前端的后端开发人员，也适合后端人员使用。

（1）layui属于轻量级框架，简单美观。适用于开发后端模式，它在服务端页面上有非常好的效果。

（2）layui是提供给后端开发人员最好的ui框架，基于DOM驱动。

2.jinja2是Flask作者开发的一个模板系统，起初是仿django模板的一个模板引擎，为Flask提供模板支持，由于其灵活，快速和安全等优点被广泛使用。

（1）相对于Template，jinja2更加灵活，它提供了控制结构，表达式和继承等；

（2）相对于Mako，jinja2仅有控制结构，不允许在模板中编写太多的业务逻辑；

（3）相对于Django模板，jinja2性能更好；

（4）jinja2模板的可读性很棒。

（二）后端技术采用：

flask主要特点小而轻,原生组件几乎为0,非常全面,属于短小精悍型框架

优点：

a.简单，Flask的路由以及路由函数由修饰器设定，开发人员不需要借助其他文件匹配；

b.配置灵活，有多种方法配置，不同环境的配置也非常方便；环境部署简单，Flask运行不需要借助其他任何软件，只需要安装了Python的IDE，在命令行运行即可。只需要在Python中导入相应包即可满足所有需求；

c.入门简单，通过官方指南便可以清楚的了解Flask的运行流程；

d.低耦合，Flask可以兼容多种数据库、模板。

（三）数据库技术：

SQLite是目前最流行的开源嵌入式数据库，和很多其他嵌入式存储引擎相比(NoSQL)，如BerkeleyDB、MemBASE等，SQLite可以很好的支持关系型数据库所具备的一些基本特征，如标准SQL语法、事务、数据表和索引等。事实上，尽管SQLite拥有诸多关系型数据库的基本特征，然而由于应用场景的不同，它们之间并没有更多的可比性。下面我们将列举一下SQLite的主要特征：

a.管理简单，甚至可以认为无需管理；

b.操作方便，SQLite生成的数据库文件可以在各个平台无缝移植；

c.可以非常方便的以多种形式嵌入到其他应用程序中，如静态库、动态库等；

d.易于维护。

(四)数据库设计：

用户表

虫害百科表

历史记录表

二、功能介绍及界面设计

1.病虫害图片识别

上传后给出识别结果

点击图片跳转百科详情页

2.用户登录

注册页面

登录页面

后台主页信息显示

普通用户个人信息修改

管理员管理用户

需要先进行查询

点击

进入到对应的百科页面

若是管理员账号，还可以添加记录

点击对应图片，可查看详情

若是管理员账号，还可以编辑、删除

一般用户可留言

留言后可查看内容，也可查看其它留言

如果为管理员，可以删除留言

上传图片后，会将本次查询记录保存，用户可以查看历次查询记录,有日期搜索功能,点击即可查看详情

运行速度

通过127.0.0.1:5000访问web应用

安全性

用户在使用账号登录时加入验证

扩展性

加入更多功能，如作物生长情况预测等

部署方便性

可部署于阿里云Ubuntu、Windows系统中

可用性

可用于农户防止农作物病虫害，适用范围较广

1、安装相应的python包

（1）pip install flask

pip install flask_sqlalchemy

pip install torch==1.8.0+cpu torchvision==0.9.0+cpu torchaudio===0.8.0 -f https://download.pytorch.org/whl/torch_stable.html

pip install matplotlib

这里安装的是cpu版本的pytorch，你也可以根据需要安装其他版本的，安装过程最好换用国内源，快很多

注：如果你用的不是pycharm，建议安装gevent

pip install gevent

（2）pip install -r requirements.txt -i

Simple Index进行运行环境的安装

2、运行app.py

3、访问 127.0.0.1:5000

注:如果是将项目部署到服务器端，最好检查一下自己的SQLAlchemy版本，如果不是1.3.23会报错，这时将其卸载重装即可

对于该项目，我们将其分为搭建网站与分类算法实现部分。最开始我们就实现了项目大概分工，考虑到网站部分较为困难，最后是一个人负责分类算法，两个人负责搭建网站。

1.算法部分

分类算法是使用ResNet34模型，运用torch框架进行训练，最终得到了比较好的训练结果，但由于神经网络模型训练的数据集比较小，且训练的种类仅有6种，在这6种图片的测试下准确率很高，但对于其它病虫害无法识别，因此引入了识农的API，经过测试，该识农API准确率很高，可以达到87%以上的结果。

2.搭建网站部分

网站我们考虑到torch分类算法（使用python语言）在其他程序语言平台还需要进行转换，故而考虑直接用python作为开发语言，其强大的第三方库也为我们节省了大量的开发时间。这部分可以分为三个小部分——前端界面美化、后端资源调控以及前后端交互。

在开发时主要困难来自于搭建网站部分，前后端交互不断出现bug，比如页面资源显示问题，要在数据库中调取用户保存的图片显示在前端，格式的转换也消耗了很多时间，所幸经过团队的不断努力，最终还算是搭建出了一个比较可以的网站。

对于这个系统来说，最终由于时间等因素的影响，没有将客服回复问题的功能制作出来，后续我们会考虑完善该功能。页面的设计界面也不是很好看，可以继续美化。

相关知识

深度学习农作物病虫害智能识别APP开发教程
基于深度学习的农作物病虫害识别系统
基于深度学习的病虫害智能化识别系统
基于深度学习的yolov7植物病虫害识别及防治系统
基于深度学习的园林植物病虫害智能识别系统
基于深度学习特征的植物病虫害检测
基于深度学习的植物病虫害智能检测系统研究
基于深度学习的花卉识别研究
深度学习之基于YoloV7植物病虫害识别及防治系统
基于深度学习神经网络的农业病虫害识别（完整代码+数据）

网址: 基于深度学习的病虫害识别开发文档 https://www.huajiangbk.com/newsview504814.html