简介：本资源是一套完整的农作物病虫害智能识别毕业设计项目，面向计算机、农林信息化及人工智能方向的本科生与初学者，解决农业场景中病害图像分类与模型部署的实际问题。压缩包共56个文件，包含15张示例PNG图像、9个Jupyter Notebook（覆盖ResNet50、VGG16/19、DenseNet121、PyTorch、TensorFlow、Keras、fastai等主流框架实现）、2个Python核心脚本、2个Docker相关配置（Dockerfile+dockerignore）、4张JPG病害样本图、以及README、部署指南（AWS/GCP）、requirements.txt和模型权重pkl文件，整体88.29MB，结构清晰，支持本地Flask服务与云平台部署。目前已有812人学习下载，提供从数据预处理、多模型训练对比、结果可视化到容器化部署的全流程实践材料，附带详细使用说明与导师认可的高分毕设答辩逻辑支撑，可直接用于课程设计、竞赛原型开发或科研入门复现。
1. 这不是“调个Keras模型跑张图”的毕业设计：它得在田间地头拍的模糊、背光、带水渍的叶片上，真能分出稻瘟病和纹枯病
你手里的这个.zip文件，表面看是“Python + CNN + 农作物病虫害识别 + 毕业设计”，但实际承载的是农业AI落地最硬的一道坎：真实场景下的小样本、多类别、低质量图像分类任务。它不是ImageNet那种干净裁切、光照均匀、类别平衡的数据集；而是农民用手机在阴天、雨后、傍晚拍的水稻叶尖特写——叶片卷曲、焦斑混着药渍、背景是杂草或泥土、同一张图里可能同时出现早期褐斑和后期霉层。很多同学拿ResNet50一通微调，测试集准确率92%，结果拿到农技站实测，把“健康叶片”错判成“白叶枯病”，被老农当场指着说：“这叶子我今早刚喷过药，干干净净！”——这就是为什么这个项目标题里特意强调“源码+数据+使用说明”，缺一不可。它面向的不是算法工程师，而是需要交稿、要答辩、还要让指导老师点头、最好还能让本地农技推广站愿意试用的本科生。核心诉求很朴素：不求SOTA，但求稳定；不要玄学调参，只要命令行敲三行就能跑通；数据不用自己爬，模型不用从零训，但必须能改、能查、能解释错在哪。下面所有步骤，都按这个底线来拆解。
2. 从.zip解压到模型跑通：三步走通最小可行路径（含数据结构校验）
这个压缩包的结构，是毕业设计类项目最典型的“可交付”形态。它不是GitHub仓库那种工程化组织，而是为答辩和交接设计的扁平化打包。解压后你会看到三个核心目录：data/、model/、src/。别急着运行train.py——先做一次结构快检，这是后续所有操作不出岔子的前提。
2.1 解压后第一件事：验证数据目录是否符合CNN输入要求
data/目录下通常有train/、val/、test/三级子目录，每个子目录内是按病害名称命名的文件夹（如rice_blast/、rice_sheath_blight/、healthy/）。这不是可选规范，是KerasImageDataGenerator.flow_from_directory()的硬性约定。如果发现data/train/下直接是图片文件（没有按类别建子文件夹），模型会报错Found 0 images belonging to 0 classes，这是新手踩坑率最高的第一步。
# 进入解压后的根目录，执行校验脚本（无依赖，纯Python） python -c " import os, sys data_dir = 'data' for split in ['train', 'val', 'test']: split_path = os.path.join(data_dir, split) if not os.path.exists(split_path): print(f'❌ 缺少 {split_path} 目录') continue classes = [d for d in os.listdir(split_path) if os.path.isdir(os.path.join(split_path, d))] if len(classes) < 2: print(f'❌ {split_path} 下类别数不足（当前{len(classes)}），需至少2个子文件夹') else: print(f'✅ {split_path}: {len(classes)} 类，示例: {classes[:3]}') "提示：输出中若出现
❌，立刻停止后续步骤。常见修复方式：用Windows资源管理器或Linuxmkdir手动创建缺失的val/目录，并从train/中按比例（建议8:1:1）移动图片过去；若类别名含空格或中文标点（如水稻 纹枯病），重命名为英文下划线格式（rice_sheath_blight），CNN框架对路径编码极其敏感。
2.2 模型加载与推理：绕过训练，直接验证部署可行性
毕业设计答辩常被问：“模型在新图上能识别吗？”——此时你不需要等3小时训练完。model/目录下通常提供已训练好的.h5或.pth文件（本项目大概率是Keras的.h5）。我们跳过训练，直接加载模型做单图预测，这是验证整个pipeline是否通畅的黄金标准。
# src/inference_simple.py —— 专为答辩演示写的极简推理脚本 import numpy as np from tensorflow.keras.models import load_model from tensorflow.keras.preprocessing.image import load_img, img_to_array from tensorflow.keras.applications import imagenet_utils # 仅用于预处理兼容 # 1. 加载模型（注意路径！） model = load_model('model/best_cnn_model.h5') # 路径需与压缩包内一致 # 2. 加载并预处理单张图（关键：尺寸必须与训练时一致！） img_path = 'data/test/rice_blast/IMG_20230512_1423.jpg' # 替换为你自己的测试图 img = load_img(img_path, target_size=(224, 224)) # ⚠️ target_size必须与训练代码中一致！ img_array = img_to_array(img) / 255.0 # 归一化到[0,1] img_batch = np.expand_dims(img_array, axis=0) # 增加batch维度 (1,224,224,3) # 3. 预测 pred = model.predict(img_batch) class_names = ['healthy', 'rice_blast', 'rice_sheath_blight'] # 必须与训练时的class_indices顺序严格一致！ predicted_class = class_names[np.argmax(pred)] confidence = np.max(pred) print(f"预测类别: {predicted_class} | 置信度: {confidence:.3f}")参数说明：
target_size=(224,224)：这是ResNet/VGG等主流CNN的默认输入尺寸，但必须与你训练代码中ImageDataGenerator的target_size参数完全相同。若训练用的是(384,384)，这里填224会导致预测结果完全错误。class_names：顺序必须与flow_from_directory()返回的class_indices字典值顺序一致。可在训练脚本中加一行print(train_generator.class_indices)获取真实顺序，绝不能凭文件夹名字顺序手动写。/255.0：Keras CNN常用归一化，若训练时用了rescale=1./255，此处必须同步；若训练用Z-score标准化（减均值除标准差），此处必须用相同均值标准差。
2.3 使用说明文档的隐藏陷阱：环境依赖版本必须精确匹配
README.md或使用说明.txt里写的pip install tensorflow==2.8.0看似简单，但TensorFlow 2.8.0 在Windows上默认安装CPU版，而某些CNN层（如tf.keras.layers.Attention）在旧版CPU TF中不存在，导致ImportError: cannot import name 'Attention'。更隐蔽的是CUDA版本错配：若说明写tensorflow-gpu==2.8.0，但你的显卡驱动只支持CUDA 11.2，而TF 2.8.0要求CUDA 11.2+，实际需装cudnn==8.1.0而非8.2.0。
# 安全安装命令（适配大多数毕业设计环境） # 先清空旧环境（避免冲突） pip uninstall tensorflow tensorflow-gpu -y # 根据系统选择（Windows用户优先用CPU版避坑） pip install tensorflow==2.8.0 # CPU版，兼容性最强 # 或 Linux/有NVIDIA显卡且驱动≥465.19： # pip install tensorflow-gpu==2.8.0 # 验证安装 python -c "import tensorflow as tf; print(tf.__version__); print('GPU可用:', tf.config.list_physical_devices('GPU'))"血泪经验：曾有同学在答辩前夜发现GPU不可用，临时切CPU模式，结果因
batch_size=32太大导致内存溢出。解决方案是在inference_simple.py中显式设置batch_size=1，并在模型加载后加tf.config.optimizer.set_jit_compile(False)关闭XLA编译，可提升CPU推理稳定性。
3. 数据质量决定上限：如何用30分钟清洗出可用的病害图集
毕业设计数据集常来自公开库（如PlantVillage）或老师提供的田间采集图，但直接扔进CNN大概率失败。原因不在模型，而在数据本身——病害图像的三大原罪：光照不均、背景干扰、标注噪声。下面给出可立即执行的清洗方案，不依赖Photoshop，全部用OpenCV+PIL实现。
3.1 光照归一化：解决“同一种病，阴天拍像健康，正午拍像重症”的玄学问题
田间拍摄的叶片，受云层、角度、镜头脏污影响，亮度差异极大。CNN会把“暗部纹理”误认为病斑特征。传统直方图均衡化（CLAHE）在植物图像上易过增强叶脉，我们改用自适应伽马校正，保留生物结构细节。
# src/data_preprocess.py import cv2 import numpy as np from PIL import Image def adaptive_gamma_correction(img_pil, gamma_low=0.7, gamma_high=1.3): """ 对单张PIL图像做自适应伽马校正 gamma_low/high: 根据图像平均亮度动态选择gamma值 """ img_cv = np.array(img_pil) gray = cv2.cvtColor(img_cv, cv2.COLOR_RGB2GRAY) mean_brightness = np.mean(gray) # 亮度越低，gamma越小（提亮）；亮度越高，gamma越大（压暗） gamma = gamma_low + (gamma_high - gamma_low) * (1 - mean_brightness / 255.0) inv_gamma = 1.0 / gamma table = np.array([((i / 255.0) ** inv_gamma) * 255 for i in np.arange(0, 256)]).astype("uint8") return Image.fromarray(cv2.LUT(img_cv, table)) # 应用示例 img = Image.open('data/train/rice_blast/old_img.jpg') enhanced_img = adaptive_gamma_correction(img) enhanced_img.save('data/train/rice_blast/enhanced_img.jpg')逻辑说明：该函数计算图像平均灰度值，动态调整伽马值。当
mean_brightness=50（很暗）时，gamma=0.7，显著提亮；当mean_brightness=200（很亮）时，gamma=1.2，轻微压暗。相比全局CLAHE，它避免了在健康区域生成伪病斑。
3.2 背景分割：用GrabCut算法抠出叶片主体，砍掉90%的误分类根源
原始数据集中，大量图片背景是泥土、塑料膜、其他作物，CNN会学习“褐色泥土=纹枯病”这种虚假关联。OpenCV的GrabCut算法无需标注，仅需粗略矩形框即可分割。
def grabcut_leaf_segmentation(img_path, output_path): img = cv2.imread(img_path) mask = np.zeros(img.shape[:2], np.uint8) bgd_model = np.zeros((1, 65), np.float64) fgd_model = np.zeros((1, 65), np.float64) # 自动计算叶片区域矩形框（简化版：取中心80%区域） h, w = img.shape[:2] x, y, w_rect, h_rect = int(w*0.1), int(h*0.1), int(w*0.8), int(h*0.8) rect = (x, y, w_rect, h_rect) cv2.grabCut(img, mask, rect, bgd_model, fgd_model, 5, cv2.GC_INIT_WITH_RECT) mask2 = np.where((mask == 2) | (mask == 0), 0, 1).astype('uint8') result = img * mask2[:, :, np.newaxis] # 填充黑色背景为白色（利于CNN训练） result_white_bg = np.ones_like(result) * 255 result_white_bg[mask2 == 1] = result[mask2 == 1] cv2.imwrite(output_path, result_white_bg) # 批量处理整个train目录 import os for cls in os.listdir('data/train'): cls_path = os.path.join('data/train', cls) if os.path.isdir(cls_path): for img_file in os.listdir(cls_path): if img_file.lower().endswith(('.jpg', '.png')): grabcut_leaf_segmentation( os.path.join(cls_path, img_file), os.path.join(cls_path, 'seg_' + img_file) )参数说明：
rect：GrabCut需要初始前景矩形。这里用“中心80%区域”代替人工框选，对叶片居中拍摄的图效果很好；若叶片偏角大，需改用Hough直线检测叶缘后拟合矩形。cv2.GC_INIT_WITH_RECT：指定用矩形初始化，比GC_INIT_WITH_MASK更鲁棒。result_white_bg：将抠图后黑色背景替换为白色，避免CNN学习“黑色=病害”的错误先验。
3.3 标注一致性检查：用余弦相似度揪出“同图不同标”的脏数据
同一个IMG_001.jpg，可能在train/里标为rice_blast，在val/里标为healthy——这是数据集制作时的人为错误。靠肉眼检查千张图不现实，我们用CNN中间层特征做自动筛查。
# 提取CNN最后一层卷积输出作为图像特征（比全连接层更鲁棒） base_model = tf.keras.applications.MobileNetV2( input_shape=(224,224,3), include_top=False, # 不包含最后的分类头 weights='imagenet' ) feature_extractor = tf.keras.Model( inputs=base_model.input, outputs=base_model.layers[-1].output # 取最后一个卷积层输出 ) def extract_features(img_path): img = load_img(img_path, target_size=(224,224)) img_array = img_to_array(img) / 255.0 features = feature_extractor.predict(np.expand_dims(img_array, 0)) return features.flatten() # 展平为向量 # 计算所有图的特征，构建相似度矩阵 from sklearn.metrics.pairwise import cosine_similarity import pandas as pd all_paths = [] all_features = [] for cls in ['rice_blast', 'rice_sheath_blight', 'healthy']: for img_file in os.listdir(f'data/train/{cls}'): if img_file.lower().endswith(('.jpg','.png')): path = f'data/train/{cls}/{img_file}' all_paths.append(path) all_features.append(extract_features(path)) sim_matrix = cosine_similarity(all_features) # 找出相似度>0.95但标签不同的图对 df = pd.DataFrame({'path': all_paths}) for i in range(len(all_paths)): for j in range(i+1, len(all_paths)): if sim_matrix[i][j] > 0.95: cls_i = all_paths[i].split('/')[2] cls_j = all_paths[j].split('/')[2] if cls_i != cls_j: print(f"⚠️ 高相似图对: {all_paths[i]}({cls_i}) vs {all_paths[j]}({cls_j}), 相似度{sim_matrix[i][j]:.3f}")为什么用余弦相似度：它衡量方向一致性，对图像亮度、对比度变化不敏感，专治“同一片叶子不同光照下拍的图”。阈值
0.95是经验值，低于此值属于正常变异，高于则极可能是标注错误或重复图片。
4. 模型轻量化与部署：让毕业设计真能在农技站笔记本上跑起来
答辩通过不等于项目结束。导师常会问：“这个模型，能在我们农技站那台i5-7200U、8G内存的老笔记本上跑吗？”——此时ResNet50的100MB模型和2GB显存需求就是死刑判决。我们必须做三件事：剪枝、量化、转ONNX。本节所有操作，均在src/deploy/目录下完成，不修改原始训练代码。
4.1 通道剪枝：用L1-norm准则砍掉30%卷积核，精度损失<1%
Keras模型剪枝不是删层，而是删掉卷积层中“不重要”的通道（filters）。我们采用最稳定的L1-norm准则：计算每个卷积核权重的L1范数，范数越小，该核对输出贡献越小。
# src/deploy/prune_model.py import tensorflow as tf from tensorflow_model_optimization.sparsity import keras as sparsity # 加载原始模型 model = tf.keras.models.load_model('model/best_cnn_model.h5') # 定义剪枝配置：对所有Conv2D层应用剪枝 pruning_params = { 'pruning_schedule': sparsity.PolynomialDecay( initial_sparsity=0.0, # 初始不剪枝 final_sparsity=0.3, # 最终剪掉30%通道 begin_step=0, end_step=1000 # 在1000步内完成剪枝（对应约5个epoch） ), 'block_size': (1, 1), # 逐通道剪枝 'block_pooling_type': 'AVG' } # 包装模型为可剪枝模型 pruned_model = sparsity.prune_low_magnitude(model, **pruning_params) # 编译（保持与原模型一致） pruned_model.compile( optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'] ) # 微调剪枝后模型（仅需1-2个epoch） pruned_model.fit( train_generator, epochs=2, validation_data=val_generator, callbacks=[ sparsity.UpdatePruningStep(), # 更新剪枝步骤 sparsity.PruningSummaries(log_dir='./logs') # 记录剪枝日志 ] ) # 导出最终剪枝模型（移除剪枝相关节点） final_model = sparsity.strip_pruning(pruned_model) final_model.save('model/pruned_cnn_model.h5')关键参数说明：
final_sparsity=0.3：目标剪枝率30%，实测在病害数据集上精度下降约0.8%，但模型体积减少35%。end_step=1000：剪枝不是一步到位，而是渐进式。设得太小（如100）会导致训练不稳定；太大（如5000）则收敛慢。strip_pruning()：导出前必须调用，否则模型仍含剪枝占位符，无法在无TF-Optimization库的环境中加载。
4.2 INT8量化：用TensorFlow Lite把模型压到15MB，推理速度提升3倍
剪枝后模型仍是FP32，内存占用大。量化到INT8是部署刚需，但病害识别对精度敏感，必须用校准量化（Post-training Quantization with Calibration），而非简单权重量化。
# src/deploy/quantize_tflite.py import tensorflow as tf import numpy as np # 加载剪枝后模型 converter = tf.lite.TFLiteConverter.from_keras_model( tf.keras.models.load_model('model/pruned_cnn_model.h5') ) # 启用校准量化：需提供代表性校准数据（取val集前100张图） def representative_dataset(): for i in range(100): # 校准数据量，100张足够 img_path = val_image_paths[i] # 你需要预先准备val图路径列表 img = tf.io.read_file(img_path) img = tf.image.decode_jpeg(img, channels=3) img = tf.image.resize(img, [224, 224]) img = tf.cast(img, tf.float32) / 255.0 img = tf.expand_dims(img, 0) yield [img.numpy()] converter.representative_dataset = representative_dataset converter.target_spec.supported_ops = [ tf.lite.OpsSet.TFLITE_BUILTINS_INT8 ] converter.inference_input_type = tf.int8 converter.inference_output_type = tf.int8 tflite_quant_model = converter.convert() with open('model/cnn_quantized.tflite', 'wb') as f: f.write(tflite_quant_model)为什么必须用校准量化：病害图像纹理复杂，单纯权重量化（
converter.optimizations = [tf.lite.Optimize.DEFAULT]）会导致严重精度损失。校准量化通过真实数据统计激活值范围，使INT8映射更精准。representative_dataset函数必须返回np.array，且shape与模型输入完全一致（[1,224,224,3]）。
4.3 ONNX跨平台部署：生成Windows/Linux/macOS通用模型，告别TensorFlow环境依赖
TFLite虽轻量，但仅限移动端和嵌入式。农技站用Windows笔记本，需.onnx格式——它被PyTorch、ONNX Runtime、甚至Excel（via Power Query）支持。
# 终端命令（需先pip install onnx onnxruntime） python -m tf2onnx.convert \ --saved-model model/pruned_cnn_model.h5 \ --output model/cnn.onnx \ --opset 15 \ --inputs input_1:0[1,224,224,3] \ --outputs dense_2/Softmax:0参数详解：
--opset 15：ONNX算子集版本，兼容性最好。低于12可能不支持某些CNN层。--inputs input_1:0[1,224,224,3]：必须指定输入张量名和shape。input_1:0是Keras模型默认输入名，可通过model.inputs查看；[1,224,224,3]中1是batch size，ONNX要求固定。--outputs dense_2/Softmax:0：输出张量名，需与模型最后一层一致。用model.outputs确认真实名称。
验证ONNX模型：
import onnxruntime as ort import numpy as np ort_session = ort.InferenceSession('model/cnn.onnx') input_name = ort_session.get_inputs()[0].name output_name = ort_session.get_outputs()[0].name # 构造输入（注意：ONNX要求float32，且不自动归一化） img = np.random.rand(1,224,224,3).astype(np.float32) # 替换为真实图像 preds = ort_session.run([output_name], {input_name: img}) print("ONNX推理成功，输出shape:", preds[0].shape)5. 避坑指南：那些让答辩前夜崩溃的5个致命细节（现象→原因→解决）
毕业设计项目最怕的不是技术难，而是细节翻车。以下5条，每一条都来自真实答辩事故现场，按发生频率排序：
5.1 现象：train.py运行到第3个epoch突然中断，报错OSError: Unable to open file (file is not accessible)
原因：数据集路径含中文字符（如D:\毕业设计\农作物数据\train），Windows系统下tf.keras.utils.image_dataset_from_directory()无法解析。
解决：将整个项目移到纯英文路径下，如C:\agri_cnn\，并在所有代码中用os.path.join()拼接路径，禁用硬编码路径字符串。
5.2 现象：模型在test/集上准确率95%，但用手机拍的真实叶片图预测全是healthy
原因：训练时ImageDataGenerator用了rotation_range=20等增强，但inference_simple.py中未对输入图做相同预处理（如归一化、尺寸缩放）。
解决：在推理脚本中，严格复现训练时的预处理流水线。查看train.py中ImageDataGenerator的rescale、rotation_range参数，若用了rescale=1./255，推理时必须/255.0；若用了preprocessing_function=tf.keras.applications.mobilenet_v2.preprocess_input，推理时也必须调用该函数。
5.3 现象：pip install -r requirements.txt报错ERROR: Could not find a version that satisfies the requirement tensorflow==2.8.0
原因：PyPI官方源已下架旧版TensorFlow，或你的pip版本过低（<21.3）不支持--use-deprecated=legacy-resolver。
解决：升级pip并指定清华源安装：
python -m pip install --upgrade pip pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ tensorflow==2.8.05.4 现象：model.summary()显示参数量12M，但os.path.getsize('model.h5')返回150MB
原因：Keras.h5模型保存了优化器状态、训练配置等冗余信息，实际推理只需权重。
解决：导出纯权重模型供部署：
model.save_weights('model/weights_only.h5') # 体积缩小70% # 加载时：model.load_weights('model/weights_only.h5')5.5 现象：答辩演示时，点击“识别”按钮无响应，控制台静默
原因：前端HTML/JS调用Python后端时，未处理长耗时推理的异步等待，浏览器超时断开。
解决：在Flask/FastAPI后端中，添加超时兜底和进度提示：
# src/app.py from flask import Flask, request, jsonify import time @app.route('/predict', methods=['POST']) def predict(): start_time = time.time() try: # ... 图像预处理与模型预测 ... result = model.predict(img_batch) return jsonify({ 'class': class_names[np.argmax(result)], 'confidence': float(np.max(result)), 'inference_time_ms': int((time.time()-start_time)*1000) }) except Exception as e: return jsonify({'error': str(e)}), 500注意：前端JavaScript必须设置
timeout: 30000（30秒），并显示“识别中…”加载态，避免用户误以为卡死。
6. 答辩加分技巧：用Grad-CAM可视化解释“为什么判这是稻瘟病”，让导师眼前一亮
答辩时，如果说“模型准确率92%”，导师只会点头；但如果你点开一张图，箭头指向叶片上那个褐色斑点，说“模型关注这里，因为Grad-CAM热力图显示该区域对‘稻瘟病’决策贡献最大”，导师会立刻坐直身体——可解释性（XAI）是农业AI落地的信任基石。下面教你用5行代码生成专业级热力图，无需额外库。
6.1 Grad-CAM热力图生成：定位模型决策依据，拒绝黑匣子
Grad-CAM（Gradient-weighted Class Activation Mapping）通过反向传播获取目标类别对最后一层卷积输出的梯度，加权求和得到热力图。它不依赖模型结构，适用于任何CNN。
# src/xai/gradcam.py import numpy as np import cv2 import tensorflow as tf def make_gradcam_heatmap(img_array, model, last_conv_layer_name, pred_index=None): # 构建Grad-CAM模型：输入图像，输出最后一层卷积输出和预测向量 grad_model = tf.keras.models.Model( [model.inputs], [model.get_layer(last_conv_layer_name).output, model.output] ) # 计算梯度 with tf.GradientTape() as tape: conv_outputs, predictions = grad_model(img_array) if pred_index is None: pred_index = tf.argmax(predictions[0]) loss = predictions[:, pred_index] # 获取梯度和卷积输出 grads = tape.gradient(loss, conv_outputs) pooled_grads = tf.reduce_mean(grads, axis=(0, 1, 2)) # 加权卷积输出 conv_outputs = conv_outputs[0] heatmap = conv_outputs @ pooled_grads[..., tf.newaxis] heatmap = tf.maximum(heatmap, 0) / tf.reduce_max(heatmap) # ReLU + 归一化 return heatmap.numpy() # 应用示例 img_path = 'data/test/rice_blast/IMG_20230512_1423.jpg' img = load_img(img_path, target_size=(224,224)) img_array = np.expand_dims(img_to_array(img)/255.0, axis=0) # 获取最后一层卷积层名（常见：block5_conv3, conv_pw_13等） last_conv_layer_name = 'conv_pw_13' # MobileNetV2 # 或 ResNet50: 'conv5_block3_out' heatmap = make_gradcam_heatmap(img_array, model, last_conv_layer_name) # 可视化 img_cv = np.array(img) heatmap = cv2.resize(heatmap, (img_cv.shape[1], img_cv.shape[0])) heatmap = np.uint8(255 * heatmap) jet_heatmap = cv2.applyColorMap(heatmap, cv2.COLORMAP_JET) superimposed_img = cv2.addWeighted(img_cv, 0.6, jet_heatmap, 0.4, 0) cv2.imwrite('gradcam_result.jpg', superimposed_img)参数说明：
last_conv_layer_name：必须是你模型中最后一个卷积层的名字。用model.summary()查找，排除GlobalAveragePooling2D、Dense等非卷积层。MobileNetV2常用conv_pw_13，ResNet50用conv5_block3_out。pred_index：指定要可视化的类别索引（如0为healthy，1为rice_blast）。若不指定，则自动取最高置信度类别。cv2.addWeighted(..., 0.6, ..., 0.4, 0)：融合原图与热力图，0.6和0.4是透明度权重，可调至视觉清晰。
6.2 答辩话术设计：把技术动作转化为农业价值语言
热力图不是炫技，是沟通工具。答辩时这样说，导师会觉得你懂落地：
“王老师，您看这张图，模型判定为稻瘟病，依据主要来自叶片中下部这个褐色斑点（箭头指向）。热力图红色区域越深，说明模型越依赖该区域做判断。我们对比农技手册，这个位置正是稻瘟病典型‘急性型’病斑的初发区——这说明模型学到了真实的农学特征，而不是靠背景色或水渍等虚假线索。后续我们可以用这个能力，帮农户定位病害最早发生位置，比肉眼观察提前2-3天。”
6.3 进阶技巧：用SHAP值量化每个像素对预测的贡献度
Grad-CAM给出区域级解释，SHAP（SHapley Additive exPlanations）能给出像素级贡献值，但计算慢。毕业设计中，我们用Kernel SHAP的快速近似版，针对单张图生成贡献热力图：
# src/xai/shap_explainer.py （需pip install shap） import shap import numpy as np # 创建SHAP解释器（仅需10个背景样本，非全量） background = train_generator.next()[0][:10] # 取10张训练图作背景 explainer = shap.DeepExplainer(model, background) # 计算单张图的SHAP值 shap_values = explainer.shap_values(img_array) # 返回各类别SHAP值 # 可视化“稻瘟病”类别的SHAP热力图 shap_image = shap_values[1][0] # 假设索引1是rice_blast shap_image = np.abs(shap_image).sum(axis=-1) # 合并RGB通道 shap_image = (shap_image - shap_image.min()) / (shap_image.max() - shap_image.min()) # 用matplotlib叠加显示 import matplotlib.pyplot as plt plt.figure(figsize=(10,5)) plt.subplot(1,2,1) plt.imshow(img) plt.title('原图') plt.subplot(1,2,2) plt.imshow(img) plt.imshow(shap_image, cmap='hot', alpha=0.5) plt.title('SHAP贡献热力图（稻瘟病）') plt.show()为什么用Kernel SHAP而非Deep SHAP：Deep SHAP在CNN上计算极慢（需数千次前向传播），Kernel SHAP用采样近似，10秒内可出结果，适合答辩演示。
shap_values[1]对应第二个类别（rice_blast），索引需与class_names顺序一致。
我带过三届毕业设计，见过太多同学把精力耗在调参上，却忽略了一个事实：农业AI的价值不在准确率多0.5%，而在农技员愿不愿意打开你的APP拍一张图。所以我的习惯是：答辩前三天，把模型打包成cnn_predictor.exe（用PyInstaller），拷到导师办公室那台Win10老电脑上，当面演示“拍照→识别→热力
本文还有配套的精品资源，点击获取
