简介：这份资源是面向计算机相关专业学生与深度学习入门者的农作物病虫害识别检测系统完整项目，基于卷积神经网络实现图像分类与检测，可作为高分毕业设计、课程设计或期末大作业的实战参考。压缩包共56个文件，约88.3MB，包含Python源码、Jupyter Notebook实验文件、数据集、运行说明文档及部署配置，其中ipynb覆盖ResNet50、VGG16、VGG19、DenseNet121、PyTorch、TensorFlow、Keras、Fastai等多种模型实现，另有Flask服务端脚本、Dockerfile与云部署指南，便于对比不同框架的建模流程。项目已获98人学习，代码经导师指导并评审通过，结构完整、注释清晰，小白也能按说明跑通。读者可从中掌握数据预处理、模型训练调参、评估指标分析到Web端部署的完整链路，并借鉴多模型对比与工程化目录组织思路，快速完成自己的毕设或项目实战。
1. 农作物病虫害识别系统：从数据集到可运行 Python 源码的完整路径
田里发现叶片上出现不规则褐色斑点，拍照后拿不准是早疫病还是叶霉病，这是种植户和农技人员每天都会碰到的真实场景。基于深度学习卷积神经网络的农作物病虫害识别检测系统，要解决的就是把这张照片变成一条可执行的诊断结论。整套方案通常包含三部分：一份按类别整理好的病虫害图像数据集、一段用 Python 写的 CNN 训练与推理源码、一份能让别人在自己机器上跑起来的运行说明。它适合正在做高分毕设的学生、想入门深度学习又不想只跑 MNIST 的开发者，以及需要给农业场景做原型验证的工程师。读完你能判断这套东西值不值得投入、数据集怎么挑、模型怎么训、界面怎么接，以及哪些坑会让准确率虚高却在真实照片上翻车。
2. 数据集怎么选怎么洗：决定上限的一步
2.1 农作物病虫害数据集的常见来源与类别分布
公开渠道里，PlantVillage 是绕不开的起点，它覆盖苹果、番茄、葡萄、玉米等作物的健康叶与多种病害叶，背景多为单一实验室环境。另一类是田间实拍数据集，图像里带土壤、杂草、阴影和遮挡，更接近真实检测场景。选数据集先看三件事：类别是否覆盖你要识别的病虫害、每类样本量是否均衡、拍摄环境是否和你实际要用的场景一致。常见做法是先用 PlantVillage 跑通流程，再补一批自己拍的田间图做微调。如果标题里写的是“检测系统”，要区分分类和检测：分类是整张图给一个标签，检测要在图上框出病斑位置，后者需要带标注框的数据集，标注格式多为 VOC 的 XML 或 YOLO 的 txt。
类别不均衡是高频问题。番茄早疫病可能有 1000 张，而某类小众病害只有 80 张，直接训练会让模型偏向多数类。我一般会先统计每类数量，低于均值三分之一的类做增强或过采样。增强不要一上来就上很猛的几何变换，病斑的颜色和纹理是判别关键，翻转和轻微旋转安全，大幅裁剪和强色彩抖动要谨慎。
2.2 用 Python 做数据清洗与划分的实操脚本
拿到原始图片后，第一步不是直接喂给网络，而是清洗和划分。下面这段脚本做三件事：遍历类别目录、过滤损坏图片、按比例划分训练集和验证集。
import os import shutil import random from PIL import Image # 原始数据根目录，结构为 root/类别名/图片 RAW_DIR = "data/raw" # 划分后的输出目录 OUT_DIR = "data/split" # 训练集比例 TRAIN_RATIO = 0.8 # 随机种子，保证可复现 SEED = 42 random.seed(SEED) def is_valid_image(path): """尝试打开图片，损坏文件返回 False""" try: with Image.open(path) as img: img.verify() return True except Exception: return False for cls in os.listdir(RAW_DIR): cls_dir = os.path.join(RAW_DIR, cls) if not os.path.isdir(cls_dir): continue imgs = [f for f in os.listdir(cls_dir) if f.lower().endswith((".jpg", ".jpeg", ".png"))] # 过滤损坏图片 imgs = [f for f in imgs if is_valid_image(os.path.join(cls_dir, f))] random.shuffle(imgs) split_idx = int(len(imgs) * TRAIN_RATIO) train_imgs, val_imgs = imgs[:split_idx], imgs[split_idx:] for subset, files in [("train", train_imgs), ("val", val_imgs)]: dst = os.path.join(OUT_DIR, subset, cls) os.makedirs(dst, exist_ok=True) for f in files: shutil.copy(os.path.join(cls_dir, f), os.path.join(dst, f)) print(f"{cls}: 总数 {len(imgs)}, 训练 {len(train_imgs)}, 验证 {len(val_imgs)}")逻辑说明：is_valid_image用 PIL 的verify()提前剔除下载中断或格式错误的文件，避免训练时 DataLoader 直接报错中断。TRAIN_RATIO设 0.8 是分类任务的常见起点，数据量小于 5000 张时可以降到 0.7 留更多验证样本。SEED固定后每次划分结果一致，方便复现实验。参数上，如果你的类别目录名带中文，建议先重命名为英文或拼音，部分框架的路径读取对中文支持不稳定。
提示：划分前先看一眼每类数量，如果验证集某类不足 20 张，评估指标波动会很大，考虑用分层抽样或增加该类样本。
3. 卷积神经网络模型怎么搭怎么训
3.1 从零搭 CNN 还是用迁移学习：选型理由
卷积神经网络的核心是卷积层提取局部纹理和边缘，池化层降维，全连接层做分类。从零搭一个 4 到 5 层的 CNN 适合理解原理，但在病虫害这种类别多、样本有限的任务上，准确率往往不如迁移学习。迁移学习用在大规模图像上预训练过的骨干网络，把学到的通用特征迁移过来，只重训最后的分类头，收敛快、对数据量要求低。常见做法是 ResNet50、MobileNetV3 或 EfficientNet 系列，MobileNet 适合后续要部署到移动端或边缘设备的场景，ResNet 精度更稳但参数量大。
选型时看两个约束：你的显存有多大、最终要不要落地到手机。显存 6GB 以下优先 MobileNetV3 或 ResNet18，显存充足且追求精度用 ResNet50。如果毕设要求体现“自己设计网络”，可以在迁移骨干后接自定义的分类头，既保留原理展示又保证效果。
3.2 用 PyTorch 训练病虫害分类模型的完整代码
下面这段代码用迁移学习训练一个分类模型，包含数据加载、模型构建、训练循环和验证。
import torch import torch.nn as nn from torch.utils.data import DataLoader from torchvision import datasets, transforms, models # 设备选择 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 数据预处理：训练集做增强，验证集只做标准化 train_tf = transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(), transforms.RandomRotation(15), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) val_tf = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) train_ds = datasets.ImageFolder("data/split/train", transform=train_tf) val_ds = datasets.ImageFolder("data/split/val", transform=val_tf) train_loader = DataLoader(train_ds, batch_size=32, shuffle=True, num_workers=4) val_loader = DataLoader(val_ds, batch_size=32, shuffle=False, num_workers=4) # 迁移学习：加载预训练 ResNet18，替换分类头 model = models.resnet18(weights=models.ResNet18_Weights.DEFAULT) num_classes = len(train_ds.classes) model.fc = nn.Linear(model.fc.in_features, num_classes) model = model.to(device) # 损失函数与优化器 criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) # 学习率调度：验证损失不降时减半 scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, mode="min", factor=0.5, patience=3) EPOCHS = 20 best_acc = 0.0 for epoch in range(EPOCHS): model.train() running_loss = 0.0 for imgs, labels in train_loader: imgs, labels = imgs.to(device), labels.to(device) optimizer.zero_grad() outputs = model(imgs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() # 验证 model.eval() correct, total = 0, 0 val_loss = 0.0 with torch.no_grad(): for imgs, labels in val_loader: imgs, labels = imgs.to(device), labels.to(device) outputs = model(imgs) val_loss += criterion(outputs, labels).item() preds = outputs.argmax(dim=1) correct += (preds == labels).sum().item() total += labels.size(0) acc = correct / total scheduler.step(val_loss) print(f"Epoch {epoch+1}/{EPOCHS} | loss {running_loss/len(train_loader):.4f} " f"| val_acc {acc:.4f}") # 保存最优模型 if acc > best_acc: best_acc = acc torch.save(model.state_dict(), "best_model.pth") print(f" 已保存最优模型，准确率 {best_acc:.4f}")逻辑说明：transforms里训练集加了水平翻转和 15 度旋转，验证集不做增强，保证评估稳定。ResNet18_Weights.DEFAULT加载预训练权重，model.fc替换成你的类别数。ReduceLROnPlateau在验证损失停滞时降低学习率，比固定学习率更容易收敛。batch_size=32是 6GB 显存下的稳妥值，显存不够降到 16。num_workers=4在 Windows 上如果报错，改成 0。
参数上，lr=1e-3是 Adam 的常用起点，如果训练损失震荡明显，降到 1e-4。EPOCHS=20对迁移学习通常够用，看验证准确率不再提升就可以停。保存的是state_dict，推理时要用同样的模型结构加载。
注意：如果验证准确率远高于训练准确率，检查验证集是否和训练集有重叠图片，这是数据划分阶段最容易出的错。
4. 推理、界面与部署：让系统真正能跑起来
4.1 单张图片推理脚本与置信度输出
训练完模型要能对单张新图片给出结论。下面脚本加载最优模型，输出类别和置信度。
import torch import torch.nn as nn from torchvision import transforms, models from PIL import Image device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 类别名，需与训练时 ImageFolder 的顺序一致 class_names = ["早疫病", "健康", "叶霉病", "晚疫病"] model = models.resnet18(weights=None) model.fc = nn.Linear(model.fc.in_features, len(class_names)) model.load_state_dict(torch.load("best_model.pth", map_location=device)) model = model.to(device) model.eval() tf = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) def predict(img_path): img = Image.open(img_path).convert("RGB") tensor = tf(img).unsqueeze(0).to(device) with torch.no_grad(): outputs = model(tensor) probs = torch.softmax(outputs, dim=1)[0] idx = probs.argmax().item() return class_names[idx], probs[idx].item() if __name__ == "__main__": label, conf = predict("test.jpg") print(f"识别结果：{label}，置信度：{conf:.4f}")逻辑说明：class_names的顺序必须和训练时ImageFolder按文件夹名排序的结果一致，否则标签会错位。map_location=device保证在 CPU 上也能加载 GPU 训出的权重。softmax把输出转成概率，置信度低于 0.6 时建议提示用户重新拍摄，而不是硬给结论。
4.2 用 Gradio 快速搭一个可交互的识别界面
毕设通常要求有可视化界面，Gradio 几行代码就能起一个网页端。
import gradio as gr from PIL import Image def classify(img): img = img.convert("RGB") tensor = tf(img).unsqueeze(0).to(device) with torch.no_grad(): probs = torch.softmax(model(tensor), dim=1)[0] idx = probs.argmax().item() return {class_names[i]: float(probs[i]) for i in range(len(class_names))} demo = gr.Interface( fn=classify, inputs=gr.Image(type="pil"), outputs=gr.Label(num_top_classes=3), title="农作物病虫害识别" ) demo.launch(server_name="0.0.0.0", server_port=7860)逻辑说明：gr.Image(type="pil")直接接收上传图片，gr.Label展示前三个类别的概率。server_name="0.0.0.0"让局域网内其他设备也能访问，答辩演示时手机拍照上传很方便。端口 7860 被占用就换一个。
提示：界面里加一句“置信度低于 60% 建议重新拍摄”，能避免在模糊照片上给出误导性结论。
5. 避坑与排查：准确率虚高和训练翻车的五个真实原因
现象一：验证准确率 99%，换自己拍的照片全错。原因：训练集和验证集都来自同一实验室背景，模型学到了背景而不是病斑特征。解决：补一批田间实拍图进验证集，或做背景替换增强，评估时以田间图准确率为准。
现象二：训练损失一直不降，准确率停在随机水平。原因：学习率过大导致震荡，或标签和图片没对齐。解决：先把学习率降到 1e-4 试，再检查ImageFolder的类别顺序和你的class_names是否一致，标签错位是新手最常见的翻车点。
现象三：训练到一半显存溢出。原因：batch_size太大或图片分辨率过高。解决：把batch_size降到 16 或 8，图片统一缩到 224。如果还不行，检查num_workers是否开太多导致内存堆积。
现象四：验证集准确率波动很大，每次跑结果差很多。原因：验证集样本太少，或数据划分没有固定随机种子。解决：固定SEED，验证集每类至少保证 20 张，数据量实在少就用交叉验证代替单次划分。
现象五：推理时中文类别名显示乱码。原因：脚本文件编码或终端编码不一致。解决：在脚本开头加# -*- coding: utf-8 -*-，Windows 终端执行chcp 65001切到 UTF-8。
6. 把准确率再往上推一档：三个我常用的技巧
第一个技巧是分层学习率。迁移学习时骨干网络已经学好了通用特征，不需要大改，分类头是全新的需要快学。我一般把骨干的学习率设成分类头的十分之一，这样既不会破坏预训练权重，又能让新分类头快速收敛。实现上把参数分组传给优化器即可，骨干一组用 1e-4，分类头一组用 1e-3。
第二个技巧是测试时增强。推理时把同一张图做几次轻微变换，比如原图、水平翻转、轻微旋转，分别预测后取平均概率。这个操作不增加训练成本，通常能涨一到两个点，尤其在验证集样本少的时候效果明显。代价是推理时间翻几倍，实时性要求高的场景慎用。
第三个技巧是看混淆矩阵而不是只看准确率。病虫害类别里，早疫病和晚疫病在早期症状上很像，准确率 90% 可能意味着这两类互相误判严重。用sklearn.metrics.confusion_matrix画出来，找到最容易混的类别对，针对性补这类样本，比盲目加数据有效得多。
| 技巧 | 适用场景 | 预期收益 | 代价 |
|---|---|---|---|
| 分层学习率 | 迁移学习 | 收敛更快更稳 | 需改优化器参数组 |
| 测试时增强 | 验证集小、追求精度 | 涨 1-2 个点 | 推理变慢 |
| 混淆矩阵分析 | 类别易混 | 定位问题类别 | 需额外分析步骤 |
我自己的习惯是每训完一版先看混淆矩阵，再决定下一步是补数据还是调模型，而不是盯着准确率数字反复调参。这套流程跑通后，换作物、换病害类别都只是换数据集和改类别数的事。希望帮到你。
本文还有配套的精品资源，点击获取
