# 农作物病虫害识别 Web 系统

**Repository Path**: zzh551/implement-algorithm-library

## Basic Information

- **Project Name**: 农作物病虫害识别 Web 系统
- **Description**: 本项目面向农作物病虫害识别场景，提供从前端交互到模型推理的完整 Web 应用能力。用户可以通过网页上传图片、上传视频或接入摄像头，调用 YOLO 模型完成目标检测，并在页面中查看识别结果。
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 188
- **Forks**: 137
- **Created**: 2026-02-04
- **Last Updated**: 2026-06-05

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# YOLO Crop Disease Detection Web

一个基于 `Vue + Flask + YOLO + PyTorch` 的农作物病虫害识别 Web 系统，支持图像检测、视频检测和摄像头实时检测。

## 项目简介

本项目面向农作物病虫害识别场景，提供从前端交互到模型推理的完整 Web 应用能力。用户可以通过网页上传图片、上传视频或接入摄像头，调用 YOLO 模型完成目标检测，并在页面中查看识别结果。

## 功能特性

- 图像检测
- 视频检测
- 摄像头实时检测
- 模型权重切换
- 检测置信度调节
- 识别结果可视化展示
- Web 页面交互式操作

## 技术栈

- Frontend: `Vue`
- Backend: `Flask`, `Flask-SocketIO`
- Deep Learning: `YOLO`, `PyTorch`
- Computer Vision: `OpenCV`
- Optional Service: `Spring Boot`, `MySQL`

## 项目结构

```text
yolo_cropDisease_detection_web/
├─ README.md
├─ predictImg.py
├─ ffmpeg-7.1-full_build/
├─ yolo_cropDisease_detection_flask/
├─ yolo_cropDisease_detection_springboot/
├─ yolo_cropDisease_detection_vue/
├─ 测试图片/
└─ cropdisease.sql
```

## 运行环境

- `Python 3.10`、`Python 3.11` 或 `Python 3.12`
- `Node.js 18+`
- `npm 9+`
- `Windows`

## Python 依赖

核心依赖包括：

- `torch`
- `torchvision`
- `flask`
- `flask-socketio`
- `opencv-python`
- `requests`
- `ultralytics`

安装方式：

```powershell
# 在已激活的 Python 虚拟环境中执行
pip install -r requirements.txt
```

## 模型文件

默认模型权重位于：

```text
yolo_cropDisease_detection_flask/weights/Pest_best.pt
```

如需增加新模型，可将权重文件放入 `yolo_cropDisease_detection_flask/weights/` 目录，并在前端页面中选择对应模型。

## 启动方式

### 1. 启动 Flask 推理服务

```powershell
# 在项目根目录 yolo_cropDisease_detection_web 下执行
cd .\yolo_cropDisease_detection_flask
python -m venv .venv
.\.venv\Scripts\Activate.ps1
pip install -r requirements.txt
python main.py
```

默认服务地址：

```text
http://127.0.0.1:5000
```

健康检查接口：

```text
http://127.0.0.1:5000/health
```

### 2. 启动 Vue 前端

```powershell
cd .\yolo_cropDisease_detection_vue
npm install
npm run dev -- --host 0.0.0.0
```

默认访问地址：

```text
http://127.0.0.1:8888/index.html
```

## 使用说明

### 图像检测

1. 打开图像检测页面
2. 选择模型权重
3. 上传待检测图片
4. 调整置信度阈值
5. 点击“开始预测”
6. 查看检测结果

### 视频检测

1. 打开视频检测页面
2. 上传待检测视频
3. 选择模型并设置阈值
4. 开始检测并查看结果

### 摄像头检测

1. 打开摄像头检测页面
2. 授权浏览器访问摄像头
3. 选择模型并设置阈值
4. 开始实时检测

## 扩展模块

项目中保留了 `Spring Boot` 与 `MySQL` 相关模块，可用于扩展：

- 用户管理
- 记录管理
- 后台业务接口

如需启用，请额外配置：

- `Java 8`
- `Maven`
- `MySQL`

并导入数据库脚本：

```text
cropdisease.sql
```

## 常见问题

### 1. 模型可以启动，但图片无法识别

通常是因为输入图片不在当前模型的目标类别范围内。请使用与训练任务对应的病虫害图片进行测试。

### 2. 前端页面可以打开，但检测接口调用失败

请先确认 Flask 服务已启动，并能正常访问：

```text
http://127.0.0.1:5000/health
```

### 3. 权重文件无法加载

请检查模型文件是否存在于 `yolo_cropDisease_detection_flask/weights/` 目录，并确认文件名与前端选择项一致。

## 开源说明

本项目可作为病虫害识别、YOLO Web 部署、目标检测前后端联调的参考实现。

## 贡献与引用说明

本项目技术引用并参考了两个开源基础项目，构建起面向农作物病虫害智能识别 Web 系统的模型训练、轨迹/时序建模参考与异构计算迁移支撑能力：

https://gitee.com/ShiruiTian/Trajectory_Prediction 作为轨迹预测与时序建模方向的开源参考项目，本项目参考其在数据预处理、模型输入组织、预测结果可视化与实验流程管理方面的工程化思路，用于完善农作物病虫害检测结果的记录管理、批量分析与后续时序趋势扩展设计。本项目未直接调用其原始二进制文件，而是基于其公开实现思想进行可审计、可维护的适配开发。

https://gitee.com/liu_muzhou/sptensor 作为稀疏张量计算与异构平台迁移方向的开源参考项目，本项目参考其面向国产异构计算平台的软件迁移、算子组织和工程构建经验，为 YOLO 病虫害识别模型在 GPU/DCU 等异构硬件环境中的部署验证、模型推理加速与后续算子级优化提供技术参考。

上述引用均遵循对应仓库许可证和开源使用规范，在本项目中作为公开开源实现的技术参考和关联支撑，不隐去原项目来源，不移除原作者版权标识。项目后续扩展中，如引入对应仓库源码、子模块或可执行组件，将保留完整许可证文本、版权说明和版本来源记录，并通过依赖安装、接口调用、功能测试等流程验证集成的真实性、可控性与可复现性，从而体现被引用、被依赖、被关联的开源协同价值。

## 开源协议补充说明

根据材料完善意见，现对本项目各汇总目录和主要文件类别统一补充开源协议声明：

- 根目录 `README.md`、`predictImg.py`、`requirements.txt`、`cropdisease.sql` 以及其他自研说明文档，统一采用 `MIT License`
- `yolo_cropDisease_detection_flask/` 目录内自研 Flask 推理服务、分析扩展与配套 Python 代码，统一采用 `MIT License`
- `yolo_cropDisease_detection_springboot/` 目录内自研 Spring Boot 业务代码，统一采用 `MIT License`
- `yolo_cropDisease_detection_springboot/mvnw`、`yolo_cropDisease_detection_springboot/mvnw.cmd` 与 `.mvn/wrapper/*` 保留 Maven Wrapper 上游 `Apache-2.0` 协议声明
- `yolo_cropDisease_detection_vue/` 目录内自研前端代码采用 `MIT License`，并保留该目录原有 `LICENSE` 文件
- `yolo_cropDisease_detection_flask/weights/`、`yolo_cropDisease_detection_springboot/files/`、`测试图片/` 中的模型权重、测试样例和演示输出文件，不作为独立开源代码再次授权，使用时应遵循原始模型、数据集或素材来源约束

项目根目录已新增 `LICENSE` 作为默认协议文本，并新增 `LICENSES.md` 作为目录级协议汇总清单。若后续引入新的第三方源码、二进制、子模块或数据文件，将继续遵循“保留原许可证文本、保留版权标识、按原协议使用”的原则处理。