智慧农业yolo+人工智能AI deepseek番茄病害智能检测系统 融合深度学习与大模型的作物视觉诊断平台(SpringBoot+Vue3 架构)

智慧-YOLO、DeepSeek、PyTorch、SpringBoot – 番茄病害智能检测系统

本系统可精准识别番茄早疫病、晚疫病、霜霉病、灰霉病等常见田间病害，检测识别准确率高达95%以上，识别结果稳定精准、抗干扰能力强。

核心功能

• 支持田间实拍图片、大棚巡检视频双模式检测，可批量处理作物样本，一键生成专业病害分析报告
• 贴合现代农业植保标准，AI智能判别病害种类、发病严重程度，自动推送科学用药、田间养护防治方案
• 系统界面清爽简洁，操作简单零基础上手，精准标记病害区域，病害类型、发病程度全程可视化展示
• 

技术架构
采用YOLO、DeepSeek、PyTorch、SpringBoot、MyBatis-Plus、Vue3、Echarts、TypeScript、Element Plus、Flask、Axios、MySQL主流技术开发搭建。

fu附件：
1.训练完成的YOLO番茄病害专属识别模型
2.全套病害检测完整功能
3.病害智能分析+AI农业植保智能助手

1

1

1

1

1

一、技术架构总览

二、项目目录结构 推荐

tomato_disease_system/
├── backend/                # SpringBoot后端
│   ├── src/
│   │   ├── main/
│   │   │   ├── java/com/tomato/
│   │   │   │   ├── controller/    # 控制器
│   │   │   │   ├── service/       # 业务逻辑
│   │   │   │   ├── mapper/        # MyBatis接口
│   │   │   │   ├── entity/        # 实体类
│   │   │   │   └── config/        # 配置类
│   │   │   └── resources/
│   │   │       ├── application.yml # 配置文件
│   │   │       └── mapper/        # SQL映射文件
│   └── pom.xml
├── model_server/           # Flask模型服务
│   ├── app.py              # 模型推理接口
│   ├── requirements.txt
│   └── models/
│       └── tomato_best.pt # 训练好的YOLO模型
├── frontend/               # Vue3前端
│   ├── src/
│   │   ├── components/     # 通用组件
│   │   ├── views/          # 页面
│   │   │   ├── Home.vue    # 首页/上传检测
│   │   │   ├── Camera.vue  # 摄像头检测
│   │   │   ├── History.vue # 历史记录
│   │   │   ├── Analysis.vue # 数据分析
│   │   │   ├── Knowledge.vue # 知识图谱
│   │   │   ├── AIAssistant.vue # AI助手
│   │   │   └── UserManage.vue # 用户管理
│   │   ├── router/        # 路由
│   │   ├── store/          # 状态管理
│   │   └── App.vue
│   └── package.json
└── README.md

三、核心代码实现 【仅供参考学习】

1. Flask 模型服务 model_server/app.py

from flask import Flask, request, jsonify
from ultralytics import YOLO
import cv2
import numpy as np
import base64
import io
from PIL import Image

app = Flask(__name__)
model = YOLO("models/tomato_best.pt")

disease_classes =[
"Healthy","Tomato_Early_blight","Tomato_Late_blight",
"Tomato_Leaf_Mold","Tomato_Septoria_leaf_spot",
"Tomato_Yellow_Leaf_Curl_Virus"
]

@app.route('/detect', methods=['POST'])
defdetect():
    data = request.json
    img_data = base64.b64decode(data['image'])
    img = Image.open(io.BytesIO(img_data)).convert('RGB')
    img = np.array(img)

    results = model(img, conf=0.5)
    detections =[]
for r in results:
for box in r.boxes:
            cls_id =int(box.cls[0])
            disease = disease_classes[cls_id]
            confidence =float(box.conf[0])
            detections.append({
"disease": disease,
"confidence": confidence,
"bbox": box.xyxy[0].tolist()
})
return jsonify({"detections": detections})

if __name__ =='__main__':
    app.run(host='0.0.0.0', port=5001)

2. SpringBoot 后端核心接口 TomatoController.java

packagecom.tomato.controller;

importcom.tomato.entity.DetectionRecord;
importcom.tomato.service.DetectionService;
importorg.springframework.beans.factory.annotation.Autowired;
importorg.springframework.web.bind.annotation.*;
importorg.springframework.web.multipart.MultipartFile;

@RestController
@RequestMapping("/api/detect")
publicclassTomatoController{
@Autowired
privateDetectionService detectionService;

@PostMapping("/upload")
publicStringuploadImage(@RequestParam("file")MultipartFile file){
return detectionService.processAndSave(file);
}

@GetMapping("/history")
publicList<DetectionRecord>getHistory(){
return detectionService.list();
}
}

3. Vue3 前端检测页面 frontend/src/views/Home.vue

<template>
  <div class="upload-page">
    <h1>基于深度学习的番茄病害检测系统</h1>
    <div class="upload-box">
      <input type="file" @change="handleFileUpload" accept="image/*" />
      <button @click="startDetect" class="detect-btn">开始检测</button>
    </div>
    <div class="features">
      <div class="feature-card">
        <h3>快速识别</h3>
        <p>高效识别番茄病害，平台自动高效校验</p>
      </div>
      <div class="feature-card">
        <h3>病害诊断</h3>
        <p>精准识别多种番茄病害，提供专业诊断结果</p>
      </div>
      <div class="feature-card">
        <h3>数据管理</h3>
        <p>历史记录与数据分析，助力科学种植管理</p>
      </div>
    </div>
  </div>
</template>

<script setup lang="ts">
import { ref } from 'vue';
import axios from 'axios';

const imageFile = ref<File | null>(null);

const handleFileUpload = (e: Event) => {
  const target = e.target as HTMLInputElement;
  if (target.files) {
    imageFile.value = target.files[0];
  }
};

const startDetect = async () => {
  if (!imageFile.value) return;
  const formData = new FormData();
  formData.append('file', imageFile.value);
  await axios.post('/api/detect/upload', formData);
};
</script>

4. YOLOv26 番茄病害模型训练代码

from ultralytics import YOLO

# 训练配置
model = YOLO("yolov26s.pt")
model.train(
    data="tomato_disease.yaml",
    epochs=100,
    imgsz=640,
    batch=8,
    device=0,
    workers=0,
    lr0=0.01,
    patience=15,
    project="tomato_disease_train",
    name="yolov26_tomato"
)

对应的 tomato_disease.yaml：

path: ./tomato_dataset
train: train/images
val: val/images
nc:6
names:
0: Healthy
1: Early_blight
2: Late_blight
3: Leaf_Mold
4: Septoria_leaf_spot
5: Yellow_Leaf_Curl_Virus

四、部署运行步骤

1. 启动模型服务

   cd model_server
   pip install-r requirements.txt
   python app.py
   

2. 启动 SpringBoot 后端

   cd backend
   mvn spring-boot:run
   

3. 启动 Vue3 前端

   cd frontend
   npminstall
   npm run dev
   

4. 浏览器访问前端地址，即可使用完整系统功能。

五、系统功能说明

六、交付内容说明

✅ 训练完成的YOLO番茄病害专属识别模型（tomato_best.pt）
✅ 全套病害检测完整功能代码（前后端+模型服务）
✅ 病害智能分析+AI农业植保智能助手集成
✅ 一键部署脚本和详细使用说明