文章目录

• 一、系统概述
• 二、核心亮点
• 三、可检测类别（共29类）
• 四、系统架构
• 五、功能模块详解
• 六、交付内容
• 七、快速部署
• 2. 导入数据库
• 3. 启动算法服务（Flask）
• 4. 启动业务后端（Spring Boot）
• 5. 启动前端
• 6. 访问系统
• 浏览器打开 `http://localhost:8080`
• 九、定制化服务

🌾 YOLO+AI农作物检测系统

一、系统概述

基于YOLOv11目标检测模型与大语言模型（DeepSeek/Qwen）的智能农作物病害检测识别系统。系统可精准识别29类农作物叶片状态（包含健康与病害类别），覆盖苹果、甜椒、蓝莓、樱桃、玉米、桃子、土豆、覆盆子、大豆、南瓜、草莓、番茄、葡萄等13种作物。支持图片、批量图片、视频、摄像头四种检测方式，并结合大模型自动生成病害防治建议、农事指导，检测报告可导出为PDF。系统内置智能AI助手对话功能，提供可视化后台管理，是智慧农业、植物保护、农业教育的理想工具。

二、核心亮点

• 29类精细识别：涵盖常见农作物健康叶与典型病害，助力精准农业

• YOLOv11高性能：基于YOLOv11架构，200 epoch训练，mAP@0.6，兼顾速度与精度

• 数据增强训练：基于公开数据集进行扩充，训练集7000张，验证集224张，泛化能力强

• LLM智能建议：检测后自动调用DeepSeek/Qwen生成病害症状、防治方法、用药建议

• 多模态检测：支持图片、批量图片、视频、摄像头实时检测

• 智能AI助手：新增对话功能，可自由询问农业相关问题，无需依赖检测结果

• PDF报告导出：一键将检测结果与建议导出为专业PDF文档

• 可视化图表：ECharts展示各类病害统计、趋势分析、分布饼图

• 完整用户体系：用户管理、检测记录管理、结果预览

• 前后端分离：Vue3 + Spring Boot + Flask，易于部署与二次开发

三、可检测类别（共29类）

作物	类别
苹果	黑星病叶、健康叶、锈病叶
甜椒	健康叶、叶斑病
蓝莓	健康叶
樱桃	健康叶
玉米	灰斑病、叶枯病、锈病叶
桃子	健康叶
土豆	健康叶、早疫病、晚疫病
覆盆子	健康叶
大豆	健康叶
南瓜	白粉病
草莓	健康叶
番茄	早疫病、斑枯病、健康叶、细菌性斑疹、晚疫病、花叶病毒、黄化曲叶病毒、叶霉病、二斑叶螨
葡萄	健康叶、黑腐病

四、系统架构

4.1 技术栈

• 前端：Vue3 + TypeScript + Element Plus + ECharts + Axios

• 算法服务：Python + Flask + PyTorch + YOLOv11 + OpenCV

• 业务后端：Spring Boot + MyBatis-Plus + MySQL

• 大模型：DeepSeek API / Qwen API

• 通信：Axios（HTTP）、Socket.IO（实时进度）

• PDF生成：iText / wkhtmltopdf

• 部署：Docker（可选）

4.2 系统流程

用户上传/选择输入 → YOLOv11检测 → 结果可视化（框+标签+置信度）
↓
LLM生成防治建议
↓
PDF导出 / 记录入库 / AI助手对话

五、功能模块详解

5.1 图片检测

• 上传单张叶片图片，实时返回检测结果

• 显示检测框、类别名称、置信度

• 右侧展示LLM生成的病害详情与防治建议

5.2 批量图片检测

• 支持选择文件夹或多张图片上传

• 异步处理，Socket实时推送进度（已完成/总数）

• 完成后展示汇总统计表（各类别数量、占比）

• 支持一键导出所有结果的PDF报告

5.3 视频检测

• 支持MP4、AVI、MOV格式

• 逐帧分析，标注每一帧中的病害叶片

• 输出带标注的结果视频

• 自动提取关键帧保存为图片记录

5.4 摄像头实时检测

• 连接USB摄像头或RTSP网络摄像头

• 实时画面叠加检测框与置信度

• 支持截屏保存检测瞬间

• 可开启录像功能

5.5 智能AI助手对话

• 独立对话窗口，无需依赖检测结果

• 可询问作物种植、病虫害防治、农药使用、气候影响等问题

• 基于DeepSeek/Qwen模型，回答专业且通俗易懂

• 对话历史保存在本地或服务器

5.6 检测记录管理

• 按检测方式（图片/批量/视频/摄像头）分类展示

• 每条记录包含：输入源、检测结果（类别列表）、LLM建议、时间、预览缩略图

• 支持按作物名称、病害名称、时间段筛选

• 支持删除、导出单条记录的PDF

5.7 用户管理

• 注册/登录（JWT认证）

• 角色：管理员（管理所有记录与用户）、普通用户（仅查看自己记录）

• 个人中心：修改昵称、头像、密码，查看检测统计

5.8 可视化仪表盘

• ECharts图表展示：

◦ 各类病害出现频率柱状图

◦ 健康 vs 病害比例饼图

◦ 每日检测数量趋势折线图

◦ 各作物病害分布热力图

5.9 模型与参数配置

• 管理员可上传新的YOLO权重文件

• 调节置信度阈值（默认0.5）、IoU阈值

• 选择使用的LLM模型（DeepSeek或Qwen）

六、交付内容

1. 完整源码：

◦ 前端Vue3项目（含所有页面：检测、记录、助手、管理、仪表盘）

◦ 算法服务Flask项目（YOLOv11推理、LLM调用、PDF生成、SocketIO）

◦ 业务后端Spring Boot项目（用户、记录、配置管理API）

◦ 训练代码（数据预处理、训练、验证、导出脚本）

1. 训练好的模型：YOLOv11权重文件（best.pt）

2. 数据集：增强后的数据集（YOLO格式，训练集7000张，验证集224张）

3. SQL文件：数据库初始化脚本

4. 视频部署教程：从零开始搭建环境的完整视频指导

5. 项目文档：架构说明、API接口文档、使用指南

七、快速部署

7.1 环境要求

• 操作系统：Windows 10/11, Ubuntu 20.04+

• Python：3.8 - 3.10

• Java：JDK 11+

• Node.js：16+

• MySQL：5.7+

• GPU：推荐NVIDIA显卡（推理加速，CPU也可运行但较慢）

7.2 部署步骤

# 1. 克隆项目

cd crop-disease-detection

2. 导入数据库

mysql -u root -p < database/init.sql

3. 启动算法服务（Flask）

cd flask_server
pip install -r requirements.txt
python app.py --port 5000

4. 启动业务后端（Spring Boot）

cd springboot_backend
mvn clean package
java -jar target/crop-1.0.0.jar

5. 启动前端

cd vue_frontend
npm install
npm run dev

6. 访问系统

浏览器打开 http://localhost:8080

八、应用场景

• 智慧农业园区：无人机/机器人巡检，自动识别病害，指导精准施药

• 农业技术推广站：农民携带叶片样本拍照识别，获取防治方案

• 植物保护科研：批量分析田间病害数据，生成统计报告

• 农业院校教学：学生实践识别病害，学习防治知识

• 农产品质检：检测收获后果实/叶片健康状况

九、定制化服务

• 增加新的作物/病害类别（提供新数据集训练）

• 对接物联网设备（自动气象站、土壤传感器）

• 开发移动端APP或微信小程序

• 接入更多大模型（如GPT-4o、Claude）

• GIS地图标注病害分布

• 多语言版本（英文、西班牙语等）

免责声明：本系统为辅助诊断工具，识别结果仅供参考。实际农业生产中请结合专家经验和实验室检测确认病害。系统不构成最终用药建议，请遵循当地农业部门指导。