### 1. 软件面向的行业和业务场景本项目是一款**植物病虫害识别系统**，主要面向农业种植户、农业技术人员、果园管理者以及农业科研机构等群体。 在实际业务场景中，用户可通过上传植物叶片图像或实时拍摄叶片，系统能快速识别出是否感染病害（如苹果黑腐病、葡萄黑腐病等），并提供针对性的防治建议。解决了传统病虫害识别依赖经验、效率低、误判率高的问题，尤其适用于大规模种植场景下的快速筛查，帮助用户及时采取措施减少损失。### 2. 项目功能模块及核心功能项目分为**数据处理、模型训练、识别交互、硬件集成**四大功能模块，具体功能如下：#### （1）数据处理模块- **数据集划分**：通过`split_dataset.py`和`3.py`脚本，将原始图像按比例（默认6:2:2）划分为训练集、验证集和测试集，支持自动过滤损坏图片。- **数据增强**：对训练集图像进行旋转（-15°至15°）、翻转（水平/垂直）、平移、缩放等处理，扩充数据集规模，提升模型泛化能力。#### （2）模型训练模块- **模型构建**：基于CNN（卷积神经网络）搭建多层特征提取网络（如`model_train.py`和`system_train_end.py`），包含卷积层、批标准化层、池化层和全连接层，支持动态适配不同类别数的病虫害识别。- **训练优化**：通过TensorBoard可视化训练过程，使用ModelCheckpoint保存最优模型，支持SGD/Adam优化器，确保模型在测试集上准确率达85%以上。- **模型转换**：通过`model_replace.py`将训练好的H5模型转换为TFLite格式，适配低算力设备（如单片机、手机）。#### （3）识别交互模块- **图像识别**：通过`model_predict.py`和`gui_system.py`实现核心识别功能，支持H5和TFLite两种模型加载，输入图像后输出病害类型及置信度。- **AI建议生成**：调用DeepSeek API（`gui_system.py`和`model_predict.py`），根据识别结果生成防治建议，并支持文本清理（仅保留逗号和句号）。- **可视化交互**：通过GUI界面（`gui_system.py`）支持图像上传、模型选择、结果展示，提供进度条反馈和语音播报（基于`pyttsx3`）功能。- **特征可视化**：通过`gif.py`和`img.py`生成CNN各层特征图，可合成为GIF动画，直观展示模型识别的底层逻辑。#### （4）硬件集成模块- 基于`binghai_jiqi.py`实现与硬件的联动，通过GPIO控制LED灯（红、绿、蓝等），根据识别结果触发不同灯光提示（如病害对应红灯，健康对应绿灯），适用于田间地头的快速警示。### 3. 项目技术选型和架构特点#### （1）技术选型- **编程语言**：Python（主要）、C++（硬件交互辅助）。- **核心库**： - 图像处理：OpenCV、PIL（图像加载、增强）。 - 深度学习：TensorFlow/Keras（模型构建、训练）、TFLite（轻量化部署）。 - 可视化：Matplotlib（训练曲线、特征图）、PyQt5（GUI界面）。 - 硬件交互：RPi.GPIO（树莓派GPIO控制）、smbus（I2C通信）。- **API服务**：DeepSeek API（生成防治建议）。#### （2）架构特点- **轻量化设计**：支持TFLite模型部署，适配低算力设备（如树莓派），解决农业场景中设备资源有限的问题。- **模块化开发**：数据处理、模型训练、交互界面等模块解耦，便于单独优化和扩展（如新增病害类别时仅需更新数据集和模型）。- **抗干扰能力**：通过批标准化层（减少光照差异影响）、Dropout层（防止过拟合）提升模型鲁棒性，适应不同拍摄环境（如阴天、逆光）。- **多端适配**：同时支持PC端GUI交互和嵌入式硬件集成，兼顾专业用户和田间实操场景。