基于深度学习的智慧果园安防与病害监测系统产品系统

本项目面向智慧农业与果园安防领域，旨在解决传统果园人工巡检耗时费力、病害漏检率高以及工人作业安全隐患（如跌倒）难以及时发现的痛点 。通过引入深度学习与计算机视觉技术，系统实现了从“人工经验判断”到“智能自动监测”的转型，有效降低了人力管理成本，通过对番茄等作物病害的早期精准诊断保障作物产量，并全天候监测作业人员安全，大幅提升了农业生产的数字化与智能化水平

本项目基于B/S架构构建了一套综合视觉监测系统，主要包含以下具体功能模块：
1.作物病害智能检测：利用YOLO11深度学习算法对视频流进行实时推理，精准定位并分类（如早疫病、细菌性斑点）番茄叶片病害，自动统计病害分布数据 。
2.人员安全与行为监测：基于YOLO-Pose姿态估计技术，通过检测框几何规则（宽高比）实时判断工人是否发生摔倒等异常行为，并触发系统日志与预警 。
3.人脸识别门禁考勤：集成MTCNN与MobileFaceNet模型，实现毫秒级的人员身份核验，自动记录考勤并识别陌生人入侵，防止代打卡现象 。
4.实时可视化大屏：前端采用ECharts动态展示果园健康评分、病害占比及视频监控画面，支持Web Speech API语音播报报警信息，实现毫秒级数据同步

我主要负责系统的整体架构设计、算法集成及前后端开发任务。
技术栈：Python 3.12 (后端), PyTorch (推理), OpenCV (图像处理), Ultralytics YOLO11, WebSocket (通信), JavaScript/ECharts (前端), MySQL/SQLite (数据存储) 。

实现细节：
架构设计：采用基于asyncio的异步并发框架，解决了视频流实时采集与多模型（YOLO/Face）并行推理的性能瓶颈 。

核心难点攻克：利用WebSocket全双工通信协议，将后端推理结果封装为JSON与Base64编码，实现了前端画面的低延迟（