基于YOLOv11+Vue的农作物病虫害监测与预警系统设计产品系统Vibe Coding

传统农业病虫害检测依赖人工巡检，效率低、漏检率高，且基层农技人员不足。本项目面向智慧农业场景，旨在通过计算机视觉技术实现水稻害虫的自动化识别与早期预警，降低农药滥用风险，辅助农户精准防治，提升农作物产量与质量。

系统包含四大核心模块：
1. 图像检测模块：基于YOLOv11s模型实现10类水稻害虫实时检测，mAP@0.5达0.8404；
2. 预警分析模块：集成CropFormer与规则引擎，对虫害等级进行智能评估并推送预警；
3. 农技咨询模块：本地部署DeepSeek-R1大模型，提供病虫害防治知识问答；
4. 后台管理模块：基于FastAPI+Vue.js前后端分离架构，支持检测记录查询、数据统计可视化及用户权限管理。另集成联邦学习（Flower框架）实现模型协同优化。

本人独立负责项目全流程开发，包括：数据集标注与YOLOv11s模型训练（10类水稻害虫，mAP@0.5达0.8404）、基于FastAPI+Vue.js的前后端分离架构设计、数据库设计与API开发、模型剪枝量化优化，以及系统测试部署。
技术栈：Python + PyTorch + FastAPI + Vue.js + SQLite + OpenCV。架构采用前后端分离，后端提供RESTful API接口，前端实现检测可视化与预警展示。亮点包括：
①基于CropFormer与规则引擎实现虫害等级智能预警；
②本地部署DeepSeek-R1提供农技知识问答；
③集成Flower联邦学习框架实现多节点模型协同优化。难点在于小样本害虫数据增强与模型轻量化，通过Mosaic增强、通道剪枝及INT8量化将模型体积压缩60%的同时保持检测精度。