在农业生产中，病虫害的早期识别与精准防治直接关系到作物产量与品质。传统方式依赖人工经验判断，存在识别效率低、误判率高、防治建议不专业等痛点；农户往往在病害扩散后才采取补救措施，造成不可逆的经济损失。同时，农业技术人员稀缺，基层农户难以获得及时的专业指导。
本项目定位于智慧农业与AI视觉检测领域，面向农户、农业合作社及农技推广人员，提供基于YOLOv11的农作物病虫害智能识别服务。系统支持14种作物、38个病害分类的图片与视频实时检测，并根据置信度自动判定病害严重等级（重度/中度/轻度/轻微），结合内置病虫害知识库输出专业防治建议。通过Web应用形式降低AI检测的使用门槛，农户只需上传图片即可获得检测结果与防治方案，助力农业生产的数字化与精准化。
用户认证与权限管理：支持登录/登出，区分管理员与普通用户角色，管理员可查看所有用户检测记录。
图片检测：支持单张/批量上传jpg/jpeg/png图片，调用YOLOv11模型进行病虫害识别，返回检测框、类别与置信度。
视频检测：调用浏览器摄像头实时捕获视频帧进行检测，实现动态识别。
病害分级与防治建议：根据检测置信度自动判定病害严重程度（>80%重度、50%-80%中度、30%-50%轻度、
负责内容：我独立完成了该系统的整体架构设计与全栈开发，包括Flask后端路由与控制层、YOLOv11检测引擎集成、SQLite数据持久化、病害知识库构建、前端5个页面（登录/检测/历史/视频检测/图片管理）及批量测试脚本。
技术栈与架构：后端采用Flask 2.3.3 + SQLite，AI模型基于YOLOv11（38best.pt，38分类），深度学习框架为PyTorch，图像处理使用Pillow 10.1.0，前端为HTML5/CSS3/JavaScript。系统采用四层架构：用户界面层（前端页面）→控制层（路由/请求验证/会话管理）→业务逻辑层（AI检测引擎/病害分级/结果处理）→数据持久层（SQLite/病害知识库/文件存储），职责清晰、便于扩展。
评论