人工智能大作业：植物病害检测系统

本项目使用卷积神经网络算法实现了植物病害检测系统，下面我将以代码来详细说明实现思路

首先，本项目核心算法就是Resnet 50+迁移学习+数据增强

我使用了公共数据集PlantVillage / New Plant Diseases，在该数据集上进行训练，实现植物叶子病害的自动诊断。

数据预处理：dataset.py

from torchvision import datasets, transforms
from torch.utils.data import DataLoaderdef get_transforms():train_transform = transforms.Compose([transforms.RandomResizedCrop(224),transforms.RandomHorizontalFlip(),transforms.RandomRotation(15),transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1),transforms.ToTensor(),transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])val_transform = transforms.Compose([transforms.Resize(256),transforms.CenterCrop(224),transforms.ToTensor(),transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])return train_transform, val_transformdef get_dataloaders(data_dir='data', batch_size=32, num_workers=4):train_transform, val_transform = get_transforms()# ==================== 情况B 的正确路径 ====================train_path = f'{data_dir}/train'val_path   = f'{data_dir}/valid'# ======================================================
    train_dataset = datasets.ImageFolder(root=train_path, transform=train_transform)val_dataset = datasets.ImageFolder(root=val_path, transform=val_transform)train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True, num_workers=num_workers, pin_memory=True)val_loader = DataLoader(val_dataset, batch_size=batch_size, shuffle=False, num_workers=num_workers, pin_memory=True)print(f" 数据集加载完成")print(f"类别数量: {len(train_dataset.classes)}")print(f"训练集图片数量: {len(train_dataset)}")print(f"验证集图片数量: {len(val_dataset)}")print(f"第一个类别示例: {train_dataset.classes[0]}")return train_loader, val_loader, train_dataset.classes

• RandomResizedCrop(224)：随机裁剪并缩放到 224×224（ResNet 输入标准尺寸）
• RandomHorizontalFlip()：随机水平翻转，模拟叶子不同方向
• RandomRotation(15)：随便挑一个小角度旋转
• ColorJitter：调整亮度、对比度、饱和度、色调，增加对光照变化的鲁棒性（鲁棒性是指是指一个计算机系统在执行过程中处理错误，以及算法在遭遇输入、运算等异常时维持正常运行的能力。简单来说就是稳定性，参数来自于维基百科）
• Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])：使用 ImageNet 预训练均值和标准差（迁移学习必须一致）
• 训练时随机变换，保证训练质量，同时防止过拟合
• 但是验证的时候要使用固定裁剪模式，保证验证成果的稳定性

 

定义获取神经网络模型：model.py

 

import torch.nn as nn
from torchvision import modelsdef get_model(num_classes=38,model_name='resnet50'):if model_name == 'resnet50':model = models.resnet50(weights='IMAGENET1K_V1')model.fc = nn.Linear(model.fc.in_features,num_classes)elif model_name == 'mobilenet_v3':model = models.mobilenet_v3_small(weights='IMAGENET1K_V1')model.classifier[3] = nn.Linear(model.classifier[3].in_features,num_classes)return model    

 

• 残差网络（Residual Network）：核心创新是残差连接（Shortcut Connection），解决深度网络的“退化问题”（Degradation Problem）和梯度消失。

  残差连接的核心思想是引入一个“快捷连接”（shortcut connection）或“跳跃连接”（skip connection），允许数据绕过一些层直接传播。这样，网络中的一部分可以直接学习到输入与输出之间的残差（即差异），而不是直接学习到映射本身。具体来说，如果我们希望学习的目标映射是 H(x)，我们让网络学习残差映射 F(x)=H(x)−x。因此，原始的目标映射可以表示为 F(x)+x。

• 公式：y = F(x) + x（残差块），让网络更容易学习恒等映射。
• ResNet50 有 50 层，包含多个 Bottleneck 残差块。
• 迁移学习：利用在 ImageNet（1400 万张图片）上预训练的权重，只替换最后的全连接层（fc），大幅减少训练时间和数据需求，同时获得优秀的特征提取能力。

为什么选 ResNet50？

• 精度高、结构成熟、在医学/农业图像任务中表现优秀
• 参数量适中（约 25M），适合大多数显卡

 

具体训练过程：train.py

import torch
from torch import nn, optim
from tqdm import tqdm
import torchmetrics
from src.dataset import get_dataloaders
from src.model import get_model
import osdef train():device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')print(f"使用设备: {device}")train_loader, val_loader, class_names = get_dataloaders(batch_size=64)model = get_model(num_classes=len(class_names), model_name='resnet50')model = model.to(device)criterion = nn.CrossEntropyLoss()optimizer = optim.AdamW(model.parameters(), lr=1e-4, weight_decay=1e-4)scheduler = optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=20)best_acc = 0.0os.makedirs('models', exist_ok=True)for epoch in range(20):  # 可根据需要增加 epochs
        model.train()running_loss = 0.0for inputs, labels in tqdm(train_loader):inputs, labels = inputs.to(device), labels.to(device)optimizer.zero_grad()outputs = model(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()running_loss += loss.item()# 验证
        model.eval()accuracy = torchmetrics.Accuracy(task="multiclass", num_classes=len(class_names)).to(device)with torch.no_grad():for inputs, labels in val_loader:inputs, labels = inputs.to(device), labels.to(device)outputs = model(inputs)preds = outputs.argmax(dim=1)accuracy.update(preds, labels)acc = accuracy.compute().item()scheduler.step()print(f"Epoch {epoch+1}/20 | Loss: {running_loss/len(train_loader):.4f} | Val Acc: {acc:.4f}")if acc > best_acc:best_acc = acctorch.save(model.state_dict(), 'models/best_plant_disease.pth')print(" 保存最佳模型")print(f"训练完成！最佳验证准确率: {best_acc:.4f}")return model, class_namesimport jsonclass_names_path = 'models/class_names.json'with open(class_names_path, 'w', encoding='utf-8') as f:json.dump(class_names, f, ensure_ascii=False, indent=2)print(f"class_names 已保存到 {class_names_path}")return model, class_names
# 在 src/train.py 的 train() 函数末尾（训练完成后）添加：# 保存 class_names

 

作用：完整训练流程、模型保存、日志记录。

 

使用的算法和技术：

 

1. 损失函数：CrossEntropyLoss（交叉熵损失）
   • 多分类任务的标准损失
2. 优化器：AdamW
   • Adam + Weight Decay（权重衰减）
   • 比传统 Adam 更好地处理正则化，防止过拟合
3. 学习率调度器：CosineAnnealingLR
   • 余弦退火：学习率按余弦曲线下降，能帮助模型在后期更精细收敛（模拟退火：模拟物理降温过程参数的变化，基于能量最低原理，可以让参数以随机且靠近最小的方法改变，适合解决单峰问题，不适合多峰问题）
4. 评估指标：torchmetrics.Accuracy（多分类准确率）
5. 训练流程：
   • model.train() / model.eval() —— 切换模式（影响 BatchNorm、Dropout）
   • torch.no_grad() —— 验证时关闭梯度计算，节省显存
   • optimizer.zero_grad() → loss.backward() → optimizer.step()（标准反向传播）
6. Early Saving：只保存验证准确率最好的模型（防止过拟合）

外部模型接口：train.py

from src.train import trainif __name__ == "__main__":model, classes = train()

外部模型接口，方便调用

 

部署模块：app.py

import gradio as gr
import torch
from PIL import Image
import jsonfrom src.model import get_model
from src.dataset import get_transforms# ==================== 全局加载模型和类别 ====================
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')# 加载 class_names
with open('models/class_names.json', 'r', encoding='utf-8') as f:class_names = json.load(f)# 加载模型
def load_model():num_classes = len(class_names)model = get_model(num_classes=num_classes, model_name='resnet50')model.load_state_dict(torch.load('models/best_plant_disease.pth', map_location=device))model.to(device)model.eval()return modelmodel = load_model()
_, val_transform = get_transforms()# ==================== 预测函数 ====================
def predict_image(image):if image is None:return "请上传图片"# 预处理input_tensor = val_transform(image).unsqueeze(0).to(device)with torch.no_grad():output = model(input_tensor)probabilities = torch.softmax(output[0], dim=0)confidence, predicted_idx = torch.max(probabilities, 0)predicted_class = class_names[predicted_idx.item()]confidence_pct = confidence.item() * 100if "healthy" in predicted_class.lower():result = f" **健康**\n\n类别：{predicted_class}\n置信度：{confidence_pct:.2f}%"else:result = f"**疑似病害**\n\n类别：{predicted_class}\n置信度：{confidence_pct:.2f}%"return result# ==================== Gradio 界面 ====================
interface = gr.Interface(fn=predict_image,inputs=gr.Image(type="pil", label="上传植物叶子照片"),outputs=gr.Textbox(label="诊断结果"),title=" 植物病害智能检测系统",description="上传一张叶子照片，AI 将帮助你判断是否生病及病害类型",examples=[["examples/healthy.jpg"], ["examples/diseased.jpg"]],  # 可选allow_flagging="never"
)if __name__ == "__main__":interface.launch(share=False)   # share=True 可生成公网链接

提供使用模型入口