簡介這份資源是面向計(jì)算機(jī)相關(guān)專業(yè)畢業(yè)設(shè)計(jì)學(xué)生與深度學(xué)習(xí)實(shí)戰(zhàn)學(xué)習(xí)者的農(nóng)作物病蟲害識(shí)別項(xiàng)目基于Python與人工智能技術(shù)實(shí)現(xiàn)難度適中適合作為畢設(shè)選題參考或項(xiàng)目練手。壓縮包共281個(gè)文件約522.67MB包含14個(gè)py源碼文件、8個(gè)vue與7個(gè)js前端文件、107個(gè)txt與3個(gè)md說明文檔、83張jpg與34張png圖像樣本以及6個(gè)pdf、3個(gè)docx論文與技術(shù)路線文檔、3個(gè)caj參考文獻(xiàn)和json、html等配置資源覆蓋從模型訓(xùn)練到系統(tǒng)展示的完整鏈路。項(xiàng)目經(jīng)導(dǎo)師指導(dǎo)并通過評(píng)審源碼均本地編譯調(diào)試可運(yùn)行已有236人學(xué)習(xí)下載。讀者可獲得可復(fù)現(xiàn)的深度學(xué)習(xí)識(shí)別方案、論文寫作素材、前后端工程結(jié)構(gòu)與調(diào)試排錯(cuò)思路便于快速搭建實(shí)驗(yàn)環(huán)境并完成畢設(shè)或課程實(shí)踐。1. 從一份高分畢設(shè)看農(nóng)作物病蟲害識(shí)別到底難在哪很多同學(xué)做畢設(shè)時(shí)第一反應(yīng)是找一份Python人工智能基于深度學(xué)習(xí)的農(nóng)作物病蟲害識(shí)別項(xiàng)目源碼論文直接跑通交差。但真正動(dòng)手后會(huì)發(fā)現(xiàn)公開數(shù)據(jù)集里葉片背景干凈、光照均勻模型輕松跑到 98% 準(zhǔn)確率一旦換成自己用手機(jī)在田間拍的圖準(zhǔn)確率直接掉到六成以下。這不是模型不行而是數(shù)據(jù)分布、標(biāo)注質(zhì)量和推理部署三個(gè)環(huán)節(jié)里至少有一個(gè)沒對(duì)齊。這個(gè)方向適合兩類人一類是需要一份能講清楚原理、又能復(fù)現(xiàn)的畢設(shè)或大作業(yè)另一類是想把識(shí)別能力真正落到田間地頭、做病蟲害預(yù)警的工程同學(xué)。接下來我按自己帶過幾屆畢設(shè)的實(shí)操路徑把數(shù)據(jù)、模型、訓(xùn)練、部署和論文寫作串成一條能走通的線重點(diǎn)講清楚每一步的參數(shù)怎么設(shè)、坑在哪。2. 數(shù)據(jù)集怎么選、怎么標(biāo)、怎么擴(kuò)從 PlantVillage 到田間實(shí)拍2.1 公開數(shù)據(jù)集與自建數(shù)據(jù)集的取舍做農(nóng)作物病蟲害識(shí)別繞不開 PlantVillage 這個(gè)數(shù)據(jù)集。它包含 14 種作物、26 種病害共 5 萬多張葉片圖像背景基本是純色標(biāo)注質(zhì)量高適合作為 baseline 快速驗(yàn)證模型結(jié)構(gòu)。但它的致命問題是太干凈——真實(shí)田間有土壤、雜草、陰影、蟲糞、水滴還有多片葉子重疊。如果論文只跑 PlantVillage答辯時(shí)老師一問田間泛化能力如何就容易卡住。我的做法是用 PlantVillage 做預(yù)訓(xùn)練和結(jié)構(gòu)驗(yàn)證再自建一個(gè)小規(guī)模田間數(shù)據(jù)集做微調(diào)與測試。自建數(shù)據(jù)不需要多每種病害 200300 張就夠關(guān)鍵是覆蓋不同光照順光、逆光、陰天、不同角度俯拍、側(cè)拍、不同生育期苗期、成株期。采集時(shí)用手機(jī)即可但要注意關(guān)閉美顏和 HDR避免顏色失真。提示自建數(shù)據(jù)集的劃分要按田塊而不是按圖片隨機(jī)分。同一片葉子的多張照片如果被分到訓(xùn)練集和測試集測試準(zhǔn)確率會(huì)虛高這是畢設(shè)里最常見的翻車點(diǎn)。2.2 標(biāo)注規(guī)范與格式轉(zhuǎn)換標(biāo)注工具推薦 LabelImg 或 Labelme。分類任務(wù)只需按文件夾分好類別如果要做病害區(qū)域定位就用邊界框標(biāo)注。標(biāo)注時(shí)統(tǒng)一用英文類別名避免中文路徑在后續(xù)訓(xùn)練腳本里出現(xiàn)編碼問題。類別命名建議采用作物_病害格式例如tomato_early_blight、corn_rust這樣多作物混合訓(xùn)練時(shí)不會(huì)混淆。如果拿到的是 VOC 格式的 XML 標(biāo)注轉(zhuǎn)成 YOLO 需要的 txt 格式可以用下面這段腳本。它遍歷Annotations目錄讀取每個(gè) XML 里的目標(biāo)框歸一化后寫入對(duì)應(yīng)的labels文件。import os import xml.etree.ElementTree as ET # 類別映射順序必須與訓(xùn)練時(shí)的 data.yaml 一致 classes [tomato_early_blight, tomato_late_blight, corn_rust] def convert_voc_to_yolo(anno_dir, label_dir, img_w, img_h): os.makedirs(label_dir, exist_okTrue) for xml_file in os.listdir(anno_dir): if not xml_file.endswith(.xml): continue tree ET.parse(os.path.join(anno_dir, xml_file)) root tree.getroot() # 用文件名不含擴(kuò)展名作為標(biāo)簽文件名與圖片一一對(duì)應(yīng) txt_name os.path.splitext(xml_file)[0] .txt with open(os.path.join(label_dir, txt_name), w) as f: for obj in root.iter(object): cls_name obj.find(name).text if cls_name not in classes: continue cls_id classes.index(cls_name) bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # YOLO 格式中心點(diǎn) x,y 和寬高全部歸一化到 0-1 x_center (xmin xmax) / 2.0 / img_w y_center (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h f.write(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}\n) # 假設(shè)圖片統(tǒng)一為 640x640實(shí)際使用時(shí)應(yīng)讀取每張圖的真實(shí)尺寸 convert_voc_to_yolo(Annotations, labels, 640, 640)這段腳本的關(guān)鍵參數(shù)是classes列表它的順序決定了標(biāo)簽文件里cls_id的含義必須和后續(xù)訓(xùn)練配置文件里的names完全一致否則模型會(huì)把早疫病學(xué)成銹病。另外img_w和img_h如果所有圖片尺寸不統(tǒng)一需要先用 PIL 讀取每張圖的真實(shí)寬高不能寫死。2.3 數(shù)據(jù)增強(qiáng)別只會(huì)旋轉(zhuǎn)翻轉(zhuǎn)數(shù)據(jù)增強(qiáng)是提升田間泛化最便宜的手段。除了常規(guī)的隨機(jī)旋轉(zhuǎn)、水平翻轉(zhuǎn)、亮度對(duì)比度擾動(dòng)針對(duì)農(nóng)業(yè)場景我還會(huì)加三類增強(qiáng)隨機(jī)遮擋模擬葉片重疊、隨機(jī)霧化模擬清晨露水或藥霧、色彩抖動(dòng)模擬不同手機(jī)白平衡。用 Albumentations 庫實(shí)現(xiàn)比較順手。import albumentations as A from albumentations.pytorch import ToTensorV2 train_transform A.Compose([ A.RandomRotate90(p0.5), A.HorizontalFlip(p0.5), A.VerticalFlip(p0.3), A.RandomBrightnessContrast(brightness_limit0.3, contrast_limit0.3, p0.6), A.HueSaturationValue(hue_shift_limit15, sat_shift_limit25, val_shift_limit20, p0.5), A.CoarseDropout(max_holes8, max_height32, max_width32, p0.4), # 模擬遮擋 A.GaussNoise(var_limit(10.0, 50.0), p0.3), A.Resize(224, 224), A.Normalize(mean(0.485, 0.456, 0.406), std(0.229, 0.224, 0.225)), ToTensorV2() ])CoarseDropout的max_holes控制遮擋塊數(shù)量田間葉片重疊嚴(yán)重時(shí)可以調(diào)到 12HueSaturationValue的hue_shift_limit不要超過 20否則會(huì)把健康葉片的綠色偏成黃色引入錯(cuò)誤標(biāo)簽。歸一化參數(shù)用的是 ImageNet 的均值和方差因?yàn)楹竺嬗妙A(yù)訓(xùn)練權(quán)重這一步必須對(duì)齊。3. 模型選型與訓(xùn)練從 ResNet 到輕量級(jí) MobileNet 的取舍3.1 分類還是檢測先想清楚論文要回答什么問題如果論文題目是農(nóng)作物病蟲害識(shí)別通常默認(rèn)是分類任務(wù)——輸入一張葉片圖輸出病害類別。但如果要定位病斑位置、統(tǒng)計(jì)病斑面積就需要目標(biāo)檢測。分類任務(wù)用 ResNet50、EfficientNet-B0 這類骨干網(wǎng)絡(luò)即可檢測任務(wù)則常用 YOLOv5/v8 或 Faster R-CNN。我的建議是畢設(shè)優(yōu)先做分類因?yàn)橛?xùn)練快、調(diào)參少、論文好寫。如果要做檢測YOLOv8n 在 2000 張圖上訓(xùn)練 100 輪就能出結(jié)果但標(biāo)注成本高答辯時(shí)容易被追問檢測框的標(biāo)注一致性如何保證。分類任務(wù)則可以把重點(diǎn)放在數(shù)據(jù)增強(qiáng)和泛化分析上更容易講出深度。3.2 用遷移學(xué)習(xí)快速跑通 baseline從零訓(xùn)練一個(gè) ResNet 在 5 萬張圖上需要很久而且小數(shù)據(jù)集容易過擬合。遷移學(xué)習(xí)是標(biāo)準(zhǔn)做法加載 ImageNet 預(yù)訓(xùn)練權(quán)重替換最后一層全連接層先凍結(jié)骨干只訓(xùn)練分類頭再解凍全部微調(diào)。import torch import torch.nn as nn from torchvision import models def build_model(num_classes10, freeze_backboneTrue): # 加載 ResNet50 預(yù)訓(xùn)練權(quán)重不下載則用 weightsNone model models.resnet50(weightsmodels.ResNet50_Weights.IMAGENET1K_V1) if freeze_backbone: # 凍結(jié)除 fc 層外的所有參數(shù) for name, param in model.named_parameters(): if fc not in name: param.requires_grad False # 替換分類頭輸入維度 2048 是 ResNet50 最后一層特征維度 in_features model.fc.in_features model.fc nn.Sequential( nn.Dropout(0.4), nn.Linear(in_features, num_classes) ) return model model build_model(num_classes10, freeze_backboneTrue) criterion nn.CrossEntropyLoss() # 只優(yōu)化 fc 層參數(shù)學(xué)習(xí)率可以設(shè)大一點(diǎn) optimizer torch.optim.Adam(filter(lambda p: p.requires_grad, model.parameters()), lr1e-3)freeze_backboneTrue時(shí)只訓(xùn)練分類頭通常 10 輪就能收斂到不錯(cuò)的效果之后把freeze_backbone設(shè)為False用更小的學(xué)習(xí)率如 1e-4微調(diào)全部參數(shù)。Dropout(0.4)是為了防止小數(shù)據(jù)集過擬合如果數(shù)據(jù)量超過 2 萬張可以降到 0.2。3.3 學(xué)習(xí)率調(diào)度與早停訓(xùn)練過程中最容易翻車的是學(xué)習(xí)率設(shè)太大導(dǎo)致 loss 震蕩或者設(shè)太小導(dǎo)致收斂慢。我一般用余弦退火配合 warmup前 5 輪線性升溫到初始學(xué)習(xí)率之后按余弦曲線下降到 0。from torch.optim.lr_scheduler import CosineAnnealingLR, LinearLR, SequentialLR # 前 5 個(gè) epoch 從 0.1 倍學(xué)習(xí)率升到 1 倍之后余弦退火 warmup LinearLR(optimizer, start_factor0.1, total_iters5) cosine CosineAnnealingLR(optimizer, T_max95, eta_min1e-6) scheduler SequentialLR(optimizer, schedulers[warmup, cosine], milestones[5])T_max設(shè)為總 epoch 數(shù)減去 warmup 輪數(shù)eta_min是最小學(xué)習(xí)率一般設(shè) 1e-6 即可。早停策略看驗(yàn)證集 loss連續(xù) 10 輪不下降就停避免過擬合。驗(yàn)證集準(zhǔn)確率波動(dòng)是正常的不要因?yàn)槟骋惠喌袅?2% 就立刻調(diào)參先看 loss 曲線是否平穩(wěn)。4. 避坑與排查病蟲害識(shí)別項(xiàng)目里最容易翻車的 5 件事4.1 準(zhǔn)確率虛高數(shù)據(jù)泄漏與背景捷徑現(xiàn)象訓(xùn)練集和驗(yàn)證集準(zhǔn)確率都到 99%但換一批新圖測試就崩。原因最常見的是數(shù)據(jù)泄漏——同一片葉子的多張照片被分到了訓(xùn)練集和驗(yàn)證集。另一個(gè)隱蔽原因是背景捷徑PlantVillage 里不同病害的背景顏色略有差異模型學(xué)會(huì)了看背景猜類別而不是看葉片病斑。解決按田塊或按采集批次劃分?jǐn)?shù)據(jù)集用 Grad-CAM 可視化模型關(guān)注區(qū)域如果熱力圖集中在背景而非病斑上說明模型走了捷徑需要增加背景隨機(jī)化增強(qiáng)或裁剪葉片區(qū)域。4.2 類別不平衡導(dǎo)致少數(shù)類全錯(cuò)現(xiàn)象健康葉片識(shí)別很準(zhǔn)但某種罕見病害的召回率接近 0。原因數(shù)據(jù)集中健康樣本遠(yuǎn)多于病害樣本交叉熵?fù)p失被多數(shù)類主導(dǎo)。解決用加權(quán)交叉熵權(quán)重按類別頻率的倒數(shù)設(shè)置或者用 Focal Loss 降低易分類樣本的權(quán)重。采樣層面可以用 WeightedRandomSampler 讓每個(gè) batch 里各類別比例均衡。from torch.utils.data import WeightedRandomSampler import numpy as np # labels 是訓(xùn)練集所有樣本的類別標(biāo)簽列表 class_counts np.bincount(labels) class_weights 1.0 / class_counts sample_weights [class_weights[label] for label in labels] sampler WeightedRandomSampler(sample_weights, num_sampleslen(sample_weights), replacementTrue)4.3 圖像尺寸與歸一化不一致現(xiàn)象訓(xùn)練時(shí)準(zhǔn)確率正常推理時(shí)結(jié)果完全亂套。原因訓(xùn)練用了Resize(224)和 ImageNet 歸一化推理時(shí)忘了做同樣的預(yù)處理或者用了 OpenCV 默認(rèn)的 BGR 通道順序而訓(xùn)練用的是 RGB。解決把預(yù)處理封裝成一個(gè)函數(shù)訓(xùn)練和推理共用。用 PIL 讀圖默認(rèn)是 RGB用 cv2 讀圖要手動(dòng)cv2.cvtColor(img, cv2.COLOR_BGR2RGB)。歸一化的均值和方差必須和預(yù)訓(xùn)練權(quán)重一致。4.4 顯存不足與 batch size 設(shè)置現(xiàn)象訓(xùn)練時(shí)報(bào) CUDA out of memory。原因ResNet50 在 224 尺寸下 batch size 設(shè)到 64 就可能爆顯存尤其是用了數(shù)據(jù)增強(qiáng)后中間變量更多。解決先把 batch size 降到 16 或 8配合梯度累積模擬大 batch。如果還不行換 MobileNetV3 或 EfficientNet-B0 這類輕量骨干?；旌暇扔?xùn)練也能省不少顯存。from torch.cuda.amp import autocast, GradScaler scaler GradScaler() for images, labels in dataloader: optimizer.zero_grad() with autocast(): outputs model(images) loss criterion(outputs, labels) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()4.5 論文里的實(shí)驗(yàn)對(duì)比不充分現(xiàn)象論文只跑了一個(gè)模型沒有對(duì)比實(shí)驗(yàn)答辯時(shí)被問為什么選 ResNet 不選 VGG。原因畢設(shè)時(shí)間緊跑通一個(gè)模型就寫論文了。解決至少對(duì)比 3 個(gè)骨干網(wǎng)絡(luò)如 ResNet50、MobileNetV3、EfficientNet-B0在同一數(shù)據(jù)劃分下報(bào)告準(zhǔn)確率、參數(shù)量、推理時(shí)間。再加一組消融實(shí)驗(yàn)有無數(shù)據(jù)增強(qiáng)、有無遷移學(xué)習(xí)、不同學(xué)習(xí)率。這些表格是論文的核心支撐也是高分的關(guān)鍵。5. 從訓(xùn)練到落地模型導(dǎo)出、推理加速與論文寫作的收尾技巧訓(xùn)練完模型只是第一步畢設(shè)要拿高分還得把推理鏈路跑通并在論文里講清楚工程價(jià)值。我一般會(huì)把 PyTorch 模型導(dǎo)出成 ONNX再用 ONNX Runtime 做推理這樣在普通筆記本上也能跑到實(shí)時(shí)。import torch import onnx import onnxruntime as ort import numpy as np # 導(dǎo)出 ONNX輸入尺寸固定為 1x3x224x224 dummy_input torch.randn(1, 3, 224, 224) torch.onnx.export( model, dummy_input, crop_disease.onnx, input_names[input], output_names[output], dynamic_axes{input: {0: batch}, output: {0: batch}}, opset_version11 ) # ONNX Runtime 推理 session ort.InferenceSession(crop_disease.onnx, providers[CPUExecutionProvider]) def predict(img_array): # img_array 需為 float32、NCHW、已歸一化 inputs {session.get_inputs()[0].name: img_array.astype(np.float32)} outputs session.run(None, inputs) return np.argmax(outputs[0], axis1)導(dǎo)出時(shí)opset_version建議用 11兼容性好dynamic_axes讓 batch 維度可變方便部署時(shí)調(diào)整。推理前記得把圖像轉(zhuǎn)成 float32 并做同樣的歸一化否則結(jié)果會(huì)偏。論文寫作上我習(xí)慣把數(shù)據(jù)采集與標(biāo)注單獨(dú)成一章放上田間實(shí)拍圖和標(biāo)注示例這比堆公式更能體現(xiàn)工作量。實(shí)驗(yàn)部分用表格對(duì)比不同模型再用混淆矩陣分析錯(cuò)分案例比如早疫病和晚疫病容易混就單獨(dú)討論兩者病斑形狀差異。最后加一節(jié)田間測試放幾段手機(jī)拍攝的識(shí)別視頻截圖說明模型在實(shí)際場景下的表現(xiàn)和局限。這樣整篇論文從數(shù)據(jù)到模型到落地形成閉環(huán)答辯時(shí)老師問什么都有據(jù)可依。我自己帶畢設(shè)這些年最大的教訓(xùn)是別等到最后兩周才跑模型。數(shù)據(jù)標(biāo)注和增強(qiáng)至少留出一個(gè)月訓(xùn)練和調(diào)參留兩周論文寫作留兩周中間還要留出返工的時(shí)間。另外代碼一定要用 Git 管理每次調(diào)參記錄清楚改了什么、結(jié)果如何否則跑了幾十組實(shí)驗(yàn)后根本記不住哪組對(duì)應(yīng)哪個(gè)配置。希望這些經(jīng)驗(yàn)?zāi)軒湍闵僮唿c(diǎn)彎路順利把這份畢設(shè)做成能拿得出手的作品。本文還有配套的精品資源點(diǎn)擊獲取