基于深度学习的宠物皮肤病识别系统

收藏关注不迷路！！

🌟文末获取源码+数据库🌟

感兴趣的可以先收藏起来，还有大家在毕设选题（免费咨询指导选题），项目以及论文编写等相关问题都可以给我留言咨询，希望帮助更多的人

---

前言

随着人们对宠物健康和福利的关注增加，对宠物皮肤病的早期诊断和治疗变得尤为重要。然而，准确识别宠物的皮肤病类型是具有挑战性的，因为这需要专业的医学知识和经验。因此，本研究旨在开发一个基于深度学习的宠物皮肤病识别系统，以提供快速、准确的诊断支持。。
主要采用了深度学习技术，择卷积神经网络（CNN）作为基础模型，并根据皮肤病的特性进行修改和优化。例如，可以使用Inception、ResNet等成熟的CNN架构。收集各种类型的宠物皮肤病图片，并进行详细的标注，包括疾病的类型、病变区域等。使用标注的数据对模型进行训练，并采用适当的优化算法（如梯度下降、Adam等）来更新网络参数。
通过本研究，我们成功开发了一个基于深度学习的宠物皮肤病识别系统。该系统在测试集上达到了较高的准确率（>90%），具有良好的泛化能力。此外，与传统的皮肤病诊断方法相比，该系统显著提高了诊断的效率和准确性，为兽医提供了更可靠的辅助诊断工具。
该系统不仅可以帮助兽医快速准确地诊断宠物的皮肤病类型，还可以用于大规模宠物的筛查，满足兽医和宠物主人的需求。未来，我们将进一步优化模型，提高检测的灵敏度和特异性，并探索其在其他宠物皮肤病诊断中的应用。

详细视频演示

文章底部名片，联系我看更详细的演示视频

一、项目介绍

集宠物皮肤病图像数据，根据宠物皮肤病识别的需求，选择适合的深度学习模型，设计一个基于深度学习的宠物皮肤病识别系统，实现宠物皮肤病的自动化识别和分类，通过调整模型参数优化算法，提高模型的泛化能力和准确率，为宠物的健康管理提供辅助诊断工具。
基本要求：查阅宠物皮肤病识别及图像处理领域相关文献，了解宠物皮肤病的分类和识别方法，以及对宠物皮肤病图像的诊断标准。了解深度学习在医学图像分类、病变检测领域的最新进展，掌握国内外宠物皮肤病识别的发展现状，明确宠物皮肤病识别系统的设计方案。认真撰写毕业设计说明书，准确表述设计的全过程。

————————————————

二、功能介绍

这项研究是为了探究将深度学习技术应用在宠物犬皮肤病识别领域，为用户提供准确的识别结果，可以达到预防皮肤病的效果，减小其带来的影响。具体可以分为以下三个步骤 ：
1.数据集的收集以及预处理
这一部分涉及采集和准备用于训练和测试的数据集，包含各种狗的皮肤病图像，从网络上寻找大量图片并对图片进行处理和分析，搭建成数据集。
2. 选择模型对数据集训练以及评估优化
选择卷积神经网络中的ResNet50模型，通过ResNet50模型对当前数据集进行分析和训练，调整模型参数优化算法，提高模型的泛化能力和准确率，然后对模型进行评估，不断提高准确率和召回率。最后实现对目标的准确识别。
3. 将模型部署到系统中
将训练好的模型部署到web端中，通过上传图片，可以为宠物主人和兽医提供皮肤病诊断服务，同时收集更多的数据持续优化和改进模型。

三、核心代码

部分代码：

import os
import json
import cv2
from PIL import Image
from flask import Flask, request, render_template, send_from_directory
from flask_cors import CORS

import torch
import torch.nn as nn
from torchvision import transforms
from torchvision.models import vgg16

app = Flask(__name__)
CORS(app)  # 解决跨域问题

app.jinja_env.variable_start_string = '<<'
app.jinja_env.variable_end_string = '>>'

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
weights_path = "models/vgg16.pth"
class_json_path = "static/json/class_to_chinese.json"
assert os.path.exists(weights_path), "weights path does not exist..."
assert os.path.exists(class_json_path), "class json path does not exist..."

# load class info
json_file = open(class_json_path, 'rb')
class_indict = json.load(json_file)
# create model
model = vgg16()
# 更改Vgg16模型的最后一层
model.classifier[-1] = nn.Linear(4096, len(class_indict), bias=True)
model.load_state_dict(torch.load(weights_path, map_location=device))


@app.route('/upload', methods=['get', 'post'])
def upload_picture():
    file_name = request.files['file'].filename
    target_image_name = 'images/tmp_up.' + file_name.split(".")[-1]
    request.files['file'].save(target_image_name)
    img_init = cv2.imread(target_image_name)  # 打开图片
    h, w, c = img_init.shape
    scale = 300 / h
    img_show = cv2.resize(img_init, (0, 0), fx=scale, fy=scale)  # 将图片的大小统一调整到300的高，方便界面显示
    cv2.imwrite("images/show.png", img_show)
    img_init = cv2.resize(img_init, (224, 224))  # 将图片大小调整到224*224用于模型推理
    cv2.imwrite('images/target.png', img_init)

    return json.dumps({"data": None})


@app.route('/show/<path:filename>', methods=['GET', 'POST'])
def get_show_picture(filename):
    return send_from_directory('images', filename)


@app.route('/show/pre_show.png', methods=['GET', 'POST'])
def get_pre_show_picture():
    return send_from_directory('images', 'pre_show.png')


@app.route('/show/bg.jpg', methods=['GET', 'POST'])
def get_bg_picture():
    return send_from_directory('images', 'bg.jpg')


@app.route('/front/index.css', methods=['GET', 'POST'])
def get_front_index_css():
    return send_from_directory('templates', 'index.css')


@app.route('/front/axios.min.js', methods=['GET', 'POST'])
def get_front_axios_min():
    return send_from_directory('templates', 'axios.min.js')


@app.route('/front/index.js', methods=['GET', 'POST'])
def get_front_index_js():
    return send_from_directory('templates', 'index.js')


@app.route('/front/vue.js', methods=['GET', 'POST'])
def get_front_vue():
    return send_from_directory('templates', 'vue.js')


@app.route('/predict', methods=['post'])
def predict_img():
    data_transform = transforms.Compose(
        [transforms.Resize((224, 224)),
         transforms.ToTensor(),
         transforms.Normalize([0.485, 0.456, 0.406],
                              [0.229, 0.224, 0.225])])
    img = Image.open(r'images/target.png')
    # [N, C, H, W]
    img = data_transform(img)
    # expand batch dimension
    img = torch.unsqueeze(img, dim=0)

    model.eval()
    with torch.no_grad():
        # predict class
        output = torch.squeeze(model(img)).cpu()
        predict = torch.softmax(output, dim=0)
        predict_cla = torch.argmax(predict).numpy()

    result_label = "诊断结果: {}".format(class_indict[str(predict_cla)])
    result_prob = "诊断概率: {}".format(predict[predict_cla].numpy())
    return json.dumps({"result_label": result_label,
                       "result_prob": result_prob})


@app.route("/", methods=["GET", "POST"])
def root():
    return render_template("index.html")


if __name__ == '__main__':
    # app.debug = False
    app.run(host='0.0.0.0', port=5003)

四、效果图

五、文章目录

目 录
1 绪 论 1
1.1 选题的背景 1
1.2 国内外研究现状 1
1.3 选题的目的和意义 1
1.4主要研究内容 3
2 相关技术介绍 5
2.1 卷积神经网络 5
2.2 系统开发相关技术 9
3 数据获取及预处理 14
3.1 数据集的获取及简介 14
3.2 数据预处理 17
4 模型训练与评估 18
4.1 模型选择 14
3.2 模型训练 17
4.3 模型评估 17
5 模型优化 18
5.1 优化器选择 14
5.2 效果对比分析 17
6 系统部署 19
6.1 需求分析 14
6.2 系统设计与实现 17
6.3 系统测试 17
7 总结与展望 29
7.1 总结 29
7.2 展望 29
参考文献 30
致 谢 33

六 、源码获取

下方名片联系我即可！！


大家点赞、收藏、关注、评论啦 、查看👇🏻获取联系方式👇🏻