毕业设计——基于深度学习的在线中草药识别系统

项目设计

1. 设计爬虫程序获取中草药图片构建数据集，采用多种数据增广和图像增强方法提升训练集质量；
2. 通过实验比较并调整参数，选定ResNeSt50模型；采用CosineAnnealingLR学习率调整策略减少模型参数陷入局部最优解的概率，调整损失函数为Focal Loss + Contrastive Loss，修改激活函数为LeakyReLU及其他参数提升模型训练效果；
3. 设计网站，用户可通过Web前端上传中草药图像，后端利用深度学习模型进行识别，并实时保存数据库数据。

项目展示

实现功能

用户可通过 Web 前端上传中草药图像；前端将图像发送至后端，后端通过深度学习模型进行识别；随后，后端将预测结果（包括中草药种类及相关信息）返回给前端，供用户查看。整个过程中，数据库数据将被实时调用和保存。系统现在可以识别18种中草药植株，在测试集上的准确率达到97.8%。

功能展示

打开网站，点击选择需要识别的中草药图片。

点击提交，返回识别结果。

后端运行过程：

源代码展示

图像增广函数

def process_images(folder_path):
    # 遍历文件夹中的所有文件和子文件夹
    for root, dirs, files in os.walk(folder_path):
        # 只处理二级文件夹
        if len(root.split(os.sep)) - len(folder_path.split(os.sep)) == 1:
            # 遍历文件夹中的所有文件
            for file in files:
                # 检查文件是否为图片（根据文件扩展名）
                if file.lower().endswith(('.png', '.jpg', '.jpeg', '.gif', '.bmp')):
                    # 构建图片文件的完整路径
                    image_path = os.path.join(root, file)
                    
                    # 打开图片文件
                    image = Image.open(image_path)
                    
                    # 对图片进行操作（这里需要根据具体需求编写代码）
                    # 镜像
                    image_mirror = image.transpose(Image.FLIP_LEFT_RIGHT)
                    image_mirror.save(os.path.join(root, 'mirror_' + file))
                    
                    # 缩放
                    image_scale = image.resize((image.width // 2, image.height // 2))
                    image_scale.save(os.path.join(root, 'scale_' + file))
                    
                    # 平移
                    image_shift = ImageChops.offset(image, 50, 50)
                    image_shift.save(os.path.join(root, 'shift_' + file))
                    
                    # 左旋
                    image_rotate_left = image.rotate(90)
                    image_rotate_left.save(os.path.join(root, 'rotate_left_' + file))
                    
                    # 右旋
                    image_rotate_right = image.rotate(-90)
                    image_rotate_right.save(os.path.join(root, 'rotate_right_' + file))
                    
                    # 裁剪
                    image_crop = image.crop((100, 100, 300, 300))
                    image_crop.save(os.path.join(root, 'crop_' + file))
                    
                    # 亮度和对比度调整
                    enhancer = ImageEnhance.Brightness(image)
                    image_enhanced = enhancer.enhance(1.5)
                    enhancer = ImageEnhance.Contrast(image_enhanced)
                    image_enhanced = enhancer.enhance(1.5)
                    image_enhanced.save(os.path.join(root, 'enhanced_' + file))

                    # 关闭图片文件
                    image.close()

训练代码

import time
import os
from tqdm import tqdm

import pandas as pd
import numpy as np

import torch
import torchvision
import torch.nn as nn
import torch.nn.functional as F

import matplotlib.pyplot as plt
%matplotlib inline

import torch.optim as optim
from resnest.torch import resnest50

import warnings
warnings.filterwarnings("ignore")

# 获取计算硬件
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')

from torchvision import transforms

# 训练集图像预处理：缩放裁剪、图像增强、转 Tensor、归一化
train_transform = transforms.Compose([transforms.RandomResizedCrop(224),
                                      transforms.RandomHorizontalFlip(),
                                      transforms.ToTensor(),
                                      transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
                                     ])

# 测试集图像预处理-RCTN：缩放、裁剪、转 Tensor、归一化
test_transform = transforms.Compose([transforms.Resize(256),
                                     transforms.CenterCrop(224),
                                     transforms.ToTensor(),
                                     transforms.Normalize(
                                         mean=[0.485, 0.456, 0.406], 
                                         std=[0.229, 0.224, 0.225])
                                    ])