一、项目演示视频

b站演示视频与部署教程视频(点击这里)
https://www.bilibili.com/video/BV1PDP9zXE6T/?share_source=copy_web&vd_source=31c839f46a9a845dd6dd641cbd5c2ac1

二、技术栈

1. 前端技术栈 (web-vue)
   核心框架: Vue 3.5.13 (Composition API)
   UI组件库: Element Plus 2.9.4
   状态管理: Pinia 2.3.1
   路由管理: Vue Router 4.5.0
   HTTP客户端: Axios 1.7.9
   图表可视化: ECharts 5.6.0
   构建工具: Vite 6.1.0 + TypeScript 5.7.2

2. 后端+算法端技术栈 (web-flask)
   核心框架: Flask (Python)
   数据库: SQLite 3
   身份认证: JWT
   图像处理: OpenCV + NumPy
   深度学习: YOLOv8/YOLO11/YOLO12/YOLO26
   视频处理: OpenCV视频流处理
   大语言模型: Qwen-VL的API接口

三、功能模块

核心创新点

1. 虫害精准检测: 支持荔枝虫害的智能识别和定位
2. 多模态检测方式: 支持图片、视频、实时摄像头三种检测模式
3. YOLO模型集成: 集成YOLOv8/YOLO11/YOLO12/YOLO26等先进目标检测模型
4. 智能检测分析: 基于AI的荔枝虫害自动识别与危害分析
5. 分层权限管理: 支持管理员和普通用户的差异化功能访问
6. 完整工作流程: 从数据集管理到模型管理再到荔枝虫害检测的完整闭环
7. 多模态大模型辅助分析: 使用多模态大模型根据YOLO检测识别结果和图片进一步分析荔枝虫害情况并给出合理防治与管理建议(属于图片识别功能模块)
8. 模型评估系统: 支持上传YOLO格式标签与模型预测对比，自动计算Precision、Recall、mAP50等精度指标，生成GT框与预测框的可视化对比图，支持用户评分和评语

核心功能模块

1. 用户管理: 支持用户注册、登录、权限管理、个人信息管理等功能
2. 数据集管理: 支持上传ZIP格式YOLO数据集，自动验证数据集结构和完整性
3. 模型管理: 支持创建模型、上传权重、训练过程图片/文件管理、模型发布等
4. 图片检测: 上传荔枝植株/果实/叶片图片进行虫害检测，支持CLAHE图像增强、多模态AI虫害分析、防治建议生成、导出Word报告
5. 视频检测: 上传荔枝种植现场视频进行逐帧虫害检测，支持帧率采样、异步处理、进度查询、关键帧截图
6. 实时检测: 使用电脑摄像头进行实时荔枝虫害检测，支持yolo目标跟踪、会话管理、检测记录保存
7. 模型评估: 上传图片和标签文件评估模型性能，支持精度指标计算、可视化对比、用户评分筛选

应用场景

• 荔枝果园: 果园荔枝虫害的早期识别与监测
• 露地/设施种植: 荔枝虫害巡查辅助与风险预警
• 农技推广/培训: 荔枝虫害识别与AI诊断教学演示

四、项目链接

链接: https://pan.baidu.com/s/1HT9AV3uwHtZuDKwW5w74CA?pwd=i3r7 提取码: i3r7

1. 完整系统源码
   (1)前端源码(web-vue)
   (2)后端+算法端源码(web-flask)
   (3)模型训练代码(other/model_train/detect)
2. 项目介绍文档
   (1)项目概述
   (2)项目技术栈
   (3)项目目录结构
   (4)系统架构图、功能模块图
   (5)数据库开发文档
3. 项目启动教程
   (1)环境安装教程(视频+文档)
   (2)系统启动教程(视频+文档)
4. 荔枝虫害检测数据集
   (1)总样本数：5505 张荔枝植株/果实/叶片图片（训练+验证+测试）
   (2)训练集：4892 张图片 (用于模型训练)
   (3)验证集：306 张图片 (用于模型验证和性能调优)
   (4)测试集：307 张图片 (用于模型最终性能评估)
   (5)检测类别: 1 类荔枝虫害
   0: pest_damage - 荔枝虫害（虫害危害区域）
5. 已经训练好的荔枝虫害检测模型权重，整体精度如下（测试集307张图，344个实例）：
   (1)precision (精确率): 0.932
   (2)recall (召回率): 0.921
   (3)mAP50 (IoU阈值0.5时的平均精度): 0.96
   (4)mAP50-95 (IoU阈值0.5-0.95的平均精度): 0.474