一、介紹
蔬菜識別系統，基於TensorFlow搭建卷積神經網絡算法，通過對8種常見的蔬菜圖片數據集（'土豆', '大白菜', '大葱', '蓮藕', '菠菜', '西紅柿', '韭菜', '黃瓜'）進行訓練，最後得到一個識別精度較高的模型，然後搭建Web可視化操作平台。
前端: Vue3、Element Plus
後端：Django
算法：TensorFlow、卷積神經網絡算法
具體功能：
- 系統分為管理員和用户兩個角色，登錄後根據角色顯示其可訪問的頁面模塊。
- 登錄系統後可發佈、查看、編輯文章，創建文章功能中集成了markdown編輯器，可對文章進行編輯。
- 在圖像識別功能中，用户上傳圖片後，點擊識別，可輸出其識別結果和置信度
- 基於Echart以柱狀圖形式輸出所有種類對應的置信度分佈圖。
- 在智能問答功能模塊中：用户輸入問題，後台通過對接Deepseek接口實現智能問答功能。
- 管理員可在用户管理模塊中，對用户賬户進行管理和編輯。
選題背景與意義：
隨着智慧農業與新零售模式的快速發展，對蔬菜種類的自動化、精準化識別需求日益增長。然而，由於蔬菜品類繁多、外觀形態相似及環境光照差異，傳統的肉眼辨別或簡單算法已難以滿足現代高效管理的需求。
深度學習技術的成熟，尤其是卷積神經網絡（CNN）在圖像特徵提取上的卓越表現，為解決複雜視覺分類任務提供了可能。本課題旨在結合計算機視覺與現代 Web 技術，構建一套高效的蔬菜識別系統。系統不僅通過 TensorFlow 提升識別精度，更結合了 Deepseek 大模型實現智能科普問答，並通過 Vue3 打造可視化平台，將複雜的 AI 算法轉化為便捷的用户工具。該研究不僅能助力農產品管理的信息化，也為智慧生活場景下的人機交互提供了參考範式。
二、系統效果圖片展示
三、演示視頻 and 完整代碼 and 安裝
地址：https://ziwupy.cn/p/5YzLGU
四、卷積神經網絡算法介紹
卷積神經網絡（CNN）是一種專門為處理具有網格結構數據（如圖像）而設計的深度學習算法。其核心思想在於局部感受野、權值共享和空間下采樣。與傳統神經網絡全連接的方式不同，CNN 通過“卷積層”利用卷積核（Filter）自動提取圖像的邊緣、紋理等底層特徵，再由“池化層”壓縮數據維度並保留關鍵信息，最後通過“全連接層”進行分類。這種結構極大地減少了模型參數量，並賦予了系統對平移、縮放等形變的魯棒性。
以下是使用 TensorFlow/Keras 構建並調用簡易 CNN 模型進行圖像識別的代碼片段：
import tensorflow as tf
from tensorflow.keras import layers, models
# 1. 構建卷積神經網絡模型
model = models.Sequential([
# 卷積層：提取特徵；池化層：降維
layers.Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)),
layers.MaxPooling2D((2, 2)),
layers.Conv2D(64, (3, 3), activation='relu'),
layers.MaxPooling2D((2, 2)),
# 展開並連接全連接層進行分類
layers.Flatten(),
layers.Dense(64, activation='relu'),
layers.Dense(8, activation='softmax') # 假設識別8種蔬菜
])
# 2. 編譯模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 3. 示例調用：對單張圖片進行預測
# image = load_and_preprocess_image("vegetable.jpg")
# prediction = model.predict(image)
上述代碼展示了 CNN 的標準工作流：首先通過兩層 Conv2D 卷積層捕捉圖像的空間特徵，配合 MaxPooling2D 池化層減少計算量並防止過擬合。隨後，通過 Flatten 將多維特徵圖打平，送入全連接層進行邏輯推理。最後，Softmax 激活函數將輸出轉化為對應 8 種蔬菜類別的概率分佈。該流程具有極強的擴展性，只需增加網絡深度或調整超參數，即可進一步提升在複雜場景下的識別精度。
- 輸入層 (Input)：接收原始蔬菜圖像數據（如 64 * 64 像素的 RGB 圖像）。
- 卷積層 (Convolution)：通過濾波器（Filter）提取蔬菜的邊緣、顏色和紋理特徵。
- 池化層 (Pooling)：進行下采樣，在保留核心特徵的同時大幅減少數據量，提高運算速度。
- 全連接分類層 (Output)：將提取到的抽象特徵映射到具體的類別（如“西紅柿”或“黃瓜”），並輸出置信度。
