一、介紹

海洋生物系統，本項目基於深度學習技術，構建了一個集海洋生物識別、數據可視化和智能問答於一體的Web應用系統。系統採用TensorFlow框架搭建卷積神經網絡模型，通過對22種常見海洋生物（包括海豚、鯨魚、鯊魚、珊瑚、海星等）數據集進行多輪迭代訓練，最終獲得高精度識別模型，並開發了功能完善的Web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：

1. 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。
2. 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。
3. 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
4. 基於Echart以柱狀圖形式輸出所有種類對應的置信度分佈圖。
5. 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。
6. 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：
隨着海洋資源的開發與保護日益受到重視，對海洋生物進行快速、準確的識別與分析成為科研、教育及生態保護領域的重要需求。然而，傳統的海洋生物識別方法依賴專家經驗，效率較低，且公眾參與度有限。近年來，深度學習技術在圖像識別領域取得了顯著進展，為海洋生物的自動化識別與知識普及提供了新的可能。

本項目基於這一背景，利用TensorFlow框架構建卷積神經網絡模型，針對22種常見海洋生物（如海豚、鯨魚、珊瑚等）進行訓練，實現了高精度的生物識別。同時，系統結合Vue3與Django開發了功能完善的Web平台，集成圖像識別、數據可視化及智能問答等功能，為用户提供便捷的海洋生物認知與交互體驗。通過這一系統，旨在推動海洋生物知識的普及，提升海洋保護的科技參與度。

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/ZtMoo4

四、卷積神經網絡算法介紹

卷積神經網絡是一種專門用於處理網格狀數據（如圖像）的深度學習架構。其核心思想是通過卷積核在輸入數據上進行滑動窗口式的“卷積”操作，以自動提取從低級到高級的層次化特徵。

CNN主要由以下關鍵層構成：

1. 卷積層：是CNN的核心。它使用多個卷積核在輸入圖像上滑動，通過計算局部區域的點積來生成特徵圖。這一過程能夠有效捕捉圖像中的局部特徵，如邊緣、角點等，並具有權值共享的特點，大大減少了模型參數。
2. 池化層：通常跟在卷積層之後，用於對特徵圖進行下采樣。最常用的是最大池化，它取局部區域的最大值。池化層可以在保持主要特徵的同時，減小數據尺寸，降低計算複雜度，並增強模型的平移不變性。
3. 全連接層：在網絡的末端，將經過多次卷積和池化後提取到的展開特徵進行綜合，並映射到最終的輸出類別上，完成分類任務。

通過堆疊這些層，CNN能夠逐步從原始像素中提取出越來越複雜的特徵，最終實現高精度的圖像識別。

以下是一個使用TensorFlow和Keras API構建一個簡單的CNN模型，用於手寫數字識別（MNIST數據集）的示例。

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

# 1. 加載並預處理數據
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
# 將圖像數據重塑為 (28, 28, 1) 並歸一化
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255

# 2. 構建CNN模型
model = models.Sequential([
    # 第一卷積塊
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    # 第二卷積塊
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    # 將特徵圖展平以輸入全連接層
    layers.Flatten(),
    # 全連接層
    layers.Dense(64, activation='relu'),
    # 輸出層，10個神經元對應10個類別（數字0-9）
    layers.Dense(10, activation='softmax')
])

# 3. 編譯模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 4. 訓練模型
model.fit(train_images, train_labels, epochs=5, 
          validation_data=(test_images, test_labels))

# 5. 評估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(f'\n測試準確率：{test_acc}')

上述代碼完整展示了使用CNN進行圖像分類的流程。首先，我們加載MNIST數據集並將其處理成適合CNN輸入的格式。接着，我們構建了一個順序模型，其中包含兩個卷積-池化層組合，用於特徵提取；之後通過Flatten層將多維特徵圖展平，並連接兩個全連接層進行分類。模型使用Adam優化器和稀疏分類交叉熵損失函數進行編譯。最後，我們在訓練集上訓練5個輪次，並在測試集上評估最終性能，通常能達到很高的準確率。此代碼是理解CNN應用的基礎模板，本項目的海洋生物識別系統即是在此基礎上，使用更復雜的網絡結構和海洋生物數據集進行訓練與優化的。