# plant

**Repository Path**: chimingos/plant

## Basic Information

- **Project Name**: plant
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-12-21
- **Last Updated**: 2025-12-21

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 幼苗杂草识别与田间智能分析系统

基于深度学习的植物幼苗识别系统，可识别12类植物（3类作物+9类杂草），并提供智能分析和防治建议。

## 功能特点

- **图像识别**：上传植物图片，自动识别类别并标注
- **批量分析**：支持多张图片批量识别，计算杂草率
- **智能评估**：根据杂草比例评估危害等级（轻度/中度/重度）
- **防治建议**：根据杂草类型生成针对性防治建议
- **植物知识库**：12类植物的详细信息（特征、危害、防治方法）
- **数据统计**：识别历史统计、趋势图表
- **报告生成**：自动生成分析报告，支持打印导出

## 支持识别的类别

**作物（3类）**
- 普通小麦 (Common wheat)
- 玉米 (Maize)
- 甜菜 (Sugar beet)

**杂草（9类）**
- 黑草 (Black-grass)
- 野芥菜 (Charlock)
- 猪殃殃 (Cleavers)
- 繁缕 (Common Chickweed)
- 藜 (Fat Hen)
- 看麦娘 (Loose Silky-bent)
- 无香母菊 (Scentless Mayweed)
- 荠菜 (Shepherd's Purse)
- 小花老鹳草 (Small-flowered Cranesbill)

---

## 部署流程

### 环境要求

- Python 3.9 - 3.11
- pip 包管理器

### 方式一：有模型文件（推荐）

如果已有训练好的模型文件 `models/plant_classifier.h5`：

```bash
# 1. 进入项目目录
cd plant_system

# 2. 安装依赖
pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/

# 3. 启动系统
python app.py

# 4. 访问系统
# 浏览器打开 http://localhost:5000
```

### 方式二：无模型文件（需训练）

如果没有模型文件，需要先训练模型：

```bash
# 1. 进入项目目录
cd plant_system

# 2. 安装依赖
pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/

# 3. 准备数据集
# 确保 ../data/ 目录下有12个类别的图片文件夹：
#   - Black-grass/
#   - Charlock/
#   - Cleavers/
#   - Common Chickweed/
#   - Common wheat/
#   - Fat Hen/
#   - Loose Silky-bent/
#   - Maize/
#   - Scentless Mayweed/
#   - Shepherd's Purse/ (或 Shepherd鈥檚 Purse/)
#   - Small-flowered Cranesbill/
#   - Sugar beet/

# 4. 训练模型（CPU约20分钟，GPU约5分钟）
python train_model.py

# 5. 训练完成后启动系统
python app.py

# 6. 访问系统
# 浏览器打开 http://localhost:5000
```

### 方式三：演示模式（无需训练）

系统支持在没有模型的情况下运行（演示模式），识别结果基于简单特征分析：

```bash
# 1. 进入项目目录
cd plant_system

# 2. 安装基础依赖（不含TensorFlow）
pip install flask flask-sqlalchemy pillow numpy -i https://mirrors.aliyun.com/pypi/simple/

# 3. 启动系统
python app.py

# 4. 访问系统
# 浏览器打开 http://localhost:5000
# 注：演示模式下识别准确率较低，仅供功能展示
```

---

## 技术架构

```
┌─────────────────────────────────────────────────────────────┐
│                   Web前端 (Bootstrap + Chart.js)             │
├─────────────┬─────────────┬─────────────┬───────────────────┤
│  图像识别   │  智能分析   │  决策建议   │    数据管理       │
├─────────────┴─────────────┴─────────────┴───────────────────┤
│                    Flask后端 + RESTful API                   │
├─────────────────────────────────────────────────────────────┤
│                    CNN分类模型 (TensorFlow/Keras)            │
├─────────────────────────────────────────────────────────────┤
│                    SQLite数据库                              │
└─────────────────────────────────────────────────────────────┘
```

## 项目结构

```
plant_system/
├── app.py                  # Flask主应用
├── model.py                # 识别模型封装
├── train_model.py          # 模型训练脚本
├── requirements.txt        # Python依赖
├── README.md               # 项目说明
├── models/                 # 模型文件目录
│   └── plant_classifier.h5 # 训练好的模型
├── static/
│   └── uploads/            # 上传图片存储
└── templates/              # HTML模板
    ├── base.html           # 基础模板
    ├── index.html          # 首页仪表盘
    ├── recognition.html    # 图像识别
    ├── analysis.html       # 智能分析
    ├── knowledge.html      # 植物知识库
    ├── history.html        # 历史记录
    └── report.html         # 分析报告
```

## 数据库表结构

| 表名 | 说明 |
|------|------|
| recognition_record | 识别记录（图片路径、预测类别、置信度等） |
| analysis_report | 分析报告（批次统计、危害等级、建议等） |
| environment_data | 环境监测数据（模拟数据，满足考核要求） |
| plant_knowledge | 植物知识库（12类植物详细信息） |

## API接口

| 接口 | 方法 | 说明 |
|------|------|------|
| `/api/recognize` | POST | 单张图片识别 |
| `/api/batch_recognize` | POST | 批量图片识别 |
| `/api/statistics` | GET | 获取统计数据 |
| `/api/records` | GET | 获取识别记录（分页） |
| `/api/reports` | GET | 获取报告列表 |
| `/api/report/<batch_id>` | GET | 获取报告详情 |
| `/api/knowledge` | GET | 获取植物知识库 |
| `/api/export/records` | GET | 导出识别记录CSV |
| `/api/export/reports` | GET | 导出报告列表CSV |

## 常见问题

**Q: 训练时提示"未找到: Shepherd's Purse"**

A: 文件夹名编码问题，系统已兼容 `Shepherd鈥檚 Purse` 格式，不影响使用。

**Q: 如何使用GPU训练？**

A: 需要安装CUDA和cuDNN，参考TensorFlow官方文档配置GPU环境。

**Q: 识别准确率如何？**

A: 使用完整数据集训练后，验证集准确率约85-90%。

---

## 技术亮点

1. **CNN图像分类算法** - 4层卷积神经网络，支持12类植物识别
2. **杂草危害评估算法** - 基于杂草比例和类型权重的综合评估
3. **规则引擎决策建议** - 根据杂草类型匹配防治方案
4. **数据可视化** - Chart.js实现趋势图、饼图、柱状图
5. **RESTful API设计** - 前后端分离架构
6. **自动报告生成** - 支持打印和导出