YOLO目标检测对接大语言模型茶园病虫害诊断平台｜茶叶病害图像识别与植保方案自动生成Web管理系统｜视觉推理与业务后端一体化项目

标签

#智慧农业 #茶叶病虫害识别 #YOLO目标检测 #大模型对接 #深度学习图像推理 #农业AI诊断平台 #前后端分离项目 #Vue数据可视化 #植保智能分析 #计算机视觉应用 #图像批量检测 #Web端AI识别系统

茶叶规模化种植基地持续扩大，依靠农技人员实地巡检的传统模式越来越难支撑日常植保工作。人工巡查不仅耗时漫长，单块连片茶园全覆盖排查往往需要多日工时，还极易把多种叶部病害相互混淆，造成误判。即便准确识别出病害，种植人员也缺少标准化防治方案，随意喷洒农药容易造成农残超标，影响茶叶品质。
单纯的图像识别程序只能标出病害种类，无法输出治理对策，而且缺少图像归档、数据统计、多账号管理等业务功能，很难直接落地到茶园日常数字化运维。从头搭建图像检测、接口调度、前端可视化整套程序，需要同时兼顾深度学习推理、后端接口开发与前端页面开发，项目落地成本较高。
本项目将目标检测视觉推理与大语言模型做链路打通，形成从图片识别到病害诊断再到生成植保方案的完整业务流程，配套完整的Web管理功能，可直接用于茶园植保数字化管理、技术研发与项目交付。

二、项目整体概况

本项目采用分层解耦架构，以YOLO深度学习模型完成茶叶病斑、虫害目标定位分类，再把识别结果送入大模型接口，自动生成对应病害的成因、药剂方案与田间管护建议。整套系统包含图像推理服务、业务后端、可视化前端三大部分，支持多类图片与视频输入检测，并配套数据存储、历史记录、报表导出、账号权限管理等业务模块。

2.1 模型识别对象

系统共识别6种茶叶叶片状态，包含病害、虫害与健康叶片：藻斑病、褐枯病、灰枯病、赤叶枯病、茶盲蝽虫害、健康叶片。

2.2 四种图像检测业务模式

1. 单张图片上传检测：上传本地照片，即时返回标注图片、病害类别与置信度，单张图片推理耗时稳定可控。
2. 本地文件夹批量检测：遍历文件夹内全部图像，批量完成目标检测并统一保存检测结果。
3. 视频文件逐帧解析：对茶园实拍视频逐帧运行目标检测，汇总整段视频内病害检出统计信息。
4. 本地摄像头实时流识别：接入USB摄像设备，实现田间现场画面实时在线识别。

三、四层技术架构

四、核心业务功能

4.1 大模型联动诊断模块

可接入主流大模型接口，当模型识别出对应病虫害后，自动向接口推送识别信息，生成针对性防治方案。支持把原图、检测标注、病害信息与防治建议整合在一起，一键导出PDF存档文件。同时利用图表对一段时间内病害检出数量、占比做统计分析，直观呈现病虫害爆发趋势，支撑预防性植保作业。

4.2 分级账号权限机制

划分管理员账号与普通用户账号，实现数据隔离。管理员可以查看全部用户检测记录、统一配置模型与接口参数；普通用户仅能查看自身上传图像与历史检测记录，保障业务数据私密性。

4.3 场景迁移能力

整套业务框架具备通用性，只需要替换对应场景的标注数据并完成模型微调，就可以快速迁移到林木病害、工业缺陷、安防目标识别等其他视觉项目，前后端业务代码无需大规模重构。

五、模型训练代码（附带场景经验注释）

# 场景注释：针对茶园野外实拍叶片图像训练，适配田间自然光、叶片重叠遮挡场景，抑制小目标漏检
# 数据集为茶园实拍叶片图像，标注病害病斑小目标，优化户外光照鲁棒性
from ultralytics import YOLO

def train_tea_disease_model():
    # 加载预训练权重，选用中大型模型适配叶片细小病斑识别
    model = YOLO("yolov8m.pt")
    
    # 数据集配置文件路径，划分训练集与验证集
    dataset_config = "./tea_disease.yaml"

    results = model.train(
        data=dataset_config,
        epochs=90,
        imgsz=960,  # 放大输入分辨率，捕捉叶片细微病斑特征
        batch=10,
        mosaic=1,   # 开启数据增强，模拟叶片互相遮挡的田间实景
        hsv_h=0.08,
        hsv_s=0.6,  # 调整色彩扰动，适配晴天、阴天不同田间光照
        mixup=0,    # 关闭混合增强，避免叶片轮廓变形影响病斑特征学习
        patience=10, # 早停策略，防止小样本数据集出现过拟合
        device=0,
        project="tea_detect_train",
        name="tea_leaf_defect"
    )
    # 输出每一类病害的mAP精度，单独评估各类叶片病害识别效果
    metrics = model.val()
    print(metrics.box.maps)
    # 导出推理模型，用于后端服务调用
    model.export(format="onnx")

if __name__ == "__main__":
    train_tea_disease_model()

配套数据集配置文件 tea_disease.yaml

# 茶叶叶片病害数据集配置，严格匹配标注类别ID
path: ./tea_dataset
train: images/train
val: images/val
names:
  0: 藻斑病
  1: 褐枯病
  2: 灰枯病
  3: 赤叶枯病
  4: 茶盲蝽
  5: 健康叶片