项目介绍
基于深度学习的智能害虫识别系统，帮助农业生产者快速、准确地识别农作物病虫害，提高病虫害防治效率，保障农业生产安全。系统采用前后端分离架构，前端使用 Vue3+Element Plus 构建用户友好的交互界面，后端采用 Flask 框架提供高效的数据处理和 API 服务，核心识别算法基于 TensorFlow 深度学习框架和 ResNet50 卷积神经网络模型。
系统主要功能包括：用户注册与登录、害虫图片上传、实时识别、识别历史记录查询、数据统计可视化等。用户可以通过上传害虫图片进行识别操作。
选题背景与意义
随着全球人口的增长和农业现代化的推进，农作物病虫害防治面临着越来越大的挑战。传统的病虫害识别方法主要依赖人工经验，存在识别效率低、准确率不高、受主观因素影响大等问题。尤其是在大规模农业生产中，病虫害的及时识别和防治显得尤为重要，直接关系到农作物的产量和质量。
近年来，深度学习技术在计算机视觉领域取得了显著进展，卷积神经网络（CNN）在图像识别任务中表现出了优异的性能。ResNet50 作为一种深度残差网络，具有强大的特征提取能力和梯度传播效率，能够有效解决深度网络训练中的梯度消失问题。
关键技术栈：ResNet50
ResNet50 是微软研究院提出的一种深度残差网络结构，是 ResNet（Residual Network）系列网络中的经典模型之一。它由 50 层卷积神经网络组成，通过引入残差连接（Residual Connection）解决了深度网络训练中的梯度消失问题，使得构建更深层次的神经网络成为可能。
ResNet50 的核心创新点在于残差块（Residual Block）的设计。传统的卷积神经网络在堆叠多层后会出现退化现象，即网络深度增加但性能反而下降。ResNet 通过在残差块中引入恒等映射（Identity Mapping），使得网络可以学习到残差信息，避免了退化问题的发生。残差块的结构可以表示为：y = F(x, {Wi}) + x，其中 F(x, {Wi}) 是残差函数，表示学习到的特征与输入之间的差异。
技术架构图
系统功能模块图
