基于 Python 与 AI 的智能害虫识别系统实战

注意：实际运行时请确保路径正确，并处理损坏的图片文件。

模型构建与训练

直接从头训练 CNN 模型对算力要求较高，我们采用迁移学习策略。加载预训练的 ResNet50，冻结主干网络参数，仅替换最后一层全连接层以适应新的害虫类别数量。

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import models

# 加载预训练的 ResNet50
model = models.resnet50(pretrained=True)

# 冻结主干网络参数
for param in model.parameters():
    param.requires_grad = False

# 替换最后一层分类器
num_classes = len(classes)
model.fc = nn.Linear(model.fc.in_features, num_classes)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.fc.parameters(), lr=0.001)

# 设备配置
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = model.to(device)

接下来将数据封装为 DataLoader 并开始训练。训练过程中需关注 Loss 下降趋势及验证集准确率，防止过拟合。

from torch.utils.data import TensorDataset, DataLoader, random_split

# 转换为张量
X = torch.tensor(processed_data, dtype=torch.float32)
y = torch.tensor(labels, dtype=torch.long)
dataset = TensorDataset(X, y)

# 划分训练集和验证集
train_size = int(0.8 * len(dataset))
val_size = len(dataset) - train_size
train_dataset, val_dataset = random_split(dataset, [train_size, val_size])

train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False)

def train_model(model, train_loader, val_loader, epochs=10):
    model.train()
    for epoch in range(epochs):
        running_loss = 0.0
        for inputs, labels in train_loader:
            inputs, labels = inputs.to(device), labels.to(device)
            optimizer.zero_grad()
            outputs = model(inputs)
            loss = criterion(outputs, labels)
            loss.backward()
            optimizer.step()
            running_loss += loss.item()
        
        model.eval()
        val_correct = 0
        val_total = 0
        with torch.no_grad():
            for inputs, labels in val_loader:
                inputs, labels = inputs.to(device), labels.to(device)
                outputs = model(inputs)
                _, predicted = torch.max(outputs.data, 1)
                val_total += labels.size(0)
                val_correct += (predicted == labels).sum().item()
        
        print(f"Epoch {epoch+1}/{epochs} | Loss: {running_loss/len(train_loader):.4f} | Val Accuracy: {100* val_correct / val_total:.2f}%")
    return model

# 开始训练
trained_model = train_model(model, train_loader, val_loader, epochs=15)
torch.save(trained_model.state_dict(), "pest_recognition_model.pth")

部署与交互

模型训练完成后，需要一个可视化的入口。Gradio 库能让我们用极少的代码搭建出 Web 应用，无需前端基础。

import gradio as gr

# 加载训练好的模型
model.load_state_dict(torch.load("pest_recognition_model.pth"))
model.eval()

def recognize_pest(img):
    # 此处 classes 变量需与数据加载阶段保持一致
    # 预处理图片
    img = cv2.resize(img, (224, 224))
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    img = img / 255.0
    img = np.transpose(img, (2, 0, 1))
    img = torch.tensor(img, dtype=torch.float32).unsqueeze(0).to(device)
    
    # 模型预测
    with torch.no_grad():
        outputs = model(img)
        _, predicted = torch.max(outputs, 1)
        pest_name = classes[predicted.item()]
        confidence = torch.softmax(outputs, dim=1)[0][predicted.item()].item() * 100
    return f"识别结果：{pest_name} | 置信度：{confidence:.2f}%"

# 创建 Gradio 界面
interface = gr.Interface(
    fn=recognize_pest,
    inputs=gr.Image(type="numpy"),
    outputs=gr.Textbox(),
    title="智能害虫识别助手",
    description="上传农作物害虫图片，自动识别害虫种类"
)

# 启动应用
interface.launch(share=True)

执行脚本后，终端会显示本地访问地址。打开浏览器上传图片即可看到实时识别结果。

进阶优化方向

若需进一步提升效果，可考虑以下方向：

1. 数据增强：利用 torchvision.transforms 进行旋转、翻转等操作，扩充样本多样性。
2. 超参数调优：尝试不同的学习率调度器或优化器（如 SGD）。
3. 多标签识别：修改输出层支持一张图片包含多种害虫的情况。
4. 性能优化：使用 ONNX 转换模型格式，或部署至云服务器实现远程服务。

总结

本案例完整展示了 AI 项目落地的标准链路：数据预处理、模型搭建、训练评估及部署应用。对于初学者而言，这是一个理解深度学习工作流的优秀切入点；对于实际应用，它提供了低成本自动化监测的可能性。掌握这套流程后，可将其迁移至作物病害识别、产量预估等其他农业场景。