Python + AI：智能害虫识别助手搭建指南

Python + AI：智能害虫识别助手搭建指南 | 极客日志

import cv2
import os
import numpy as np

# 数据预处理函数
def preprocess_image(img_path, target_size=(224, 224)):
    # 读取图片
    img = cv2.imread(img_path)
    # 调整尺寸
    img = cv2.resize(img, target_size)
    # BGR 转 RGB（PyTorch 默认 RGB）
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    # 归一化
    img = img / 255.0
    # 转换为张量格式
    img = np.transpose(img, (2, 0, 1))
    return img

# 遍历数据集文件夹预处理
data_dir = "pest_dataset"
classes = os.listdir(data_dir)  # 获取害虫类别
processed_data = []
labels = []
for idx, cls in enumerate(classes):
    cls_dir = os.path.join(data_dir, cls)
    for img_name in os.listdir(cls_dir):
        img_path = os.path.join(cls_dir, img_name)
        try:
            img = preprocess_image(img_path)
            processed_data.append(img)
            labels.append(idx)
        except:
            continue  # 跳过损坏的图片

# 转换为数组
processed_data = np.array(processed_data)
labels = np.array(labels)

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（只训练最后一层）
for param in model.parameters():
    param.requires_grad = False

# 替换最后一层分类器（根据自己的害虫类别数调整 num_classes）
num_classes = len(classes)  # 比如有 10 种害虫，num_classes=10
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（有 GPU 用 GPU，没有用 CPU）
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = model.to(device)

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])

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

# 训练函数
def train_model(model, train_loader, val_loader, epochs=10):
    model.train()
    for epoch in range(epochs):
        running_loss = 0.0
        # 训练轮次
        for inputs, labels in train_loader:
            inputs, labels = inputs.to(device), labels.to(device)
            # 梯度清零
            optimizer.zero_grad()
            # 前向传播
            outputs = model(inputs)
            loss = criterion(outputs, labels)
            # 反向传播 + 优化
            loss.backward()
            optimizer.step()
            running_loss += loss.item()
        
        # 验证轮次
        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()
        
        # 打印训练结果
        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（建议 epochs 设为 10-20）
trained_model = train_model(model, train_loader, val_loader, epochs=15)

# 保存模型
torch.save(trained_model.state_dict(), "pest_recognition_model.pth")

import gradio as gr

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

# 定义识别函数
def recognize_pest(img):
    # 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"),  # 输入：图片
    outputs=gr.Textbox(),  # 输出：识别结果
    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（支持蚜虫、菜青虫、红蜘蛛等）"
)

# 启动应用
interface.launch(share=True)

Python + AI：智能害虫识别助手搭建指南

一、为什么要做这个项目？

二、项目核心技术栈

三、项目实战：从 0 到 1 搭建识别助手

第一步：准备数据集

第二步：搭建 CNN 模型（迁移学习版）

第三步：训练与评估模型

第四步：用 Gradio 部署成 Web 应用

四、进阶优化方向

五、项目总结

更多推荐文章

相关免费在线工具

Python + AI：智能害虫识别助手搭建指南

一、为什么要做这个项目？

二、项目核心技术栈

三、项目实战：从 0 到 1 搭建识别助手

第一步：准备数据集

第二步：搭建 CNN 模型（迁移学习版）

第三步：训练与评估模型

第四步：用 Gradio 部署成 Web 应用

四、进阶优化方向

五、项目总结

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具