基于 Python 与 AI 的智能害虫识别系统实战

搭建 CNN 模型（迁移学习版）

从零训练 CNN 模型需要大量数据和算力，我们采用迁移学习策略——基于预训练的 ResNet50，只替换最后一层分类层。这样既节省时间又能保证精度。

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)

训练与评估模型

将预处理好的数据转换成 PyTorch 的 DataLoader，开始训练并在验证集上评估精度。

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)
            optimizer.zero_grad()
            outputs = model(inputs)
            loss = criterion(outputs, labels)
            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()

        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")

用 Gradio 部署成 Web 应用

训练好的模型需要一个交互界面。Gradio 能快速搭建可视化页面，上传图片即可识别害虫。

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)

运行代码后，会生成一个本地链接（如 http://localhost:7860），打开即可看到交互界面。上传害虫图片，几秒内就能显示识别结果和置信度，一个可用的智能识别助手就完成了。

进阶优化方向

若想让识别助手更精准，可尝试以下优化：

1. 数据增强：使用 torchvision.transforms 对图片做旋转、翻转、裁剪，扩充数据集，提升模型泛化能力；
2. 调参优化：调整学习率、批次大小（batch_size），或尝试不同的优化器（如 SGD）；
3. 多标签识别：如果一张图片有多种害虫，修改模型输出层为多标签分类；
4. 部署优化：使用 ONNX 转换模型，或部署到云服务器实现远程访问。

项目总结

这个智能害虫识别助手，看似是一个农业应用，实则覆盖了 AI 开发的核心流程：数据预处理 → 模型搭建 → 训练评估 → 部署应用。对于 Python 和 AI 初学者来说，它不是空泛的理论，而是能亲手实现的实战项目；对于农业从业者，它能实实在在解决生产中的问题。

AI 的魅力就在于此——用代码把技术落地到具体场景。希望这个项目能让你感受到 Python+AI 的力量，也期待你能基于这个框架，拓展出更多智慧农业的应用（比如作物病害识别、产量预估等）。