基于 Python 与 AI 的智能害虫识别助手
介绍如何使用 Python、PyTorch 和 Gradio 搭建智能害虫识别系统。项目涵盖数据预处理、基于 ResNet50 的迁移学习模型训练、以及 Web 界面部署。通过公开数据集或自建数据,结合深度学习技术,实现对农作物害虫的自动识别与预警,适合 AI 初学者进行实战练习。

介绍如何使用 Python、PyTorch 和 Gradio 搭建智能害虫识别系统。项目涵盖数据预处理、基于 ResNet50 的迁移学习模型训练、以及 Web 界面部署。通过公开数据集或自建数据,结合深度学习技术,实现对农作物害虫的自动识别与预警,适合 AI 初学者进行实战练习。

在农业生产中,病虫害是影响作物产量和品质的关键因素。传统的害虫识别依赖人工巡查,不仅耗时耗力,还容易因经验不足导致误判、漏判。随着智慧农业的普及,AI 技术正成为破解这一难题的关键——本文将用 Python 从零搭建一个智能害虫识别助手,让电脑替你'火眼金睛'辨害虫,轻松搞定农作物病虫害预警。
智慧农业的核心是'精准、高效、低成本',而害虫识别正是其中的典型场景:
这个项目不需要你有深厚的 AI 功底,只要掌握 Python 基础,跟着步骤走,就能做出一个能实际使用的智能识别工具。
先明确我们要用到的工具,都是行业主流、易上手的技术:
没有数据,AI 就是'无米之炊'。我们可以用公开的农业害虫数据集(如 IP102、Agricultural Pest Dataset),也可以自己采集照片标注。
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)) # 通道在前
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)
从零训练 CNN 模型需要大量数据和算力,我们用迁移学习——基于预训练的 ResNet50,只替换最后一层分类层,既省时间又提精度。
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)
把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)
# 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")
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,上传图片就能识别害虫。
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) # 启用共享链接
运行这段代码后,会生成一个本地链接(如 http://localhost:7860),打开就能看到交互界面:上传害虫图片,几秒内就能显示识别结果和置信度,一个能用的智能识别助手就做好了!
如果想让你的识别助手更'聪明',可以试试这些优化:
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小问题。
AI 的魅力就在于此——用几行代码,就能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)。

微信公众号「极客日志」,在微信中扫描左侧二维码关注。展示文案:极客日志 zeeklog
使用加密算法(如AES、TripleDES、Rabbit或RC4)加密和解密文本明文。 在线工具,加密/解密文本在线工具,online
生成新的随机RSA私钥和公钥pem证书。 在线工具,RSA密钥对生成器在线工具,online
基于 Mermaid.js 实时预览流程图、时序图等图表,支持源码编辑与即时渲染。 在线工具,Mermaid 预览与可视化编辑在线工具,online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具,curl 转代码在线工具,online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具,Base64 字符串编码/解码在线工具,online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具,Base64 文件转换器在线工具,online