Python + AI：智能害虫识别助手
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，耗时耗力且易误判。随着智慧农业的普及，AI 技术成为解决这一难题的关键。本文介绍如何使用 Python 从零搭建一个智能害虫识别助手。
一、项目背景
智慧农业的核心是精准、高效、低成本，害虫识别是典型场景：
- 对农户：无需专业植保知识，拍照即可识别害虫种类，快速匹配防治方案；
- 对开发者：覆盖 AI 开发全流程，从数据处理到模型部署，适合实战落地；
- 技术价值：融合 Python、深度学习、Web 部署，是入门 AI+ 垂直领域应用的案例。
二、核心技术栈
- 编程语言：Python（3.8+）
- 深度学习框架：PyTorch
- 数据处理：OpenCV、Pandas
- 模型优化：迁移学习（基于 ResNet50）
- 部署工具：Gradio
三、项目实战
第一步：准备数据集
使用公开农业害虫数据集（如 IP102），或自行采集标注。
- 数据集结构：按害虫种类分文件夹，每个文件夹下放对应图片；
- 数据预处理：统一图片尺寸（如 224×224）、归一化像素值，划分训练集（80%）、验证集（10%）、测试集（10%）。
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)
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
processed_data = np.array(processed_data)
labels = np.array(labels)
第二步：搭建 CNN 模型（迁移学习版）
基于预训练的 ResNet50，只替换最后一层分类层。
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
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)
第三步：训练与评估模型
将数据转换为 PyTorch DataLoader，开始训练并评估精度。
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
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)
# 保存模型
torch.save(trained_model.state_dict(), "pest_recognition_model.pth")
第四步：用 Gradio 部署成 Web 应用
训练好的模型通过 Gradio 搭建可视化页面。
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):
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)
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)
运行代码后生成本地链接，打开即可交互：上传图片，显示识别结果和置信度。
四、进阶优化方向
- 数据增强：使用 torchvision.transforms 进行旋转、翻转、裁剪；
- 调参优化：调整学习率、批次大小，尝试不同优化器；
- 多标签识别：修改模型输出层支持多种害虫共存；
- 部署优化：使用 ONNX 转换模型，部署至云服务器。
五、项目总结
该项目覆盖了 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。对于初学者是实战项目，对于农业从业者能解决生产问题。通过几行代码将技术落地到具体场景，可拓展至作物病害识别、产量预估等更多智慧农业应用。
