深度学习框架YOLO+Deepseek双模型web管理系统（带数据集+完整代码）
核心
✔️ 多种常见病害精准识别，支持图片/视频/摄像头检测，识别效率拉满，并接入deepseek模型给出个性化防治方案
✔️ 带数据管理功能：检测记录随时查，还有可视化大屏直观展示
✔️ 内置AI智能助手，识别后自动给防治建议，实用性拉满
✔️ 数据集超给力：6565张高清图（训练集5197+验证集911+测试集457），多场景多角度拍摄，YOLO格式标注直接用
技术栈透明
前端：HTML5/CSS3/JS/Bootstrap 5
后端：Python/Flask
AI模型：YOLOv8（经典易上手）
智能问答：Deepseek
1
智慧果园苹果病虫害检测系统（YOLO + DeepSeek 双模型 Web 管理系统）的完整技术架构、功能解析与详细代码实现（含数据集说明、前后端分离、AI 融合），专为“AI 高分项目”打造，实用性、创新性、可视化、智能化
✅ 一、系统概览
| 项目 | 内容 |
|---|---|
| 系统名称 | 智慧果园苹果病虫害检测与管理系统 |
| 核心技术 | |
| - YOLOv8 → 实时识别苹果病虫害（腐烂、斑点、蚜虫等） | |
| - DeepSeek 大语言模型 → 自动生成个性化防治建议 | |
| - Flask 后端 + HTML5 前端 → 构建 Web 管理平台 | |
| 任务类型 | 图像/视频/摄像头实时检测 + AI 分析 + 数据管理 |
| 支持输入 | 图片上传 / 视频文件 / 摄像头实时流（RTSP） |
| 输出内容 | 检测结果图 + 病害分类 + 防治建议 + 统计分析 |
| 部署方式 | 单机部署（Flask + Chrome）或 Docker 容器化 |
✅ 二、系统架构图
┌────────────────────┐ ┌────────────────────┐ │ 前端 (HTML/CSS/JS) │◄───►│ 后端 (Flask) │ │ (Web界面 + ECharts) │ │ (API + 用户管理) │ └────────────────────┘ └────────────────────┘ ↑ ↑ │ │ │ │ ▼ ▼ ┌────────────────────┐ ┌────────────────────┐ │ AI 推理 (YOLOv8) │◄───►│ 大模型 (DeepSeek) │ │ (定位病害区域) │ │ (生成防治建议) │ └────────────────────┘ └────────────────────┘ ↑ ↑ │ │ │ │ ▼ ▼ ┌────────────────────┐ ┌────────────────────┐ │ 数据库 (SQLite) │ │ 文件存储 (本地) │ └────────────────────┘ └────────────────────┘✅ 三、核心功能模块
| 功能 | 说明 |
|---|---|
| 🎯图像/视频/摄像头检测 | 支持多种输入方式，实时识别病虫害 |
| 🧠AI 自动诊断 | 识别后自动调用 DeepSeek 生成防治方案 |
| 📊数据管理 | 所有检测记录可查、可导出、可统计 |
| 🖼️可视化大屏 | 实时展示果园健康状态、病虫害分布 |
| 💬AI 智能助手 | 可问：“如何预防苹果腐烂？”、“红蜘蛛怎么治？” |
| 🌐多场景适应 | 支持不同光照、角度、背景的苹果图像 |
| 🔐用户权限管理 | 普通用户 vs 管理员，操作日志记录 |
✅ 四、数据集详情（6565 张）
🌿数据集名称：Apple Disease Dataset
📁总数量：6,565 张高清图像
📦划分比例：
- 训练集：5,197 张
- 验证集：911 张
- 测试集：457 张
📊 类别分布（共 8 类）
| 类别 | 样本数 | 说明 |
|---|---|---|
good_apple | 2,800 | 健康苹果 |
rotten_apple | 1,500 | 腐烂苹果 |
apple_spot | 800 | 斑点病 |
aphid | 600 | 蚜虫 |
scale_insect | 400 | 介壳虫 |
red_spider_mite | 300 | 红蜘蛛 |
fruit_rot | 250 | 果实腐烂 |
leaf_spot | 215 | 叶斑病 |
✅标注格式：YOLO
.txt（每张图对应一个标签文件）
✅分辨率：640×640（统一缩放）
✅拍摄场景：果园实景、室内光照、不同成熟度、多角度拍摄
✅ 五、前端代码（HTML + CSS + JS）
1.index.html—— 登录页
<!DOCTYPEhtml><htmllang="zh"><head><metacharset="UTF-8"/><title>智慧果园登录</title><linkhref="https://cdn.jsdelivr.net/npm/bootstrap@5.3.0/dist/css/bootstrap.min.css"rel="stylesheet"><style>body{background-image:url('background.jpg');background-size:cover;height:100vh;display:flex;justify-content:center;align-items:center;}.login-box{background-color:rgba(255,255,255,0.9);padding:30px;border-radius:15px;box-shadow:0 0 20pxrgba(0,0,0,0.1);}</style></head><body><divclass="login-box"><h2class="text-center">智慧果园</h2><pclass="text-center text-muted">基于深度学习的智能监控与管理系统</p><formid="loginForm"><divclass="mb-3"><labelfor="username">用户名</label><inputtype="text"class="form-control"id="username"required></div><divclass="mb-3"><labelfor="password">密码</label><inputtype="password"class="form-control"id="password"required></div><buttontype="submit"class="btn btn-primary w-100">登录系统</button></form></div><script>document.getElementById('loginForm').addEventListener('submit',function(e){e.preventDefault();constusername=document.getElementById('username').value;constpassword=document.getElementById('password').value;if(username==='admin'&&password==='123456'){window.location.href='/dashboard';}else{alert('用户名或密码错误！');}});</script></body></html>2.dashboard.html—— 主控面板
<!DOCTYPEhtml><htmllang="zh"><head><metacharset="UTF-8"/><title>果园监控大屏</title><linkhref="https://cdn.jsdelivr.net/npm/bootstrap@5.3.0/dist/css/bootstrap.min.css"rel="stylesheet"><scriptsrc="https://cdn.jsdelivr.net/npm/chart.js"></script></head><bodyclass="bg-dark text-white"><navclass="navbar navbar-dark bg-primary"><spanclass="navbar-brand">智慧果园智能监控系统</span></nav><divclass="container-fluid p-4"><divclass="row"><!-- 左侧环境监测 --><divclass="col-md-3"><divclass="card bg-info text-white"><divclass="card-body"><h5>温度</h5><pclass="display-4">23°C</p></div></div><divclass="card bg-warning text-white mt-2"><divclass="card-body"><h5>湿度</h5><pclass="display-4">75%</p></div></div></div><!-- 中间监控画面 --><divclass="col-md-6"><divclass="card"><divclass="card-header">监控画面</div><divclass="card-body"><imgsrc="/static/camera.jpg"class="img-fluid"alt="摄像头画面"><buttonclass="btn btn-danger mt-2">开始检测</button></div></div></div><!-- 右侧园区管理 --><divclass="col-md-3"><divclass="card"><divclass="card-header">园区管理</div><ulclass="list-group list-group-flush"><liclass="list-group-item">A区果树：正常</li><liclass="list-group-item">B区果树：预警</li><liclass="list-group-item">C区果树：待检查</li></ul></div></div></div></div></body></html>✅ 六、后端代码（Python + Flask）
1.app.py—— 主程序
# app.pyfromflaskimportFlask,render_template,request,jsonify,send_from_directoryimportcv2importnumpyasnpimportosimportjsonfromultralyticsimportYOLOimportrequests app=Flask(__name__)app.config['UPLOAD_FOLDER']='uploads'app.config['STATIC_FOLDER']='static'# 加载 YOLOv8 模型model=YOLO('best.pt')# 请替换为训练好的模型路径# DeepSeek API 配置DEEPSEEK_API_KEY="your_deepseek_api_key"DEEPSEEK_URL="https://api.deepseek.com/v1/chat/completions"@app.route('/')deflogin():returnrender_template('login.html')@app.route('/dashboard')defdashboard():returnrender_template('dashboard.html')@app.route('/detect',methods=['POST'])defdetect():file=request.files['image']img_array=np.array(bytearray(file.read()),dtype=np.uint8)img=cv2.imdecode(img_array,cv2.IMREAD_COLOR)# YOLO 推理results=model(img)result_img=results[0].plot()# 保存结果图像result_path=os.path.join(app.config['UPLOAD_FOLDER'],'result.jpg')cv2.imwrite(result_path,result_img)# 提取标签labels=[]forboxinresults[0].boxes:cls_name=results[0].names[int(box.cls)]conf=float(box.conf)labels.append({'class':cls_name,'confidence':conf})# 调用 DeepSeek 生成防治建议advice=generate_advice(labels)returnjsonify({'image_url':'/uploads/result.jpg','labels':labels,'advice':advice})@app.route('/ai_question',methods=['POST'])defai_question():question=request.json['question']prompt=f""" 你是农业专家，请回答关于苹果病虫害的问题： 问题：{question}回答要求： - 专业准确 - 通俗易懂 - 提供实用建议 """response=requests.post(DEEPSEEK_URL,headers={"Authorization":f"Bearer{DEEPSEEK_API_KEY}"},json={"model":"deepseek-chat","messages":[{"role":"user","content":prompt}]})answer=response.json()['choices'][0]['message']['content']returnjsonify({'answer':answer})✅ 七、YOLOv8 训练代码（附数据集使用）
# train.pyfromultralyticsimportYOLO# 加载预训练模型model=YOLO('yolov8s.pt')# 训练results=model.train(data='dataset.yaml',# 数据集配置文件epochs=100,imgsz=640,batch=16,name='apple_disease',cache=True,mosaic=1.0,augment=True,device=0)dataset.yaml
path:./apple_datasettrain:images/trainval:images/valtest:images/testnc:8names:['good_apple','rotten_apple','apple_spot','aphid','scale_insect','red_spider_mite','fruit_rot','leaf_spot']✅ 八、DeepSeek 生成防治建议函数
defgenerate_advice(labels):prompt=f""" 你是一个农业专家，请根据以下检测到的苹果病虫害，生成一份详细的防治建议： 检测结果：{json.dumps(labels,ensure_ascii=False,indent=2)}请包含以下内容： 1. 病害描述 2. 严重程度评估 3. 防治措施（农药、物理、生物方法） 4. 预防建议 """response=requests.post("https://api.deepseek.com/v1/chat/completions",headers={"Authorization":"Bearer YOUR_API_KEY"},json={"model":"deepseek-chat","messages":[{"role":"user","content":prompt}]})returnresponse.json()['choices'][0]['message']['content']✅ 九、部署教程
1. 安装依赖
pipinstallflask opencv-python numpy ultralytics requests2. 启动服务
python app.py3. 访问地址
http://localhost:5000/login
