智慧农业茶叶病害检测系统 YOLOV8模型结合deepseek大模型 茶叶病虫害检测系统 YOLO+DeepSeek+Pytorch+SpringBoot+Flask+Vue

茶叶病虫害检测系统
YOLO+DeepSeek+Pytorch+SpringBoot+Flask+Vue

支持批量检测、图片检测、视频检测、摄像头检测四种方式。可以上传文件夹批量检测，检测结果可导出PDF。

结合DeepSeek、Qwen等大模型，给出相关建议。支持分用户管理，管理员可查看所有记录，普通用户只能看自己。
界面简洁美观，支持主题色修改、布局样式修改、组件大小修改等。技术栈：YOLO、DeepSeek、Qwen、Pytorch、SpringBoot、MyBatis-Plus、Vue3、Echarts、Ts、element-plus、Flask、Axios、MySQL。
系统还支持分用户管理，分为管理员和普通用户。普通用户只能查看自己的记录。

附：
1.整理好的yolo格式的数据集
2.详细的系统部署教程
3.实时视频，摄像头，图片检测
4.代码简洁，有注释
5.提供训练好的yolo权重

基于 YOLO + DeepSeek 的茶叶病虫害检测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），

✅ 一、系统概览

✅ 二、系统架构图

┌────────────────────┐ ┌────────────────────┐ │ 前端 (Vue3 + TS) │◄───►│ 后端 (Flask) │ │ (Web界面 + ECharts) │ │ (API + 模型推理) │ └────────────────────┘ └────────────────────┘ ↑ ↑ │ │ │ │ ▼ ▼ ┌────────────────────┐ ┌────────────────────┐ │ AI 推理 (YOLOv8) │◄───►│ 大模型 (DeepSeek) │ │ (定位病害区域) │ │ (生成防治建议) │ └────────────────────┘ └────────────────────┘ ↑ ↑ │ │ │ │ ▼ ▼ ┌────────────────────┐ ┌────────────────────┐ │ 数据库 (MySQL) │ │ 文件存储 (MinIO) │ └────────────────────┘ └────────────────────┘

✅ 三、核心功能模块

✅ 四、数据集详情（已整理好）

🌿数据集名称：Tea Disease Dataset
📁总数量：5,200 张高清图像
📦划分比例：

• 训练集：4,160 张
• 验证集：624 张
• 测试集：416 张

📊 类别分布（共 6 类）

✅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：茶园实景、不同光照、多角度拍摄
✅提供训练好的权重文件：best.pt（直接可用）

✅ 五、前端代码（Vue3 + TypeScript + Element Plus）

1.src/router/index.ts

import{createRouter,createWebHistory}from'vue-router'importLoginfrom'@/views/Login.vue'importDashboardfrom'@/views/Dashboard.vue'importImageDetectfrom'@/views/ImageDetect.vue'importBatchDetectfrom'@/views/BatchDetect.vue'importVideoDetectfrom'@/views/VideoDetect.vue'importCameraDetectfrom'@/views/CameraDetect.vue'importHistoryfrom'@/views/History.vue'importAIAssistantfrom'@/views/AIAssistant.vue'importUserManagefrom'@/views/UserManage.vue'constroutes=[{path:'/login',component:Login},{path:'/',component:Dashboard},{path:'/image-detect',component:ImageDetect},{path:'/batch-detect',component:BatchDetect},{path:'/video-detect',component:VideoDetect},{path:'/camera-detect',component:CameraDetect},{path:'/history',component:History},{path:'/ai-assistant',component:AIAssistant},{path:'/user-manage',component:UserManage}]constrouter=createRouter({history:createWebHistory(),routes})exportdefaultrouter

2.src/views/BatchDetect.vue—— 批量检测页面

<template> <div class="batch-detect"> <h2>批量检测</h2> <el-form :model="form" label-width="100px"> <el-form-item label="模型选择"> <el-select v-model="form.model" placeholder="请选择模型"> <el-option label="best.onnx" value="best.onnx"></el-option> </el-select> </el-form-item> <el-form-item label="上传文件夹"> <el-upload action="" :auto-upload="false" :on-change="handleFileChange" :multiple="true" accept=".jpg,.jpeg,.png" > <el-button type="primary">上传图片文件夹</el-button> </el-upload> </el-form-item> <el-form-item> <el-slider v-model="minConfidence" :min="0.1" :max="1.0" step="0.01" /> <span>设置最小置信度阈值：{{ minConfidence }}</span> </el-form-item> <el-form-item> <el-button type="primary" @click="startDetection">开始预测</el-button> </el-form-item> </el-form> <el-table :data="results" style="width: 100%"> <el-table-column prop="index" label="序号"></el-table-column> <el-table-column prop="result" label="识别结果"></el-table-column> <el-table-column prop="confidence" label="预测概率"></el-table-column> <el-table-column prop="time" label="总耗时"></el-table-column> <el-table-column prop="timestamp" label="预测时间"></el-table-column> <el-table-column label="预测图片"> <template #default="{ row }"> <img :src="row.image" width="100" /> </template> </el-table-column> <el-table-column label="操作"> <template #default="{ row }"> <el-button size="small" @click="selectImage(row)">选择</el-button> </template> </el-table-column> </el-table> <div class="preview"> <img v-if="selectedImage" :src="selectedImage" alt="预览" /> <div v-if="selectedImage"> <p><strong>识别结果：</strong>{{ selectedResult }}</p> <p><strong>预测概率：</strong>{{ selectedConfidence }}</p> <p><strong>总耗时：</strong>{{ selectedTime }}</p> </div> </div> </div> </template> <script setup lang="ts"> import { ref } from 'vue' import axios from 'axios' interface Result { index: number result: string confidence: string time: string timestamp: string image: string } const form = ref({ model: 'best.onnx' }) const minConfidence = ref(0.5) const results = ref<Result[]>([]) const selectedImage = ref('') const selectedResult = ref('') const selectedConfidence = ref('') const selectedTime = ref('') const handleFileChange = (file: any) => { // 上传文件夹逻辑 console.log(file) } const startDetection = async () => { const formData = new FormData() formData.append('folder', 'uploads/test') formData.append('min_conf', minConfidence.value.toString()) const res = await axios.post('/api/detect/batch', formData, { headers: { 'Content-Type': 'multipart/form-data' } }) results.value = res.data.results.map((item: any, index: number) => ({ index: index + 1, result: item.class, confidence: `${item.confidence}%`, time: item.time, timestamp: new Date().toLocaleString(), image: `/static/images/${item.filename}` })) } </script>

✅ 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')# 提供的训练好的权重# 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/image',methods=['POST'])defdetect_image():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('/detect/batch',methods=['POST'])defdetect_batch():folder=request.form['folder']min_conf=float(request.form['min_conf'])results=[]forfilenameinos.listdir(folder):iffilename.endswith('.jpg')orfilename.endswith('.png'):img_path=os.path.join(folder,filename)img=cv2.imread(img_path)res=model(img)pred=res[0].boxesforboxinpred:cls_name=res[0].names[int(box.cls)]conf=float(box.conf)ifconf>=min_conf:results.append({'class':cls_name,'confidence':conf,'filename':filename,'time':res[0].time})returnjsonify({'results':results})

✅ 七、DeepSeek 生成防治建议函数

defgenerate_advice(labels):prompt=f""" 你是一位农业专家，请根据以下检测到的茶叶病虫害，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. 发生原因 3. 防治措施（物理、化学、生物） 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']

✅ 八、SpringBoot 用户管理模块（Java）

User.java

@Entity@Table(name="users")publicclassUser{@Id@GeneratedValue(strategy=GenerationType.IDENTITY)privateLongid;@Column(unique=true)privateStringusername;privateStringpassword;privateStringrole;// admin / user// getter & setter}

UserService.java

@ServicepublicclassUserService{@AutowiredprivateUserRepositoryuserRepository;publicUserfindByUsername(Stringusername){returnuserRepository.findByUsername(username);}publicbooleanhasPermission(Useruser,Stringoperation){return"admin".equals(user.getRole())||"user".equals(operation);}}

✅ 九、部署教程

1. 安装依赖

pipinstallflask opencv-python numpy ultralytics requests

2. 启动服务

python app.py

3. 访问地址

http://localhost:5000/login

✅ 十、创新点总结（直击评委评分）