中草药智能识别与科普系统

中草药智能识别与科普系统

1. 项目背景与目标

1.1 背景

中草药作为传统医学的重要组成部分，其种类繁多，形态各异。对于非专业人士而言，准确识别中草药不仅困难，而且容易混淆。随着计算机视觉和深度学习技术的发展，利用人工智能辅助中草药识别成为可能。

1.2 项目目标

本项目旨在构建一个高精度、低延时、多终端的中草药智能识别系统。

• 核心能力：通过拍摄或上传图片，毫秒级返回中草药名称、置信度及详细百科信息。
• 多端覆盖：提供 Web 管理端供管理员进行数据维护和模型训练，提供移动端 App 供普通用户随身使用。
• 闭环生态：实现从“数据采集 -> 模型训练 -> 终端识别 -> 知识科普”的全流程闭环。

2. 系统架构设计

2.1 总体架构

系统采用经典的B/S (Browser/Server)和C/S (Client/Server)混合架构。

• 客户端层：
  • Mobile App (UniApp)：用户侧应用，负责图像采集、展示识别结果和个人中心管理。
  • Web Dashboard (Vue3)：管理侧应用，负责数据可视化、知识库管理和模型训练监控。
• 服务层 (Backend)：
  • API 网关 (Django)：处理 HTTP 请求，进行权限验证和路由分发。
  • 业务逻辑：包含用户管理、百科查询、历史记录管理等。
  • AI 推理引擎：集成 PyTorch 和 Ultralytics，加载训练好的模型进行实时推理。
• 数据层：
  • 关系型数据库 (SQLite/MySQL)：存储业务数据。
  • 文件存储：存储用户上传的图片、模型权重文件 (.pt) 和数据集。

2.2 技术栈详细说明

2.3 目录结构

program/ ├── algorithm/ # 算法相关 │ ├── dataset/ # 数据集 (YOLO格式: images/labels) │ └── ... ├── system/ │ ├── backend/ # Django 后端 │ │ ├── api/ # 核心应用 (Views, Models, Serializers) │ │ ├── herbal_system/ # 项目配置 (Settings, URLs) │ │ ├── models/ # 训练好的模型文件 (.pt) │ │ └── manage.py │ ├── frontend/ # Vue3 Web 端 │ │ ├── src/ # 源码 (Views, Components, Store) │ │ └── vite.config.ts │ └── mobile/ # UniApp 移动端 │ ├── pages/ # 页面文件 │ └── static/ # 静态资源 └── explaination/ # 项目文档 └── images/ # 文档配图

3. 核心算法与数据分析

本系统采用先进的计算机视觉算法进行模型训练，以下结合训练过程中的可视化图表进行详细解读。

3.1 数据集分布分析

在训练开始前，我们对采集的中草药数据集进行了详细的统计分析，以确保数据的均衡性。

• 图表解读：
  • 左上 (Classes)：展示了不同中草药类别（如人参、当归等）的样本数量分布。柱状图越平齐，说明数据越均衡，有利于模型公平地学习每一类特征。
  • 左下 (Labels)：展示了所有标注框在归一化图像坐标系中的中心点分布。密集区域表明目标物体在图像中出现的常见位置（通常居中）。
  • 右侧 (Box Size)：展示了标注框的宽 (Width) 和高 (Height) 的分布。这有助于了解目标物体的大小变化范围，指导 Anchor Box（锚框）的设置或验证无锚框算法的适应性。

3.2 训练过程监控

通过 TensorBoard 或 YOLO 内置记录工具，我们追踪了模型在训练周期 (Epochs) 内的各项指标变化。

• 图表解读：
  • Loss (损失) 曲线：前三列分别代表Box Loss(边界框定位损失)、Cls Loss(分类概率损失) 和DFL Loss(分布焦点损失)。随着 Epoch 增加，训练集 (train) 和验证集 (val) 的损失值均呈现显著下降趋势，表明模型正在有效学习。
  • Metrics (指标) 曲线：
    • Precision (B)：准确率，预测为正样本中实际正确的比例。
    • Recall (B)：召回率，实际正样本中被正确预测的比例。
    • mAP50 (B)：IoU=0.5 时的平均精度均值，是衡量检测性能的核心指标。曲线快速上升并趋于平稳，说明模型性能达到收敛状态。

3.3 模型性能评估

模型训练完成后，通过混淆矩阵和 PR 曲线对模型在测试集上的表现进行定量评估。

• 图表解读：
  • 对角线：颜色最深的对角线方块代表模型预测正确的数量（或比例）。对角线越清晰、颜色越深，说明模型区分不同草药的能力越强。
  • 非对角线：代表误判的情况。例如，如果“黄芪”行的“党参”列有颜色，说明模型容易将黄芪误认为党参。通过分析混淆矩阵，我们可以针对性地补充易混淆类别的样本数据。

• 图表解读：
  • P Curve (Precision-Confidence Curve)：展示了在不同置信度阈值 (Confidence Threshold) 下，模型的准确率变化。
  • 理想情况下，曲线应尽可能靠近右上角（即在所有置信度下都保持高准确率）。图中标注的all classes 1.00 at 0.963表示在置信度阈值设为 0.963 时，所有类别的平均准确率达到了 1.00（最佳状态）。

4. 后端系统设计

4.1 数据模型 (Models)

后端采用 Django ORM 定义数据结构：

• HerbInfo: 知识库核心表。包含字段：name,category,image,properties(性味),efficacy(功效),usage(用法)。
• RecognitionRecord: 识别流水表。记录user(用户),image(原图),predicted_class(结果),confidence(置信度)。
• TrainingRecord: 训练任务表。记录model_name,status,epoch_data(训练曲线数据)。

4.2 API 接口与异步任务

• RESTful API: 使用 DRF 构建，提供/api/predict/(识别),/api/herb-info/(知识库) 等标准接口。
• 异步训练: 由于深度学习训练耗时较长，后端采用多线程技术异步执行train_task，并通过数据库实时更新训练进度，避免阻塞 Web 请求。

5. 系统功能界面详解

5.1 移动端 App (用户侧)

移动端基于 UniApp 开发，旨在为普通用户提供便捷的识别和查询服务。

5.1.1 用户认证与个人中心

• 登录注册：提供简洁的账号密码登录/注册界面，确保用户数据（如识别历史）的私密性。
• 个人中心：用户可在此管理个人资料，查看账号状态，是应用的个人设置入口。

5.1.2 首页与导航

• 首页设计：采用卡片式布局，顶部轮播图展示热门草药或系统公告。
• 功能导航：底部 TabBar 清晰划分了“首页”、“知识”、“识别”、“记录”、“我的”五大核心板块，方便用户快速切换。

5.1.3 智能识别功能

• 核心交互：用户点击中间的相机图标，可选择“拍照”或“从相册选择”图片。
• 实时反馈：图片上传后，系统自动调用后端 API 进行推理，并在页面下方展示识别结果（草药名称）及置信度。

5.1.4 知识库与历史记录

• 知识库：以列表形式展示系统收录的所有中草药，支持点击查看详情（性味、功效等）。
• 识别记录：自动保存用户的每一次识别结果，按时间倒序排列，方便用户随时回溯查看之前的识别历史。

5.2 Web 管理端 (管理员侧)

Web 端基于 Vue3 + Element Plus 开发，提供强大的数据管理和系统监控功能。

5.2.1 系统数据看板

• 数据可视化：集成了 ECharts 图表库。
  • 左侧饼图：展示热门草药识别比例，帮助管理员了解用户关注度。
  • 底部折线图：展示近七日的系统访问量/识别量趋势，监控系统负载。
  • 顶部卡片：实时统计总识别次数、今日新增等关键 KPI。

5.2.2 知识库数据管理

• CRUD 管理：管理员可在此界面对中草药百科数据进行增、删、改、查操作。
• 交互设计：支持按名称搜索，表格支持分页展示，操作列提供“编辑”和“删除”快捷按钮。

5.2.3 智能识别 (Web版)

• 功能定位：除了移动端，Web 端也提供了识别入口，方便管理员测试模型效果或批量处理图片。
• 结果展示：识别成功后，不仅显示名称和置信度，还会自动关联并展示该草药的详细百科信息。

5.2.4 模型训练与分析

• 训练监控：管理员可在此发起新的模型训练任务（选择模型架构如 YOLOv8/ResNet，设置 Epochs）。
• 日志分析：点击历史训练记录，可查看详细的训练日志和 Loss/Accuracy 变化曲线，评估模型优劣。

5.2.5 用户与记录管理

• 用户管理：管理员可查看注册用户列表，重置密码或封禁违规账号。
• 全站记录：管理员拥有查看所有用户识别记录的权限，用于数据分析和系统审计。

5.2.6 认证与个人设置

• 统一认证：Web 端与移动端共享同一套用户体系，管理员登录后自动进入后台管理界面。

6. 环境搭建与部署

6.1 依赖环境

• Python: 3.8+ (推荐 3.10)
• Node.js: 16+ (推荐 18 LTS)
• CUDA(可选): 如果需要 GPU 加速训练，需安装 NVIDIA 显卡驱动和 CUDA Toolkit。

6.2 安装步骤

后端

cdsystem/backend pipinstall-r requirements.txt# 安装 Python 依赖python manage.py migrate# 初始化数据库python manage.py runserver# 启动开发服务器

前端 Web

cdsystem/frontendnpminstall# 安装 Node 依赖npmrun dev# 启动开发服务器 (默认端口 5173)

移动端

1. 下载并安装HBuilderX编辑器。
2. 导入system/mobile目录。
3. 点击菜单栏“运行” -> “运行到内置浏览器”或“运行到手机模拟器”。

7. 总结与展望

本项目通过整合 YOLOv8、Django 和 Vue3 等前沿技术，成功实现了一个功能完备的中草药智能识别系统。
未来改进方向：

1. 模型优化：引入 Transformer 架构 (如 ViT) 进一步提升细粒度分类精度。
2. 边缘计算：将模型量化并部署到移动端本地 (TFLite/NCNN)，实现离线识别。
3. 多模态交互：增加语音播报功能，方便老年用户使用。