深度学习框架YOLODeepseek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/FlaskAI模型YOLOv8经典易上手智能问答Deepseek1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_apple2,800健康苹果rotten_apple1,500腐烂苹果apple_spot800斑点病aphid600蚜虫scale_insect400介壳虫red_spider_mite300红蜘蛛fruit_rot250果实腐烂leaf_spot215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 JS1.index.html—— 登录页!DOCTYPEhtmlhtmllangzhheadmetacharsetUTF-8/title智慧果园登录/titlelinkhrefhttps://cdn.jsdelivr.net/npm/bootstrap5.3.0/dist/css/bootstrap.min.cssrelstylesheetstylebody{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/headbodydivclasslogin-boxh2classtext-center智慧果园/h2pclasstext-center text-muted基于深度学习的智能监控与管理系统/pformidloginFormdivclassmb-3labelforusername用户名/labelinputtypetextclassform-controlidusernamerequired/divdivclassmb-3labelforpassword密码/labelinputtypepasswordclassform-controlidpasswordrequired/divbuttontypesubmitclassbtn btn-primary w-100登录系统/button/form/divscriptdocument.getElementById(loginForm).addEventListener(submit,function(e){e.preventDefault();constusernamedocument.getElementById(username).value;constpassworddocument.getElementById(password).value;if(usernameadminpassword123456){window.location.href/dashboard;}else{alert(用户名或密码错误);}});/script/body/html2.dashboard.html—— 主控面板!DOCTYPEhtmlhtmllangzhheadmetacharsetUTF-8/title果园监控大屏/titlelinkhrefhttps://cdn.jsdelivr.net/npm/bootstrap5.3.0/dist/css/bootstrap.min.cssrelstylesheetscriptsrchttps://cdn.jsdelivr.net/npm/chart.js/script/headbodyclassbg-dark text-whitenavclassnavbar navbar-dark bg-primaryspanclassnavbar-brand智慧果园智能监控系统/span/navdivclasscontainer-fluid p-4divclassrow!-- 左侧环境监测 --divclasscol-md-3divclasscard bg-info text-whitedivclasscard-bodyh5温度/h5pclassdisplay-423°C/p/div/divdivclasscard bg-warning text-white mt-2divclasscard-bodyh5湿度/h5pclassdisplay-475%/p/div/div/div!-- 中间监控画面 --divclasscol-md-6divclasscarddivclasscard-header监控画面/divdivclasscard-bodyimgsrc/static/camera.jpgclassimg-fluidalt摄像头画面buttonclassbtn btn-danger mt-2开始检测/button/div/div/div!-- 右侧园区管理 --divclasscol-md-3divclasscarddivclasscard-header园区管理/divulclasslist-group list-group-flushliclasslist-group-itemA区果树正常/liliclasslist-group-itemB区果树预警/liliclasslist-group-itemC区果树待检查/li/ul/div/div/div/div/body/html✅ 六、后端代码Python Flask1.app.py—— 主程序# app.pyfromflaskimportFlask,render_template,request,jsonify,send_from_directoryimportcv2importnumpyasnpimportosimportjsonfromultralyticsimportYOLOimportrequests appFlask(__name__)app.config[UPLOAD_FOLDER]uploadsapp.config[STATIC_FOLDER]static# 加载 YOLOv8 模型modelYOLO(best.pt)# 请替换为训练好的模型路径# DeepSeek API 配置DEEPSEEK_API_KEYyour_deepseek_api_keyDEEPSEEK_URLhttps://api.deepseek.com/v1/chat/completionsapp.route(/)deflogin():returnrender_template(login.html)app.route(/dashboard)defdashboard():returnrender_template(dashboard.html)app.route(/detect,methods[POST])defdetect():filerequest.files[image]img_arraynp.array(bytearray(file.read()),dtypenp.uint8)imgcv2.imdecode(img_array,cv2.IMREAD_COLOR)# YOLO 推理resultsmodel(img)result_imgresults[0].plot()# 保存结果图像result_pathos.path.join(app.config[UPLOAD_FOLDER],result.jpg)cv2.imwrite(result_path,result_img)# 提取标签labels[]forboxinresults[0].boxes:cls_nameresults[0].names[int(box.cls)]conffloat(box.conf)labels.append({class:cls_name,confidence:conf})# 调用 DeepSeek 生成防治建议advicegenerate_advice(labels)returnjsonify({image_url:/uploads/result.jpg,labels:labels,advice:advice})app.route(/ai_question,methods[POST])defai_question():questionrequest.json[question]promptf 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 responserequests.post(DEEPSEEK_URL,headers{Authorization:fBearer{DEEPSEEK_API_KEY}},json{model:deepseek-chat,messages:[{role:user,content:prompt}]})answerresponse.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modelYOLO(yolov8s.pt)# 训练resultsmodel.train(datadataset.yaml,# 数据集配置文件epochs100,imgsz640,batch16,nameapple_disease,cacheTrue,mosaic1.0,augmentTrue,device0)dataset.yamlpath:./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):promptf 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_asciiFalse,indent2)}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 responserequests.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