基于YOLO+DeepSeek的农作物病虫害检测与环境监测一体化智能平台
项目简介
本项目是一个集成了AI病虫害检测、温室环境监测、农资管理与数据可视化大屏的智慧农业全流程管理平台。系统深度融合了YOLOv8/v11目标检测算法与DeepSeek大语言模型，旨在为现代农业提供从病虫害智能识别、环境智能调控到农资科学管理的全方位智慧服务。
全新设计的UI界面，支持个性化定制！
注意：本项目提供部署服务，但需另外收费。
系统技术栈
- 前端: 采用Vue.js框架，基于浏览器Web技术，实现前后端分离。
- 后端: 使用Java Spring Boot框架，提供稳定高效的RESTful API服务。
- AI算法: 基于Python PyTorch深度学习框架和Flask Web框架，负责模型的训练、预测与AI服务。
- 视频流: 采用FFmpeg技术，实现实时视频流的低延迟传输。
- 数据通信: 系统各模块间通过标准接口进行数据传输与交互。
系统核心功能
- AI病虫害智能检测: 基于PyTorch框架与YOLOv8/v11先进算法，支持加载已训练好的高精度模型，实现对农作物病虫害的快速、精准识别。
- 环境监测与智能建议: 实时监测温室大棚内的环境数据，并结合天气信息，通过AI生成针对性的环境调控建议，优化作物生长条件。
- 多模态检测与AI报告: 支持对图片、视频及实时摄像头视频流进行病虫害检测。检测结果将由DeepSeek AI进行分析，生成专业的防治建议，并可导出为AI报告。系统同时记录所有检测任务与结果，并提供识别结果的趋势分析曲线图。
- DeepSeek智能问答: 内置DeepSeek AI助手，提供智能问答服务。用户可随时就农业相关问题进行提问，获取专业的解答与指导。
- 全流程智慧管理: 集成病虫害数据库、农资采购与库存管理功能，实现对温室农作物培养、环境监测、AI病虫害识别的闭环管理，提升农业生产效率。
识别类别
系统支持对以下9类常见农产品及其多种病虫害进行识别：
- 玉米 (corn): 枯萎病 (Blight)、玉米灰叶斑病 (Gray Spot)、玉米锈病 (Rust)、秋军虫幼虫病 (FAW_Lv)、玉米条斑病 (Streak)、黄秆虫病 (Stem Borer)、黄秆虫幼虫病 (StemBorer_Lv)
- 水稻 (rice): 细菌枯病 (Bact L Blight)、褐斑病 (Brn Spot)、健康 (Healthy)、叶瘟病 (Leaf Blast)、纹枯病 (Scald)、窄条斑病 (Narrow Br Spot)、穗颈瘟 (Neck Blast)、稻铁甲虫 (Hispa)
- 小麦 (wheat): 小麦黑秆病 (Bacterial Streak)、小麦穗霉病 (Head Scab)、小麦叶锈病 (Leaf Rust)、小麦松秕病 (Loose Smut)、小麦白粉病 (Powdery Mildew)、小麦赤霉病 (Septoria Blotch)、小麦茎锈病 (Stem Rust)、小麦条锈病 (Stripe Rust)
- 马铃薯 (potato): 早疫病 (Early Blight)、健康 (Healthy)、晚疫病 (Late Blight)
- 番茄 (tomato): 早疫病 (Early Blight)、健康 (Healthy)、晚疫病 (Late Blight)、潜叶虫 (Leaf Miner)、叶霉病 (Leaf Mold)、花叶病毒 (Mosaic V)、壳针孢病 (Septoria)、红蜘蛛 (Spider M)、黄化卷叶病毒 (YLCV)、玉米条斑病 (maize-streak-disease)、黄秆虫病 (yellow-stem-borer)、黄秆虫幼虫病 (yellow-stem-borer-larva)
- 棉花 (cotton): 枯萎病 (Blight)、卷叶病 (Curl)、健康 (Healthy)、萎蔫病 (Wilt)
- 苹果 (apple): 黑根腐 (Apple RootRot)、黑星 (Scab)、锈病 (CedarRust)、健康 (Healthy)
- 葡萄 (grape): 黑腐病 (Black Rot)、白粉病 (Downey Mildew)、木材腐烂病 (Esca)、健康 (Healthy)、叶枯病 (Leaf Blight)
- 草莓 (strawberry): 角斑病 (Angular LS)、炭疽果腐 (Anthracnose FR)、花枯病 (Blossom BT)、灰霉病 (Gray Mold)、叶斑病 (Leaf Spot)、白粉病果 (Powdery Fruit)、白粉病叶 (Powdery Leaf)
项目配置清单 - 深度学习网络: YOLOv8, YOLOv11
- 项目文件: 包含环境配置文件、前后端源代码、模型训练文件、环境配置文档、测试用图片与视频、训练与测试代码以及界面代码。
