基于深度学习的花卉识别系统

一、项目简介

本系统是一个基于深度学习的花卉识别应用，通过PyQt5构建的图形界面可以实现花卉图像的识别、分析和数据管理功能。

二、项目功能

• 用户账户管理：支持用户注册、登录和密码修改
• 单张图像识别：上传单张花卉图像进行识别
• 批量图像识别：支持文件夹批量导入图像识别
• 数据导出：识别结果可导出为CSV文件
• 历史记录查询：支持查看历史识别记录
• 花卉详细信息：展示识别花卉的详细信息和特征描述

三、技术架构

前端界面

• PyQt5：构建图形用户界面
• UI设计：界面美观，支持多种操作

后端核心

• 深度学习框架：PyTorch
• 神经网络模型：MobileNet轻量级卷积神经网络
• 数据库：MySQL用于存储用户信息和识别记录

识别流程

1. 图像预处理：调整大小、标准化
2. 模型推理：通过预训练的MobileNet网络识别花卉类别
3. 结果展示：显示识别结果、置信度和花卉信息

四、支持识别的花卉类别

本系统可以识别以下花卉种类：

• 向日葵 (Sunflower)
• 蒲公英 (Dandelion)
• 薰衣草 (Lavender)
• 百合 (Lily)
• 莲花 (Lotus)
• 兰花 (Orchid)
• 玫瑰 (Rose)
• 郁金香 (Tulip)
• 雏菊 (Daisy)
• 等多种常见花卉

五、系统运行环境

• 操作系统：Windows 10或更高版本
• Python版本：Python 3.6+
• 依赖库：
• PyTorch 1.7+
• PyQt5
• Pillow
• matplotlib
• pymysql

六、运行说明

1. 确保已安装所有依赖：

pip install torch torchvision PyQt5 Pillow matplotlib pymysql

1. 确保MySQL数据库已安装并运行：
2. 默认连接参数：localhost，用户名：root，密码：root
3. 系统会自动创建所需数据库和表
4. 运行系统：

python main.py

七、模型训练

如需重新训练模型，可使用train.py脚本：

python train.py --data-path 数据集路径 --epochs 100 --batch-size 8

训练后的模型将保存在weights目录下。

八、系统架构图

flower_recognition/
├── 主界面.py            # 主程序入口
├── login.py            # 登录系统
├── train.py            # 模型训练脚本
├── my_dataset.py       # 自定义数据集类
├── models/             # 模型定义
│   └── mobilenet.py    # MobileNet网络结构
├── utils.py            # 工具函数
├── weights/            # 模型权重文件
├── ui/                 # UI相关文件
└── test/               # 测试文件

本项目为个人原创，结构清晰，功能完整，适合课程设计、毕业设计和个人学习使用。如需购买项目成品或定制化需求可以联系作者。