当前位置： 首页 > news >正文

基于CNN的中草药识别系统设计与实现

news 2026/7/4 22:38:41

1. 项目概述：基于CNN的中草药识别系统

这个毕业设计项目实现了一个基于卷积神经网络(CNN)的常见中草药识别系统。作为一名长期从事计算机视觉和深度学习开发的工程师，我认为这个选题非常具有实用价值。中草药识别一直是中医药领域的重要课题，传统的人工识别方法依赖专家经验，效率较低且容易出错。而基于深度学习的自动识别系统可以快速准确地完成这项任务。

系统采用B/S架构，前端使用Vue.js框架，后端采用Spring Boot框架，数据库使用MySQL，整体基于MVC设计模式开发。核心的CNN模型使用Python实现，通过TensorFlow/Keras框架构建和训练。系统能够识别数十种常见中草药，准确率可达90%以上，为中医药学生、从业者提供了一个便捷的识别工具。

2. 系统架构设计

2.1 技术栈选型

在技术选型方面，我们经过多方考量选择了以下技术组合：

前端技术：

  • Vue.js 3.x：轻量级渐进式框架，组件化开发
  • Element Plus：UI组件库，提供丰富的界面元素
  • Axios：处理HTTP请求
  • ECharts：数据可视化展示

后端技术：

  • Spring Boot 2.7：简化配置，快速开发
  • MyBatis-Plus：增强型ORM框架
  • Shiro：安全认证框架
  • Redis：缓存提高性能

深度学习部分：

  • Python 3.8
  • TensorFlow 2.x/Keras
  • OpenCV：图像预处理
  • Pillow：图像处理

数据库：

  • MySQL 8.0：关系型数据库
  • MinIO：对象存储，保存图片数据

技术选型考虑：这套技术栈组合成熟稳定，社区支持良好，各组件间集成度高，能够满足系统在性能、安全性和可维护性方面的需求。

2.2 系统架构设计

系统采用典型的三层架构：

┌───────────────────────────────────────┐ │ 客户端层 │ │ ┌───────────┐ ┌─────────────┐ │ │ │ Web浏览器 │ │ 移动端(未来) │ │ │ └───────────┘ └─────────────┘ │ └───────────────────────────────────────┘ ▲ │ HTTP/HTTPS ▼ ┌───────────────────────────────────────┐ │ 服务端层 │ │ ┌───────────┐ ┌─────────────┐ │ │ │ Spring Boot │ │ Python服务 │ │ │ └───────────┘ └─────────────┘ │ └───────────────────────────────────────┘ ▲ │ JDBC/REST ▼ ┌───────────────────────────────────────┐ │ 数据层 │ │ ┌───────────┐ ┌─────────────┐ │ │ │ MySQL │ │ MinIO │ │ │ └───────────┘ └─────────────┘ │ └───────────────────────────────────────┘

这种分层架构实现了关注点分离，各层职责明确，便于团队协作开发和后期维护。

3. CNN模型设计与实现

3.1 数据集准备

中草药识别系统的核心在于CNN模型的质量，而模型质量很大程度上取决于训练数据的质量。我们收集了15类常见中草药的高清图片，每类约500-800张，总计约10,000张图片。数据来源包括：

  1. 公开的中草药图像数据集
  2. 实地拍摄的中草药照片
  3. 专业书籍扫描图
  4. 网络公开图片（经过筛选）

数据预处理流程：

def preprocess_image(image_path, target_size=(224, 224)): # 读取图像 img = cv2.imread(image_path) # 转换为RGB格式 img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 调整大小 img = cv2.resize(img, target_size) # 归一化 img = img.astype('float32') / 255.0 # 数据增强：随机旋转、翻转等 if np.random.rand() > 0.5: img = cv2.flip(img, 1) if np.random.rand() > 0.5: angle = np.random.randint(-15, 15) img = rotate_image(img, angle) return img

3.2 CNN模型架构

我们设计了一个基于ResNet50的改进模型，结构如下：

Input Layer (224x224x3) │ ├── ResNet50 Base (预训练权重) │ ├── Global Average Pooling │ ├── Dense (512 units, ReLU) │ ├── Dropout (0.5) │ └── Output Layer (15 units, Softmax)

模型构建代码：

from tensorflow.keras.applications import ResNet50 from tensorflow.keras.layers import Dense, GlobalAveragePooling2D, Dropout from tensorflow.keras.models import Model def build_model(num_classes=15): # 加载预训练的ResNet50模型，不包括顶层 base_model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3)) # 冻结预训练层的权重 for layer in base_model.layers: layer.trainable = False # 添加自定义顶层 x = base_model.output x = GlobalAveragePooling2D()(x) x = Dense(512, activation='relu')(x) x = Dropout(0.5)(x) predictions = Dense(num_classes, activation='softmax')(x) # 构建完整模型 model = Model(inputs=base_model.input, outputs=predictions) return model

3.3 模型训练与优化

训练策略：

  • 使用迁移学习，先冻结ResNet50基础层
  • 初始学习率0.001，使用ReduceLROnPlateau动态调整
  • 批大小32，训练50个epoch
  • 使用早停(EarlyStopping)防止过拟合

训练代码：

from tensorflow.keras.callbacks import ModelCheckpoint, EarlyStopping, ReduceLROnPlateau def train_model(model, train_generator, val_generator, epochs=50): # 编译模型 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # 回调函数 callbacks = [ ModelCheckpoint('best_model.h5', save_best_only=True), EarlyStopping(patience=5, restore_best_weights=True), ReduceLROnPlateau(factor=0.1, patience=3) ] # 训练模型 history = model.fit( train_generator, steps_per_epoch=len(train_generator), epochs=epochs, validation_data=val_generator, validation_steps=len(val_generator), callbacks=callbacks ) return history

经过训练，模型在测试集上达到了92.3%的准确率，混淆矩阵显示各类别的识别效果较为均衡。

4. 系统功能实现

4.1 用户管理模块

用户管理采用RBAC（基于角色的访问控制）模型，主要功能包括：

  • 用户注册/登录
  • 个人信息管理
  • 角色权限分配
  • 密码重置

核心数据库表设计：

CREATE TABLE `sys_user` ( `id` bigint NOT NULL AUTO_INCREMENT, `username` varchar(50) NOT NULL COMMENT '用户名', `password` varchar(100) NOT NULL COMMENT '密码', `real_name` varchar(50) DEFAULT NULL COMMENT '真实姓名', `email` varchar(100) DEFAULT NULL COMMENT '邮箱', `phone` varchar(20) DEFAULT NULL COMMENT '手机号', `status` tinyint DEFAULT '1' COMMENT '状态 0:禁用 1:正常', `create_time` datetime DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间', `update_time` datetime DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间', PRIMARY KEY (`id`), UNIQUE KEY `idx_username` (`username`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='系统用户表'; CREATE TABLE `sys_role` ( `id` bigint NOT NULL AUTO_INCREMENT, `name` varchar(50) NOT NULL COMMENT '角色名称', `code` varchar(50) NOT NULL COMMENT '角色编码', `remark` varchar(100) DEFAULT NULL COMMENT '备注', `create_time` datetime DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间', PRIMARY KEY (`id`), UNIQUE KEY `idx_code` (`code`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='角色表';

4.2 中草药识别模块

识别模块的核心流程：

  1. 用户上传中草药图片
  2. 系统对图片进行预处理
  3. 调用CNN模型进行预测
  4. 返回识别结果及置信度
  5. 保存识别记录

关键接口实现：

@RestController @RequestMapping("/api/herb") public class HerbRecognitionController { @Autowired private HerbRecognitionService recognitionService; @PostMapping("/recognize") public Result recognize(@RequestParam("file") MultipartFile file, HttpServletRequest request) { try { // 验证文件 if (file.isEmpty()) { return Result.error("请选择要上传的图片"); } // 获取当前用户 Long userId = JwtUtil.getUserId(request); // 调用识别服务 HerbRecognitionResult result = recognitionService.recognize(file, userId); return Result.success(result); } catch (Exception e) { log.error("识别失败", e); return Result.error("识别失败: " + e.getMessage()); } } }

4.3 数据统计模块

系统提供丰富的统计功能，帮助用户分析识别记录：

  • 按时间统计识别次数
  • 按中草药类型统计识别结果
  • 用户活跃度分析
  • 识别准确率分析

统计功能使用ECharts实现可视化展示，后端采用Redis缓存热点数据提高性能。

5. 系统部署与测试

5.1 部署方案

系统采用Docker容器化部署，主要组件包括：

  • Nginx：前端静态资源和反向代理
  • Spring Boot应用：业务逻辑处理
  • Python服务：模型推理
  • MySQL：数据存储
  • Redis：缓存和会话管理
  • MinIO：图片存储

使用docker-compose编排服务：

version: '3.8' services: nginx: image: nginx:1.21 ports: - "80:80" volumes: - ./nginx.conf:/etc/nginx/nginx.conf - ./frontend/dist:/usr/share/nginx/html depends_on: - backend - python-service backend: build: ./backend ports: - "8080:8080" environment: - SPRING_PROFILES_ACTIVE=prod - DB_URL=jdbc:mysql://mysql:3306/herb_db - DB_USER=root - DB_PASSWORD=123456 depends_on: - mysql - redis python-service: build: ./python-service ports: - "5000:5000" volumes: - ./models:/app/models mysql: image: mysql:8.0 ports: - "3306:3306" environment: - MYSQL_ROOT_PASSWORD=123456 - MYSQL_DATABASE=herb_db volumes: - ./mysql-data:/var/lib/mysql redis: image: redis:6.2 ports: - "6379:6379" minio: image: minio/minio ports: - "9000:9000" environment: - MINIO_ROOT_USER=minioadmin - MINIO_ROOT_PASSWORD=minioadmin volumes: - ./minio-data:/data command: server /data

5.2 性能测试

使用JMeter对系统进行压力测试，主要测试指标：

  • 并发用户数：100-500
  • 响应时间：<1s（图片识别接口）
  • 吞吐量：>50 req/s
  • 错误率：<1%

测试结果显示系统在200并发用户下表现稳定，平均响应时间800ms，吞吐量65 req/s，满足设计要求。

5.3 功能测试用例

中草药识别功能测试用例：

测试项测试步骤预期结果实际结果状态
正常识别上传清晰的中草药图片返回正确的识别结果及置信度符合预期通过
模糊图片上传模糊的中草药图片返回识别结果，置信度较低符合预期通过
非中草药图片上传动物/风景图片提示"非中草药图片"符合预期通过
多物体图片上传包含多种中草药的图片返回主要物体的识别结果符合预期通过
大文件上传上传10MB以上的图片提示"图片大小超过限制"符合预期通过

6. 项目总结与改进方向

经过三个月的开发，我们完成了这个基于CNN的中草药识别系统。系统实现了预期功能，识别准确率达到了92%以上，界面友好，操作简便。在开发过程中，我们积累了宝贵的深度学习模型优化和系统集成经验。

主要技术收获：

  1. 掌握了使用预训练CNN模型进行迁移学习的技巧
  2. 深入理解了图像分类任务中的数据增强方法
  3. 实践了Spring Boot与Python服务的集成方案
  4. 优化了深度学习模型在生产环境中的部署方案

改进方向：

  1. 扩充中草药种类，提高模型泛化能力
  2. 增加多角度识别功能，提升用户体验
  3. 开发移动端应用，支持拍照识别
  4. 引入目标检测技术，实现图片中多个中草药的识别
  5. 优化模型压缩技术，提高推理速度

这个项目不仅是一个毕业设计，更是一个有实际应用价值的系统。随着数据量的增加和模型的持续优化，系统的识别能力将不断提升，有望成为中医药领域的一个实用工具。

http://www.jsqmd.com/news/1124474/

相关文章：

  • ATmega32A与24LC512 EEPROM嵌入式存储方案详解
  • 基于YOLOv8的智慧铁轨巡检系统：从部署到实战应用
  • OpenIPC固件深度解析：从嵌入式系统定制到开源固件开发的完整实践
  • Web安全入门：从SQL注入、XSS到漏洞挖掘实战指南
  • 机器学习全流程可视化：从数据清洗到模型解释的实战指南
  • 手把手实现可验证感知机：从算法原理到工业级调试
  • Codex+Skills：构建AI智能体驱动的自动化科研工作流
  • LongDocURL：面向长文档理解的大模型多模态推理评测基准
  • 机器学习数据增强技术与混淆矩阵应用指南
  • 前几天看到多年的兄弟又换工作了
  • AutoML实战：自动化机器学习流程优化与性能提升
  • 白帽黑客入门指南：从渗透测试到安全职业的实战路径
  • STM32嵌入式音频可视化系统开发实战
  • Qwen3.5全面升级：解耦架构与认知蒸馏驱动的企业级AI落地
  • XGBoost与随机森林的SHAP模型解释实战
  • C#与OnnxRuntime实现BEN2轻量级前景分割实战
  • TIDAL框架：双频解耦实现高频VLA控制
  • Grok在中国不可用？国产大模型合规替代方案全解析
  • 【前端】原子化UnoCSS使用
  • AI技能开发：模块化设计与最佳实践
  • 时间序列预测实战指南：从数据清洗到业务落地的七步法
  • 开源数据集实战导航：7大高可用站点与合规使用指南
  • 鸣潮自动化工具终极指南：5分钟快速上手智能后台战斗系统
  • 如何在Windows上免费实现iPhone投屏：AirPlay 2完整开源方案
  • 顶尖高校AI学习路线图：10门硬核课程构建工程与原理双能力
  • 华为云Web平台渗透测试全流程：从信息收集到漏洞利用与修复
  • 物联网设备低功耗4G模组与服务器TLS/DTLS加密通信实战指南
  • 基于YOLOv11的辣椒病害智能识别系统开发实践
  • 大模型入门必知：从Transformer到RAG的100个核心概念解析
  • 基于CNN的手写数字识别系统开发与实践