1 系统概述
1.1 研究背景和目的
农业作为国民经济的基础性产业，其生产效率和质量直接关联着粮食安全与农民的经济收益。但农作物在生长周期中极易遭受病虫害侵扰，传统的病害识别手段过度依赖人工经验，存在识别效率低下、主观性突出、误判率偏高的问题 —— 尤其是在规模化种植场景中，人工巡检既耗费大量人力物力，又难以实现病害的早期发现与精准诊断，进而导致病害扩散蔓延，造成惨重的产量损失[1]。随着现代农业向智能化、数字化方向转型，加之计算机视觉 与深度学习技术的飞速发展，基于人工智能的病害识别方法逐渐成为破解这一痛点的核心路径。当前，YOLO 系列等目标检测算法在图像识别领域的精度与速度持续突破，为农作物病害的自动化、实时化识别提供了技术可行性，但现有相关系统普遍存在功能单一（仅支持图像检测）、用户体验欠佳（操作繁琐、识别结果展示不直观）、权限管理缺失（无法区分普通用户与管理员的需求）等问题，难以满足不同用户在实际农业生产中的多元化需求。因此，设计并开发一款功能完备、操作简便、识别精准的农作物病害识别系统，成为推动智慧农业落地应用、助力农业减少损失的迫切需求[2]。
本研究旨在融合前端开发、后端服务、深度学习与数据管理技术，搭建一套覆盖 “普通用户病害识别 + 管理员系统运维” 全流程的农作物病害识别系统，以此解决传统识别方式的缺陷与现有系统的不足。具体而言，系统开发的核心目标包含三个维度：其一，实现多形式、高精度的病害识别功能，支持图像、视频及摄像三种检测模式，通过集成 YOLOv8 深度学习模型，保障不同农作物病害的精准分类与定位，并直观呈现识别结果（如病害类型、预测概率、标注图像 / 视频等）；其二，满足不同角色的个性化需求，为普通用户提供识别记录查询、个人信息管理功能，为管理员提供用户全生命周期管理、全量识别记录监管功能，保障系统使用的便捷性与管理的规范性；其三，验证技术栈的实用性与系统的稳定性，通过采用 Vue、SpringBoot、MySQL 等成熟技术，确保系统在实际应用中的高效响应与数据安全，最终为农业从业者提供低成本、易操作的病害识别工具，为农业生产的智能化管理提供技术支撑，助力提升农业生产效率与抗风险能力[3]。
1.2 国内外研究现状
在国内研究领域，农作物病害识别系统的开发正加速从传统机器学习 向深度学习技术演进，相关探索集中于提高识别精度、丰富功能场景及增强系统实用性[4]。早期部分工作依托判别字典学习等经典算法搭建识别模型，借由提取与匹配作物叶片病害图像特征完成识别，这类系统在特定病害情境下表现尚可，但受限于传统算法对复杂背景及混合病害场景的适应力欠缺，整体精度与泛化性能仍有提升余地[5]。伴随深度学习技术的普及，近年多数研究转向基于深度学习的系统构建，以YOLO系列、CNN等算法为核心打造检测模型，显著改善了识别准确率与速度，部分系统能支持草莓、玉米、水稻等多种作物的多类病害辨识，并输出病害种类、严重等级等详尽信息[6]。同时，研究日益重视系统功能完备性与用户体验，部分系统已具备图像上传检测、记录存储查询等基础能力，少数系统更进一步区分用户角色，为管理员提供数据管控与用户监管功能，以契合实际农业生产中不同群体的使用需求。此外，另有研究深耕病害等级识别，通过优化模型输出层架构，实现病害严重程度的分级判定，为后续防治策略制定提供更精准参考，相关系统在气象服务、农技推广等领域已完成初步应用验证[7]。
国内农作物病害识别系统的技术路径已日趋明朗，深度学习模型应用成为主流导向，系统功能亦从单一识别迈向“识别+管理”一体化发展。然而现有研究尚存若干待完善之处：部分系统仅支持图像单一种类检测，对视频、实时摄像等动态监测场景覆盖不足；部分系统人机交互界面设计较为简陋，参数配置与结果展示的直观性亟待加强；此外，在模型轻量化部署 、多作物多病害泛化能力优化等方面，仍需深入探究以适应基层农业从业者的设备环境与多样化识别需求，推动系统从实验室研发走向实际农业生产的大规模落地应用[8]。
国外农作物病害识别系统的研究起步较早，技术路线聚焦于深度学习模型优化与多场景适配，在提升模型精度、促进数据共享及跨平台应用方面形成独特优势。早期研究已着手探索机器学习在病害识别中的应用，如利用SVM、随机森林等算法对作物叶片病害特征进行分类，为后续技术发展奠定基石[9]。随着深度学习技术兴起，国外研究迅速推进基于CNN、Transformer 等先进算法的模型研发，通过构建大规模、多源的农作物病害图像数据集（如PlantVillage），训练出泛化能力较强的识别模型，部分模型在多作物、多病害场景下的识别准确率可达95%以上，且能有效应对叶片遮挡、光照变化等复杂田间干扰因素[10]。
在系统应用层面，国外研究注重多场景适配与用户体验优化，部分系统支持图像、视频、无人机航拍图等多类型数据输入，可满足家庭农场、大型种植基地等不同场景的识别需求[11]；部分系统开发了移动端应用，结合轻量化模型部署技术，实现田间实时检测，用户上传图像后可快速获取病害识别结果及对应防治建议，大幅提升了系统的实用性与便捷性[12]。此外，国外研究还关注数据共享与协同创新，通过构建开放的病害图像数据库与模型开源平台，促进不同研究机构间的技术交流与成果复用。但国外研究也存在一定局限：部分系统功能过度聚焦于识别本身，缺乏对用户权限管理、识别记录长期存储与分析的支持；部分系统针对特定地区作物（如玉米、大豆）优化，对其他地区特色作物的病害识别适配性不足；同时，受地域农业生产模式差异影响，部分系统的防治建议与本地农业实际需求匹配度较低，一定程度上影响了应用效果[13]。
2 系统开发技术介绍
2.1 前端技术栈（Vue+Element-Plus+TypeScript）
本农作物病害识别系统的前端交互层基于Vue、Element-Plus与TypeScript组合的技术栈构建，三者协同作用，既保障了界面的交互流畅性与视觉一致性，又提升了代码的可维护性与稳定性，满足系统中图像检测参数配置、识别记录展示、个人信息管理等多样化交互场景需求。
Vue作为核心前端框架，凭借其轻量高效的特性成为界面开发的基础。其创新的Composition API打破了Vue2 Options API的代码组织限制，可将图像检测、记录查询等功能相关的逻辑代码聚合在一起，便于开发人员快速定位与维护；同时，Vue的响应式系统采用Proxy代理机制，能更精准地监听数据变化，确保界面元素（如识别结果、参数数值）与数据状态实时同步，避免冗余渲染，提升用户操作的流畅度。Element-Plus作为适配Vue的组件库，提供了覆盖系统需求的各类预置组件——例如用于参数配置的下拉选择框、用于识别记录展示的表格、用于信息提交的表单等，这些组件不仅具备统一的设计风格，还支持自定义样式与交互逻辑，可快速搭建出专业、美观的用户界面，减少重复开发工作。TypeScript的引入则为前端代码提供了静态类型检查能力，通过为变量、函数定义明确的类型，在编码阶段即可发现潜在的类型错误（如参数类型不匹配、属性不存在等），降低后期调试成本；同时，类型定义文档化的特性也提升了代码的可读性，便于多人协作开发，为系统的长期维护提供保障。
2.2 后端技术框架（SpringBoot+MyBatis-Plus+Flask）
系统后端采用多框架协同架构，融合SpringBoot的业务处理力、MyBatis-Plus的数据访问效与Flask的模型部署灵，构建了兼顾业务逻辑与深度学习服务的后端体系，有效支撑用户权限管理、识别记录存储、病害检测模型调用等核心功能。
SpringBoot作为后端核心业务框架，凭借“约定优于配置”理念简化了传统Spring应用配置流程，无需大量XML配置即可快速搭建稳定Web服务，大幅缩短开发周期。其内置Tomcat服务器可直接部署应用，同时支持自动配置数据源、事务管理等功能，能高效处理用户注册登录、权限验证、识别记录增删改查等业务请求；此外，SpringBoot良好扩展性可轻松集成日志、安全等框架组件，进一步提升系统稳定性与安全性。MyBatis-Plus作为数据访问层增强工具，在MyBasis基础上扩展了丰富实用功能，针对系统中用户表、图像及摄像识别记录表等数据操作需求，提供了免写SQL的单表CRUD接口、条件构造器、分页查询等功能，大幅减少了数据访问层代码编写量；同时，其支持SQL与代码分离特性，允许开发人员针对复杂查询场景编写定制SQL，兼顾了开发效率与业务适配性，确保数据交互高效性。Flask作为轻量级Web框架，主要承担深度学习模型部署与接口开发任务，其简洁灵活特性可快速构建YOLOv8病害识别模型API 服务，实现后端业务系统与模型无缝对接——当前端发起图像或视频检测请求时，Flask接口接收请求并调用模型处理，再将识别结果（如病害类型、置信度）返回至业务层，最终传递给前端展示，有效解决了深度学习模型与传统业务系统的协同难题。
2.3 深度学习技术（YOLOv8+PyTorch）
深度学习模块是农作物病害识别系统实现精准检测的核心，系统选用YOLOv8作为目标检测算法，结合PyTorch深度学习框架完成模型的训练、优化与部署，确保对不同农作物病害的高效识别与分类。
YOLOv8作为YOLO系列的稳定迭代版本，在检测精度与速度上均实现了显著提升，完美适配系统对实时性与准确性的双重需求。相较于前代版本，YOLOv8优化了网络结构，采用更高效的特征提取模块与多尺度特征融合技术，既能捕捉到农作物叶片上小面积病害的细节特征，又能处理复杂背景（如土壤、杂草）下的病害识别场景，有效降低漏检与误检率；同时，YOLOv8提供轻量化模型版本，在保证识别精度（如对草莓锈病、玉米大斑病的识别准确率超90%）的前提下，大幅降低模型计算开销，确保前端上传的图像、视频能快速得到检测结果，提升用户体验[14]。PyTorch作为主流的深度学习框架，为模型开发提供了强大的技术支撑，其灵活的张量计算机制与动态计算图特性，便于开发人员进行模型结构设计、训练过程调试与参数优化——例如通过调整学习率、迭代次数优化模型收敛速度，通过数据增强（如图像旋转、翻转、亮度调整）提升模型泛化能力；此外，PyTorch丰富的生态系统支持模型的导出与部署，可将训练完成的YOLOv8模型转换为适配Flask接口的格式，实现模型与后端服务的快速集成，确保检测功能的稳定落地[15]。
2.4 MySQL数据库
MySQL作为开源关系型数据库管理系统，凭借高稳定性、强并发处理力与低成本优势，成为农作物病害识别系统的数据存储核心，承载用户信息、识别记录及检测参数等全量结构化数据。 MySQL支持标准SQL查询语言，可依据业务需求设计规范表结构——如用户表含账号、密码、角色及联系方式，图像记录表囊括输入输出路径、置信度、时间与作物类型，通过科学划分表结构与字段类型，保障数据存储的规范与关联；同时，MySQL提供主键、外键及唯一约束等机制，能有效确保数据完整性（如账号唯一性、记录与用户关联准确）。面对系统高频查询（如按作物查记录、按名搜用户），MySQL索引机制可大幅提速，通过对“username”“kind”“start_time”等常用字段建索引，缩小扫描范围，实现毫秒级响应。此外，MySQL与后端技术栈兼容极佳，能借JDBC与SpringBoot、MyBatis-Plus无缝对接，达成数据高效存取，为系统业务逻辑稳健运行提供坚实数据支撑。
2.5 微信小程序
微信小程序是一种无需下载安装即可使用的应用，实现了“触手可及”的梦想。用户扫一扫或搜索一下即可打开应用，真正做到了“用完即走”。它依托于微信庞大的生态体系，能够轻松获取用户信息、地理位置、支付能力等原生功能。小程序采用类似Web前端的技术栈（WXML、WXSS、JavaScript），开发门槛相对较低，但运行效率接近原生App。其核心优势在于轻量化与高传播性，特别适合农业场景下基层用户的使用习惯：农民无需占用手机存储，通过微信群分享即可快速推广。系统后端可灵活对接云开发或自有服务器，实现数据实时同步。在病害识别场景中，小程序能直接调用手机摄像头进行拍照或录像，结合云端AI模型返回结果，大幅降低了硬件依赖。此外，微信提供的订阅消息功能，可及时向用户推送病害预警，增强了服务的主动性与实用性，是连接农户与数字化农业技术的理想桥梁。
3 系统总体设计
4 系统实现
