项目介绍
本项目是一个面向水产识别场景的鱼类图像识别系统，采用“前后端分离 + 深度学习推理服务”的实现方式。系统前端基于 Vue3 与 Element Plus，提供用户登录注册、图片上传识别、历史结果查询、公告查看等交互页面；后端基于 Flask，按认证、用户、识别、公告四个蓝图组织业务接口，并通过 JWT 完成访问鉴权。识别流程中，用户上传图片后，系统先进行文件大小与格式校验，再保存到本地 media 目录，随后调用 TensorFlow 模型执行推理，返回最高置信度类别及全部类别置信度排序结果。系统当前支持 30 种常见鱼类（含墨鱼、石斑鱼、鲈鱼、鲫鱼等）识别，并将结果、置信度、图片地址与时间信息持久化到 SQLite，形成可追溯的识别历史。
选题背景与意义
在水产流通、餐饮供应链、养殖管理与科普教育等场景中，鱼类品种识别长期依赖人工经验，存在主观性强、效率不稳定、培训成本高等问题。尤其在多品类混杂、图像质量不一致或人员经验不足的情况下，传统人工判断容易出现误判，进而影响采购定级、价格评估与质量追踪。基于计算机视觉的自动识别技术能够将“经验判断”转化为“数据驱动决策”，在标准化与规模化应用方面具有明显优势。本课题以深度学习模型为核心，构建从“图像采集-模型推理-结果存储-历史追溯”的完整闭环.
关键技术栈：ResNet50
ResNet50 是一种经典深层卷积神经网络，通过残差连接（Residual Connection）有效缓解深层网络训练中的梯度消失与网络退化问题，使模型在保证表达能力的同时维持稳定收敛。其核心思想是让网络学习“残差映射”而非直接学习复杂目标映射，从而提升训练效率与泛化性能。本系统中，训练后的 ResNet50 模型以 resnet50_model.h5 形式部署在后端，推理阶段将输入图片统一预处理为 224×224 RGB 张量，并做归一化后送入模型预测。系统根据输出向量计算 Top1 识别结果与对应置信度，同时返回全部 30 类别置信度列表，便于前端做可视化展示与结果解释。
技术架构图（Mermaid）
系统功能模块图（Mindmap）
