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 PlusUI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 3.8TensorFlow 2.x/KerasOpenCV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。数据来源包括公开的中草药图像数据集实地拍摄的中草药照片专业书籍扫描图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 img3.2 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_classes15): # 加载预训练的ResNet50模型不包括顶层 base_model ResNet50(weightsimagenet, include_topFalse, 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, activationrelu)(x) x Dropout(0.5)(x) predictions Dense(num_classes, activationsoftmax)(x) # 构建完整模型 model Model(inputsbase_model.input, outputspredictions) return model3.3 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, epochs50): # 编译模型 model.compile(optimizeradam, losscategorical_crossentropy, metrics[accuracy]) # 回调函数 callbacks [ ModelCheckpoint(best_model.h5, save_best_onlyTrue), EarlyStopping(patience5, restore_best_weightsTrue), ReduceLROnPlateau(factor0.1, patience3) ] # 训练模型 history model.fit( train_generator, steps_per_epochlen(train_generator), epochsepochs, validation_dataval_generator, validation_stepslen(val_generator), callbackscallbacks ) 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) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 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) ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COMMENT角色表;4.2 中草药识别模块识别模块的核心流程用户上传中草药图片系统对图片进行预处理调用CNN模型进行预测返回识别结果及置信度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_ACTIVEprod - DB_URLjdbc:mysql://mysql:3306/herb_db - DB_USERroot - DB_PASSWORD123456 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_PASSWORD123456 - MYSQL_DATABASEherb_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_USERminioadmin - MINIO_ROOT_PASSWORDminioadmin volumes: - ./minio-data:/data command: server /data5.2 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。主要技术收获掌握了使用预训练CNN模型进行迁移学习的技巧深入理解了图像分类任务中的数据增强方法实践了Spring Boot与Python服务的集成方案优化了深度学习模型在生产环境中的部署方案改进方向扩充中草药种类提高模型泛化能力增加多角度识别功能提升用户体验开发移动端应用支持拍照识别引入目标检测技术实现图片中多个中草药的识别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。