项目介绍
玉米病害识别系统是一个集病害智能识别、用户管理与信息服务于一体的农业辅助诊断平台。系统以前后端分离方式构建，前端基于 Vue3 与 Element Plus 实现页面交互和结果展示，后端基于 Flask 搭建 RESTful 接口，并通过 SQLAlchemy 完成用户、识别历史与公告信息的持久化管理。在业务流程上，用户注册登录后可上传玉米叶片图像，后端首先完成图片格式与大小校验，再将图像保存至本地媒体目录，随后调用 TensorFlow 加载的 ResNet50 病害识别模型进行推理，输出最高置信度类别及各类别概率分布。
选题背景与意义
玉米是我国重要的粮食作物和饲料作物，其生长过程中容易受到矮花叶病、灰斑病、锈病、叶斑病等多种病害影响。一旦病情发现不及时，往往会造成叶片功能下降、植株生长受阻，进而影响产量与品质。传统病害诊断方式主要依赖人工经验判断，不仅对农业技术人员的专业能力要求较高，而且在大面积种植场景下存在效率低、主观性强、响应滞后等问题。随着深度学习与计算机视觉技术的发展，利用卷积神经网络对作物病害图像进行自动识别，已成为智慧农业的重要研究方向。基于此，设计并实现玉米病害识别系统具有较强的理论价值和现实意义。
关键技术栈：ResNet50
ResNet50 是一种经典的深层卷积神经网络，因其引入残差结构而在图像分类任务中表现出较好的训练稳定性与特征提取能力。传统深层网络在层数增加后容易出现梯度消失、训练退化等问题，而 ResNet50 通过“恒等映射 + 残差学习”的方式，使网络能够在更深层次上持续学习有效特征，从而提升模型对复杂病斑纹理、颜色变化和叶面形态差异的识别能力。在本项目中，系统使用 TensorFlow 加载训练完成的 resnet50_model.h5 模型文件，对输入的玉米叶片图像进行统一尺寸预处理，将图像缩放至 224×224，并归一化到 [0,1] 区间后送入网络进行推理。模型最终输出八个类别的预测概率，系统根据最大概率得到最终识别结果，同时返回全部类别置信度列表，便于前端展示更加直观的分析信息。
