简介：图像识别作为人工智能的核心应用之一，近年来在农业植保领域展现出巨大价值。通过深度学习技术对农作物叶片图像进行分类，能够快速辅助诊断病虫害，降低对人工经验的依赖。在工程落地时，通常需要借助开源框架完成模型训练与服务封装，其中TensorFlow提供了成熟的训练生态，Flask则以轻量灵活的方式快速搭建Web推理接口。两者结合，可以构建一套完整的图像分类应用，覆盖数据预处理、模型训练、迁移学习调优以及在线预测等环节。这类技术方案不仅适用于田间病虫害监测，也可扩展到工业质检、医疗影像等通用图像分类场景。本文以水稻叶片病害识别为例，详细记录了从环境配置、数据集构建到模型部署的全过程，并总结了版本兼容、数据增广和部署预处理的常见问题，为相似项目提供了一份可直接参考的实践指南。 做水稻病虫害识别这个项目，算是把这两年踩过的坑一次性踩全了。从TensorFlow版本匹配到Flask部署的坑，从数据集标注到模型过拟合，每个环节都有值得记录下来东西。这篇文章是把整个项目的完整思路、关键代码和踩坑记录整理出来，给正在做类似图像识别项目的朋友一个可以直接参考的路线。
先说清楚这个项目是做什么的。它是一个基于深度学习的农作物病虫害识别系统，核心流程是：用TensorFlow训练一个卷积神经网络模型，让它能识别水稻叶片上的常见病害（稻瘟病、稻曲病、白叶枯病等），然后把这个模型封装成一个Flask Web应用，用户上传一张水稻叶片照片，网页端就能返回病害类型和置信度。整个项目源码完整，从数据预处理到模型部署都有可跑的代码。
适合谁来参考？做深度学习入门到落地项目的学生、做农业信息化相关开发的工程师、以及想在Web端部署图像识别模型但还没摸清完整链路的人。下面按实际开发顺序来记录，从架构设计到环境搭建，再到训练和部署，最后是问题排查。
1. 项目概述与整体架构设计
1.1 为什么需要水稻病虫害智能识别
传统的水稻病虫害诊断主要靠植保人员肉眼观察，一个县级植保站通常只有几名技术人员，高峰期根本跑不过来。农户遇到问题拍张照片发到群里问，得到的答案往往也是各说各话。深度学习方法在农业植保领域的落地价值就在这里：图像识别模型可以在几秒内给出参考诊断结果，把专业植保知识以极低成本复制到每个农户的微信里。
技术实现上，这个项目有三个核心难点需要提前想清楚。第一是数据，水稻病害不同生育期的表现差异很大，同一病害在不同光照、不同拍摄角度下外观差别明显，数据集的覆盖程度直接决定模型上限。第二是模型，移动端和实际部署环境的算力有限，不能一上来就堆大模型，需要在精度和推理速度之间找平衡。第三是部署，训练好的模型要变成普通人能用的工具，需要在Web端做输入输出封装，这部分的坑往往比训练还多。
1.2 技术选型：为什么是TensorFlow + Flask
选TensorFlow而不是PyTorch，主要出于三个考虑。
一是工业部署生态成熟。TensorFlow的SavedModel格式在模型部署上有天然优势，配合TensorFlow Serving做后续扩展很方便。如果只是个人项目，PyTorch的torchserve也能用，但TensorFlow在生产环境的案例积累更久，遇到的坑基本都能搜到解决方案。
二是Keras API的上手成本低。TensorFlow 2.x的Keras接口非常友好，用两三行代码就能搭建一个迁移学习模型，这对快速验证方案非常有帮助。PyTorch当然也可以，但要写的样板代码多一些。
三是Flask框架轻量灵活。相比Django和FastAPI，Flask的核心理念是微框架，适合做单服务的模型推理接口。FastAPI虽然性能更好，但生态相对年轻，在Windows环境下的兼容性和文档完整度不如Flask成熟。实际开发中，用Flask写一个图片上传、模型推理、结果返回的接口，代码量非常少，而且flask的调试模式对开发期很有帮助。
1.3 系统整体架构与完整源码目录
这个项目的整体链路是：数据集目录 → 数据预处理脚本 → TensorFlow训练脚本 → SavedModel模型文件 → Flask应用 → 浏览器页面。完整的源码目录结构如下：
rice_disease_system/ ├── app.py # Flask主应用 ├── model_train.py # 模型训练脚本 ├── data_preprocess.py # 数据预处理与增广脚本 ├── requirements.txt # 项目依赖清单 ├── models/ │ └── rice_disease_model.h5 # 训练好的模型文件 ├── dataset/ │ ├── train/ │ │ ├── rice_blast/ # 稻瘟病 │ │ ├── rice_tungro/ # 东格鲁病 │ │ ├── bacterial_blight/ # 白叶枯病 │ │ └── healthy/ # 健康叶片 │ └── val/ │ ├── rice_blast/ │ ├── rice_tungro/ │ ├── bacterial_blight/ │ └── healthy/ ├── static/ │ ├── uploads/ # 用户上传图片目录 │ └── css/ │ └── style.css └── templates/ └── index.html # 前端页面这套目录结构是实际验证过最顺手的，训练代码和Web代码分离，模型文件独立存放，数据集按类别分文件夹管理，和Keras的ImageDataGenerator的目录结构天然匹配。
2. 开发环境搭建与依赖配置
2.1 Python版本与虚拟环境策略
这个项目的开发环境，我推荐Python 3.9或3.10，不要图新鲜用最新的Python 3.12或3.13。原因很简单：TensorFlow对Python版本的支持有明显滞后，经常出现Python最新版本无法安装TF的情况。
我用的是Python 3.9.13，搭配TensorFlow 2.10.0，这套组合在Windows 11 + RTX 3060环境下非常稳定，没有踩到什么版本冲突的坑。如果你的显卡是RTX 30系列以上，用TF 2.10搭配CUDA 11.2是性价比最高的选择；如果显卡比较新比如RTX 40系列，可以考虑TensorFlow 2.12以上版本，因为老版本TF对新显卡的支持不太好。
虚拟环境必须创建。强烈建议用conda创建独立的虚拟环境，避免把系统Python搞乱。我用的是conda命令：
conda create -n rice_disease python=3.9 conda activate rice_disease如果不用conda，用venv也完全可以：
python -m venv rice_env rice_env\Scripts\activate # Windows source rice_env/bin/activate # Linux/Mac虚拟环境里pip安装依赖，最稳妥的方式是把pip升级到最新：
python -m pip install --upgrade pip2.2 TensorFlow与CUDA版本匹配要点
TensorFlow版本和CUDA、cuDNN的匹配，是新手最容易翻车的地方。装好TensorFlow之后在import时如果报错，或者运行训练时提示CUDA相关错误，基本都是版本不匹配造成的。
不同TensorFlow版本对应的CUDA版本整理如下：
| TensorFlow版本 | Python版本建议 | 对应CUDA | 对应cuDNN |
|---|---|---|---|
| 2.10.0 | 3.7-3.10 | 11.2 | 8.1 |
| 2.12.0 | 3.8-3.11 | 11.8 | 8.6 |
| 2.15.0 | 3.9-3.11 | 12.2 | 8.9 |
| 2.18.0 | 3.9-3.12 | 12.3 | 9.1 |
上面这张表是参考TensorFlow官方支持列表整理的，实操中最省事的方法，是安装一个带GPU支持的TensorFlow后，用tf.test.is_gpu_available()验证是否能用GPU。如果返回False，就去官方对应表查版本。
我实际项目的环境配置是：Python 3.9.13 + TensorFlow 2.10.0 + CUDA 11.2 + cuDNN 8.1 + RTX 3060 12G。这套组合在训练不到2000张图片的数据集时，一个epoch只需要几十秒，完全够用。要注意CUDA的安装路径里不能有中文和空格，否则TensorFlow找不到CUDA库。
2.3 Flask与其余依赖的安装细节
Flask相关依赖比较简单，直接pip安装即可：
pip install flask==3.0.0 pip install pillow==10.1.0 pip install numpy==1.24.3 pip install tensorflow==2.10.0这里有几个容易踩的坑。
numpy版本和TensorFlow的兼容性很关键。TensorFlow 2.10.0要求numpy版本不能高于1.26，否则会报错。实际我用的是1.24.3，稳定运行。pillow库用于处理上传的图片，建议不要用太老的版本，因为老版本对PNG格式的某些参数处理有问题。
安装TensorFlow的时候，如果网络不稳定，容易下载到一半卡住。可以换用pip镜像源，速度会快很多。我这里用的是清华源：
pip install tensorflow==2.10.0 -i https://pypi.tuna.tsinghua.edu.cn/simple常见安装报错速查
| 报错信息 | 原因 | 解决方式 |
|---|---|---|
Could not find a version that satisfies the requirement tensorflow | Python版本太高，TensorFlow不支持 | 降到Python 3.9或3.10 |
DLL load failed | CUDA版本不匹配或安装路径含中文 | 重新安装匹配的CUDA版本 |
numpy.dtype size changed | numpy版本与TF不匹配 | 降低numpy版本，推荐pip install numpy==1.24.3 |
OOM when allocating tensor | GPU显存不足或batch size过大 | 减小batch size或降低图像分辨率 |
3. 数据准备与图像预处理
3.1 数据集来源与标注规范
水稻病虫害识别任务，数据集决定模型的上限。常见类别包括：稻瘟病、稻曲病、白叶枯病、纹枯病、胡麻叶斑病等。每类的图片数量建议不少于500张，最好在1000张以上，类别数建议保持在5-8个之间，太多类别容易混淆，太少又体现不出项目价值。
数据来源有几种方式：一是直接从公开数据集下载，比如Kaggle上的水稻病害数据集、PlantVillage数据集，但PlantVillage里的水稻图片种类比较少；二是从农业论文的附件数据里找，很多论文会在补充材料里放原始图片；三是自己到田里拍，这个最花时间但数据质量最好。
标注规范上，用文件夹名作为类别标签是最省事的方式。比如dataset/train/rice_blast/下的所有图片都视为稻瘟病样本。图片的格式建议统一处理成JPG，因为部分PNG图片有透明度通道，读入时可能会报错。
3.2 数据增广策略与代码实现
如果每类的原始图片只有几百张，直接训练很容易过拟合。数据增广是深度学习解决小样本问题的经典手段。用Keras的ImageDataGenerator可以一行代码实现增广，核心思路是随机对图片做旋转、翻转、平移、亮度调整、缩放、裁剪，让模型看到更多样化的数据，提升泛化能力。
我实际使用的增广参数如下：
from tensorflow.keras.preprocessing.image import ImageDataGenerator train_datagen = ImageDataGenerator( rescale=1./255, rotation_range=30, # 随机旋转30度 width_shift_range=0.2, # 水平平移20% height_shift_range=0.2, # 垂直平移20% shear_range=0.2, # 剪切变换 zoom_range=0.2, # 随机缩放 horizontal_flip=True, # 水平翻转 brightness_range=[0.8, 1.2], # 亮度调整 fill_mode='nearest' ) val_datagen = ImageDataGenerator(rescale=1./255)这里有个细节：验证集和测试集只做归一化，不做增广。因为增广的目的是让模型在训练时看到更多变化，而验证集需要保留真实的数据分布来评估模型泛化能力。如果把增广也用在了验证集上，评估结果会不真实，模型看起来很好，实际部署就露馅。
rescale=1./255是将像素值从0-255缩放到0-1，这是几乎所有图像分类任务的标准预处理方式。如果不做归一化，梯度更新会很慢，训练容易不收敛。
3.3 数据划分与图片读取管道
数据划分直接使用flow_from_directory，它会根据文件夹结构自动生成标签：
train_generator = train_datagen.flow_from_directory( 'dataset/train', target_size=(224, 224), # 网络输入尺寸 batch_size=32, class_mode='categorical' ) val_generator = val_datagen.flow_from_directory( 'dataset/val', target_size=(224, 224), batch_size=32, class_mode='categorical' )target_size设为224x224是因为它正好是ImageNet预训练模型的默认输入尺寸，大部分卷积网络都按这个尺寸设计。如果你用的是其他模型，输入尺寸要跟着调整，比如EfficientNet的输入是240x240或260x260。
class_mode='categorical'表示使用one-hot编码做多分类输出，对应的输出层激活函数必须用softmax。
batch_size的选择要根据显存来，我用的12G显存，batch_size=32比较合适，显存不够就降到16或8，但不要低于8，否则梯度更新太频繁，训练不稳定。
4. 模型搭建与训练调优
4.1 迁移学习：MobileNetV2作为骨干网络
水稻病害识别不是大规模图像分类任务，从头训练一个卷积神经网络既费时间又容易过拟合。迁移学习是更明智的选择。核心思路是：先用ImageNet数据集上预训练的模型提取通用特征（边缘、纹理、形状），然后在自己的数据集上微调。
我选MobileNetV2作为骨干网络，理由有三。第一，它参数量小，推理速度快，适合以后部署到Web服务。第二，它在ImageNet上的特征提取能力足够强，泛化能力已经验证过。第三，Keras内置的MobileNetV2代码非常简洁，不需要自己实现网络结构。
from tensorflow.keras.applications import MobileNetV2 from tensorflow.keras.models import Model from tensorflow.keras.layers import Dense, GlobalAveragePooling2D, Dropout base_model = MobileNetV2( weights='imagenet', include_top=False, # 去掉顶部分类层 input_shape=(224, 224, 3) ) # 冻结预训练权重 base_model.trainable = False x = base_model.output x = GlobalAveragePooling2D()(x) x = Dense(128, activation='relu')(x) x = Dropout(0.5)(x) predictions = Dense(num_classes, activation='softmax')(x) model = Model(inputs=base_model.input, outputs=predictions)include_top=False表示去掉ImageNet分类的1000类输出层，换上自己的分类层。GlobalAveragePooling2D替代Flatten，大幅减少参数量同时保留空间特征，这是经典的微调方案。
Dropout设为0.5，在数据量不多的情况下有效抑制过拟合，这个0.5是经验值，太高了欠拟合，太低了没效果。
这里有个很容易忽略的点：base_model.trainable = False。冻结预训练层，只训练新增的全连接层，先让新层学会从特征中做分类，等损失下降得差不多了，再解冻部分底层做微调，精度还能往上提一截。如果一开始就解冻全部层训练，预训练权重会被冲坏，效果反而更差。
4.2 训练参数与回调设置
迁移学习分两个阶段训练。第一阶段只用训练新加的分类层，优化器用Adam，学习率设高一点，比如1e-3，训练20个epoch。第二阶段解冻MobileNetV2的深层部分，再训练20-30个epoch，学习率降低到1e-5或5e-6，避免破坏已经学好的特征。
完整的训练代码如下：
from tensorflow.keras.optimizers import Adam from tensorflow.keras.callbacks import ModelCheckpoint, EarlyStopping, ReduceLROnPlateau model.compile( optimizer=Adam(learning_rate=1e-3), loss='categorical_crossentropy', metrics=['accuracy'] ) checkpoint = ModelCheckpoint( 'models/rice_disease_model.h5', monitor='val_accuracy', save_best_only=True, verbose=1 ) early_stop = EarlyStopping( monitor='val_loss', patience=5, restore_best_weights=True ) reduce_lr = ReduceLROnPlateau( monitor='val_loss', factor=0.5, patience=3, min_lr=1e-7 ) history = model.fit( train_generator, steps_per_epoch=train_generator.samples // 32, epochs=30, validation_data=val_generator, validation_steps=val_generator.samples // 32, callbacks=[checkpoint, early_stop, reduce_lr] )ModelCheckpoint里的save_best_only=True很关键，只保存验证集精度最高的模型，避免训练后期过拟合导致的模型回退。EarlyStopping设置patience=5，连续5个epoch验证损失不下降就停止训练，能省很多时间。ReduceLROnPlateau当验证损失连续3个epoch不下降时，学习率减半，让训练在接近收敛时更精细。
第二阶段微调的代码：解冻部分层，降低学习率，继续训练。
# 解冻base_model的后半部分 base_model.trainable = True for layer in base_model.layers[:100]: layer.trainable = False model.compile( optimizer=Adam(learning_rate=5e-6), loss='categorical_crossentropy', metrics=['accuracy'] )4.3 训练过程中的指标监控与调优心得
训练过程中要实时关注训练集和验证集的loss变化。如果训练集loss继续下降但验证集loss反而上升，说明过拟合了，需要扩大数据增广、增加Dropout，或者早停。如果训练集和验证集loss都降不下去，可能是学习率太大或模型太浅。
我训练过程中得到的一组参考指标：第一阶段在20个epoch时验证集准确率稳定在90%左右，第二阶段微调后能到95%以上。实际使用中，这个精度水平基本能满足识别需求。如果数据集比较大，比如每类有几千张图，可以考虑换成EfficientNet系列，精度还会高一些，但需要更大显存。
另外，训练中断了不要慌张，有ModelCheckpoint在，任何时候都能从保存的模型继续。关键是训练完一定要检查一下模型文件是否能正常加载，遇到过有人训练了一晚上发现模型文件没有保存成功，那叫一个惨。
5. Flask Web应用实现与API设计
5.1 模型加载与预测函数封装
Flask端的核心逻辑是：加载训练好的模型，接收用户上传的图片，预处理图片，传入模型做预测，返回识别结果。模型加载建议放在全局，避免每次请求都重新加载模型，不然卡到怀疑人生。
import numpy as np from tensorflow.keras.models import load_model from tensorflow.keras.preprocessing import image from PIL import Image import io MODEL_PATH = 'models/rice_disease_model.h5' model = None CLASS_NAMES = ['稻瘟病', '东格鲁病', '白叶枯病', '健康'] def load_global_model(): global model if model is None: model = load_model(MODEL_PATH) return model def predict_image(img_bytes): img = Image.open(io.BytesIO(img_bytes)).convert('RGB') img = img.resize((224, 224)) img_array = np.array(img) / 255.0 img_array = np.expand_dims(img_array, axis=0) model = load_global_model() predictions = model.predict(img_array, verbose=0)[0] top_indices = np.argsort(predictions)[::-1][:3] results = [] for idx in top_indices: results.append({ 'disease': CLASS_NAMES[idx], 'confidence': round(float(predictions[idx]) * 100, 2) }) return results这里有几个容易出错的点。
第一，图片预处理必须和训练时完全一致。训练时用了rescale=1./255，预测时也要直接将像素除以255，否则模型看到的数据分布和训练时不一致，预测结果会莫名其妙地差。
第二，Image.open().convert('RGB')是必须的，用户上传的图片可能是带透明度通道的PNG，也可能是RGBA四通道图，不转换直接传给模型会报维度错误。
第三，np.expand_dims是把二维图片扩展到四维（批次维度），因为Keras的predict需要一批输入，即使只有一张图片也要加一个维度。
5.2 路由设计与前端交互
Flask应用包含两个核心路由：/用于返回首页HTML页面，/predict用于接收POST请求处理图片上传并返回JSON结果。
from flask import Flask, request, jsonify, render_template import os app = Flask(__name__) app.config['MAX_CONTENT_LENGTH'] = 16 * 1024 * 1024 # 限制16MB UPLOAD_FOLDER = 'static/uploads' os.makedirs(UPLOAD_FOLDER, exist_ok=True) @app.route('/') def index(): return render_template('index.html') @app.route('/predict', methods=['POST']) def predict(): if 'file' not in request.files: return jsonify({'error': '未上传文件'}), 400 file = request.files['file'] if file.filename == '': return jsonify({'error': '文件名为空'}), 400 try: img_bytes = file.read() results = predict_image(img_bytes) # 保存上传的图片用于前端展示 filepath = os.path.join(UPLOAD_FOLDER, file.filename) file.save(filepath) return jsonify({ 'success': True, 'image_url': '/' + filepath.replace(os.sep, '/'), 'results': results }) except Exception as e: return jsonify({'error': str(e)}), 500 if __name__ == '__main__': load_global_model() app.run(host='0.0.0.0', port=5000, debug=False)前端页面用简单的HTML + JavaScript，用户选择图片上传，AJAX发送请求，展示返回的识别结果列表。核心思路是在fetch请求里带上FormData，不用刷新页面就能拿到JSON结果。这个交互体验在本地测试够用了。
5.3 性能优化与生产化注意点
用app.run()跑起来的Flask服务是开发服务器，单线程处理请求，并发能力很弱。但作为课程设计、个人项目或小型工具，已经够用。如果要部署到生产环境，有几个方向可以优化。
第一个方向是用多线程模式跑Flask：app.run(threaded=True)，处理并发请求的能力提升明显。第二个方向是把模型推理放到单独的线程池里，避免GPU推理阻塞其他请求。第三个方向是换成生产级WSGI服务器，比如Gunicorn配合多个worker，或者uWSGI。
模型推理的性能瓶颈主要在两处：图片读取和模型前向传播。图片读取用PIL的Image.open本身不慢，但如果入口图片很大，比如手机拍的原图有4000x3000像素，读取和resize会比较耗时。建议在路由层就对上传的图片做大小控制，先用PIL把图片resize到合理的尺寸再送入网络，同时也能减少内存占用。
还有个隐藏问题要注意：文件名安全。用户上传的文件名可能是中文、包含路径分隔符，如果直接拼接保存路径，存在路径穿越风险。虽然Flask的secure_filename不是万能的，但至少要做一层过滤。
6. 常见问题与排查技巧实录
6.1 环境与安装阶段遇到的问题
这个阶段的问题最常见，而且报错信息往往不直观。
TensorFlow提示Could not find a version that satisfies the requirement tensorflow，基本都是Python版本和TensorFlow版本不对应。比如Python 3.12搭配TensorFlow 2.10就会报这个错，解决方式是降Python版本或升TensorFlow版本。
提示No module named 'tensorflow'但明明pip install了，80%的情况是装错了环境。conda里创建了rice_disease环境，但pycharm终端或者VSCode终端跑的是base环境。检查方式是在终端输入which python，看当前解释器的路径是不是你虚拟环境里的路径。
GPU相关报错Could not load dynamic library 'cudnn64_8.dll'，说明cuDNN缺失或版本不匹配。解决方式是安装对应版本的cuDNN，并把bin目录加入系统PATH。如果你装了CUDA 11.2但没装cuDNN，TensorFlow导入到GPU相关代码时也会报错。
6.2 训练过程遇到的坑
训练时遇到最典型的问题是loss从一开始就居高不下，怎么降都降不动。
有一半情况下是数据问题，标签和图片对应错了，比如某个类别的目录里混了一张其他类别的图片，模型就会被带偏。排查方式很简单，找一张图片出来看看，多抽查几个样本。
另一半情况是模型结构问题，比如输出层神经元数量不等于类别数，或者激活函数用错。多分类任务输出层必须用softmax，如果错用sigmoid，loss很难收敛到理想值。
class_weight也有影响。如果某些病害类的样本特别少，模型会偏向预测样本多的类别，这时候要给少样本类别更高权重。在fit里设置class_weight，或直接用flow_from_directory的class_mode='categorical'配合自己计算权重。
还有一个训练阶段的高频问题：OutOfMemoryError。显存溢出，处理方式有三种：降低batch_size、降低图片分辨率、换显存更大的显卡。在你的数据量不大的情况下，用CPU训练也能接受，只是慢一些。
6.3 Flask部署阶段遇到的坑
Flask部署阶段的坑主要集中在模型加载和图片格式问题上。
模型加载报错Unable to load weights from the checkpoint file，最常见的原因是保存模型用的Keras/TensorFlow版本和加载环境不一致。解决方式有两种：一是训练和部署用同一个虚拟环境，二是在保存模型时用model.save('xxx.h5')，这个格式兼容性最好。TensorFlow 2.6以后还可以保存为.keras格式，但这种格式在旧版本里加载不了。
预测结果全是同一类别，很可能是模型本身有严重过拟合，或者数据分布不均衡。可以尝试用之前保存的最优模型文件而不是最后一次训练的模型。ModelCheckpoint保存的best模型通常比最后一轮模型效果更好。
上传图片提示TypeError: 'NoneType' object is not callable，一般是文件读取方式有问题。用file.read()拿到的二进制字节流，可以直接用Image.open(io.BytesIO(...))打开，不要用file.save()保存后再去读路径，绕了一圈容易出错。
Flask启动后提示Address already in use，端口被占用了，用netstat -ano | findstr 5000找到占用的进程，杀掉或换端口。
6.4 预测结果不准确时的排查思路
如果模型在验证集上准确率很高，但实际使用预测结果差，首先排查预处理链路。检查上传图片的预处理方式和训练时是否一致：尺寸、归一化、通道顺序这三项，每一项不一致都会导致预测错误。
其次排查类别顺序。训练时flow_from_directory按字母顺序给类别编码，比如bacterial_blight是0，healthy是1。如果你在Flask端手动写了CLASS_NAMES列表，顺序必须和训练时使用的顺序完全一致，否则类别对应错位，预测结果全是"张冠李戴"。
最后检查图片质量。实际用户上传的图片可能是模糊的、过暗的、手动截图的带边框图片。这些情况在训练数据里很少，模型预测不准是正常的。建议在Web端做一个简单的图片质量提示，如果清晰度太低就提示用户重新拍摄。
7. 后续扩展方向
项目的核心功能已经跑通，扩展方向可以从识别范围、模型性能和部署形态三个角度考虑。
识别范围方面，当前只做了叶片病害识别，可以扩展到水稻稻穗病虫害、稻飞虱、稻纵卷叶螟等，甚至可以把营养元素缺乏的症状也加进来，做成一个完整的水稻生育期诊断系统。
模型性能方面，可以考虑用TensorRT或ONNX Runtime做推理加速。实测下来，在同样的硬件上，ONNX Runtime比TensorFlow自带的推理速度快20%-30%，而且内存占用更低。
部署形态方面，可以开发一个微信小程序端，用Flask只是做后端API，前端换成小程序。这样农户使用门槛会更低，识别体验也更符合日常习惯。小程序端和Web端的后端接口设计是一样的，代码可以复用。
模型解释性方面，可以集成Grad-CAM热力图可视化，让用户看到模型是根据叶片的哪个区域做出的判断。这对植保人员有参考价值，也能增加系统可信度。
在我实际使用这套系统的时候，最大的体会是：深度学习项目的难点不在模型结构，而在数据质量和部署细节。数据不干净，再强大的模型也白搭；模型训练好了，部署环节如果预处理不一致，线上预测效果照样崩。所以新手在做类似项目时，一定要在数据清洗和预处理一致性上多花时间，这个投入的回报率是最高的。
最后分享一个小技巧：训练结束后，用model.summary()查看一下模型总参数量和层结构，把打印结果截图保存下来。答辩、写报告、做项目展示的时候，这个信息非常有用，能直接证明你确实理解了自己搭的模型。
本文还有配套的精品资源，点击获取
