YOLOv8+DeepSeek/Qwen智慧农业病虫害检测平台：从模型推理到防治建议的全栈实现

qq_2529413168

71人浏览 · 2026-07-02 11:24:20

qq_2529413168 · 2026-07-02 11:24:20 发布

YOLOv8+DeepSeek/Qwen智慧农业病虫害检测平台：从模型推理到防治建议的全栈实现

在全球粮食安全与可持续农业的迫切需求下，传统病虫害诊断依赖专家经验，难以覆盖广大农田。本系统融合YOLOv8高精度目标检测与DeepSeek、Qwen等大语言模型，构建了一站式农作物病虫害智能检测平台。用户通过图片、视频或摄像头实时流上传作物症状，系统即可识别37类常见病害并即时生成针对性的防治建议与农业管理措施。本文完整解析系统的分布式架构、核心功能模块、数据库设计及部署实践，助力智慧农业与精准植保的数字化落地。

在这里插入图片描述

🎯 AI如何重塑病虫害防治链条？

在农业生产中，病害的快速、准确识别是有效防控的第一步，也是关键一步。传统流程存在“发现晚、鉴定难、决策慢”的痛点。本平台通过计算机视觉与自然语言处理的深度融合，将病害检测与知识库问答有机结合，为农业技术人员、种植户和研究者提供了一个从视觉识别到决策支持的智能化工具，显著缩短了从发现病害到采取行动的时间窗口。
在这里插入图片描述

🧠 系统架构与核心亮点

本系统采用前后端分离的分布式架构，具备高扩展性与模块化特点：

全栈技术覆盖：前端Vue3+TypeScript，后端SpringBoot（业务）+Flask（AI推理），数据库MySQL。
多模态灵活输入：支持单张/批量图片、视频文件及USB/IP摄像头实时流四种检测模式，适配田间、实验室与远程监控场景。
高精度病害识别：基于YOLOv8+PyTorch，针对农业病害特征优化，可识别37类常见农作物病害。
大模型深度联动：检测结果自动触发DeepSeek或Qwen API，生成包含用药指导、管理措施的结构化防治建议。
专业可视化报告：集成ECharts图表库与PDF导出功能，生成包含统计图表、检测结果与AI建议的完整报告。

系统四层架构

层级	组件与技术	核心职责
用户交互层	Vue3, TypeScript, Element-Plus, ECharts	响应式界面、交互逻辑、数据可视化、报告预览
业务逻辑层	SpringBoot, MyBatis-Plus, JWT, Spring Security	API服务、用户与权限管理、业务事务、数据持久化
算法服务层	Flask, PyTorch, YOLOv8, DeepSeek/Qwen API	视频解码、YOLO模型推理、大模型API调用、结果结构化
数据存储层	MySQL 8.0, Redis (可选), MinIO (可选)	用户数据、检测记录、配置信息存储与缓存

在这里插入图片描述

🔧 核心功能与部署实战

1. 核心检测与AI建议生成流程

系统核心工作流：输入 → YOLO推理 → 结果解析 → 大模型建议生成 → 可视化展示。以下是模拟Flask算法服务的核心代码片段。

# 【对应主题场景经验注释】
# 此代码展示病害检测平台算法服务（Flask）的核心逻辑。
# 该服务作为独立微服务运行，与SpringBoot主后端通过RESTful API通信。
import torch
from ultralytics import YOLO
from flask import Flask, request, jsonify
import requests # 用于调用大模型API

app = Flask(__name__)

# 加载针对37类农作物病害优化的YOLOv8模型
# 【对应主题场景经验注释】
# 模型应在涵盖目标病害种类（如稻瘟病、小麦锈病、玉米大斑病等）的专有数据集上训练。
# 权重文件路径可通过环境变量配置，便于模型更新。
model = YOLO("agriculture_disease_yolov8.pt")

# 大模型API配置（示例）
DEEPSEEK_API_URL = "https://api.deepseek.com/v1/chat/completions"
API_KEY = "your-api-key-here"

@app.route('/detect', methods=['POST'])
def detect_disease():
    """
    接收图像，进行病害检测，并调用大模型生成防治建议
    Request: 包含图像文件（或其他source参数）
    Response: 检测结果列表 + AI建议文本
    """
    # 1. 接收并保存上传的图像（代码略）
    # 2. YOLO推理
    results = model.predict(image_path, conf=0.25, device=0) # device=0 使用GPU
    
    detected_diseases = []
    for r in results:
        boxes = r.boxes
        for box in boxes:
            cls_id = int(box.cls[0].item())
            confidence = box.conf[0].item()
            disease_name = model.names[cls_id]
            detected_diseases.append({"name": disease_name, "confidence": confidence})
    
    # 3. 构造Prompt并调用DeepSeek/Qwen生成建议
    if detected_diseases:
        # 【对应主题场景经验注释】
        # 提示词工程至关重要。需清晰提供作物上下文、病害名称及置信度，
        # 指示模型输出结构化、可操作的防治建议，并控制回复长度与格式。
        prompt = f"""
        你是一位资深植保专家。在{detected_diseases[0]['name']}的检测中，置信度为{detected_diseases[0]['confidence']}。请提供针对性的防治建议。
        请按以下格式回复：
        **病害名称**: ...
        **防治建议**: ...
        **推荐药剂**: ...
        **管理措施**: ...
        """
        # 调用大模型API（需处理请求头与认证）
        # response = requests.post(DEEPSEEK_API_URL, headers=headers, json={"prompt": prompt})
        # ai_suggestion = response.json()['choices'][0]['text']
        ai_suggestion = "模拟建议：建议使用XXX药剂，并加强田间排水..." # 模拟返回
    else:
        ai_suggestion = "未检测到明显病害特征。"
    
    return jsonify({"detections": detected_diseases, "suggestion": ai_suggestion})

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

在这里插入图片描述

2. 关键数据库设计（核心表）

平台数据持久化基于MySQL，核心表结构如下：

用户表 (user)：存储id, username, password(加密), role(admin/user), email, create_time, status。
检测记录表 (detection_record)：记录每次检测任务，包含id, user_id, task_type(image/folder/video/camera), input_path, output_path, result_json(检测结果结构化存储), ai_suggestion(大模型建议文本), create_time。

3. 系统部署与运行

项目提供完整部署方案，支持本地与云端运行：

环境准备：Python 3.9+, Node.js 16+, Java 11+, MySQL 8.0, Docker。
服务启动：
- Java后端：mvn spring-boot:run
- Python算法服务：flask run --port=5000
- 前端：npm run dev
容器化部署：提供docker-compose.yml，可一键启动所有服务（MySQL, Nginx, Java App, Flask App）。