智农虫盾 · SmartAgroShield

AI 赋能农作物病虫害监测与预警系统

猕猴桃病害智能识别 | 多模态环境预警 | 桌面端 + Web 端

---

English

SmartAgroShield is an AI-powered crop disease monitoring and early-warning system, developed as an undergraduate innovation project (SRT gzuxc2024057). It focuses on kiwifruit leaf disease recognition with a lightweight ShuffleNetV2 model, plus a multimodal environmental risk module that fuses temperature and humidity inputs.

Key Features

• Image recognition: 4-class kiwifruit leaf classification (brown_spot, gray_mold, healthy, ulcer) with 85.47% test accuracy.
• Multimodal early-warning: combines image prediction with temperature / humidity inputs to output an environmental risk level and prevention advice.
• Desktop app (Tkinter): fully offline, packaged with PyInstaller.
• Flask Web app: browser-based demo interface.
• Multiple model baselines: MobileNetV3-Large / MobileNetV3 / ResNet50 / EfficientNet / ShuffleNet, with confusion matrices and training curves.

Model

Item	Value
Architecture	ShuffleNetV2
Classes	brown_spot, gray_mold, healthy, ulcer
Test accuracy	85.47%
Parameters	1.26 M
Inference latency	~48.6 ms / image
Input	leaf image (RGB)
Extra inputs	temperature (°C), humidity (%)

Repository Structure

├── core/                  # inference, multimodal, history, preprocess
├── models/                # model definitions & training utilities
├── utils/                 # helpers
├── qt_app/                # Qt desktop variant
├── templates/ + static/   # Flask web frontend
├── runs/                  # training artifacts (figures, class_map)
├── docs/                  # project reports & manuals
├── train.py               # training entry
├── evaluate.py            # evaluation & confusion matrix
├── inference.py           # single-image inference
├── app.py                 # Flask web entry
├── desktop_main.py        # Tkinter desktop entry
└── config.py              # configuration

Run

pip install -r requirements.txt

# Flask web demo
python app.py

# Desktop app
python desktop_main.py

# Inference on a single image
python inference.py --image path/to/leaf.jpg

---

中文

智农虫盾（SmartAgroShield） 是面向猕猴桃病虫害的 AI 监测与预警系统， 作为校级大学生创新创业训练计划项目（SRT gzuxc2024057）独立完成。核心为 轻量化 ShuffleNetV2 四分类病害识别，并融合温湿度输入进行多模态环境风险预警。

核心功能

• 图像识别：猕猴桃叶片四分类（褐斑病 / 灰霉病 / 健康 / 溃疡病），测试准确率 85.47%。
• 多模态预警：结合图像预测结果与温湿度输入，输出环境风险等级与防治建议。
• 桌面端（Tkinter）：完全离线运行，PyInstaller 打包为单文件 exe。
• Web 端（Flask）：浏览器交互式演示界面。
• 多模型基线对比：MobileNetV3-Large / MobileNetV3 / ResNet50 / EfficientNet / ShuffleNet，含混淆矩阵与训练曲线。

模型

项目	值
网络结构	ShuffleNetV2
类别	brown_spot, gray_mold, healthy, ulcer
测试准确率	85.47%
参数量	1.26 M
推理延迟	约 48.6 ms / 张
输入	叶片图像（RGB）
附加输入	温度（°C）、湿度（%）

目录结构

├── core/                  # 推理、多模态、历史记录、预处理
├── models/                # 模型定义与训练工具
├── utils/                 # 辅助函数
├── qt_app/                # Qt 桌面版变体
├── templates/ + static/   # Flask 前端
├── runs/                  # 训练产物（可视化图、类别映射）
├── docs/                  # 项目报告与使用手册
├── train.py               # 训练入口
├── evaluate.py            # 评估与混淆矩阵
├── inference.py           # 单图推理
├── app.py                 # Flask Web 入口
├── desktop_main.py        # Tkinter 桌面入口
└── config.py              # 配置

运行

pip install -r requirements.txt

# Flask Web 演示
python app.py

# 桌面应用
python desktop_main.py

# 单图推理
python inference.py --image path/to/leaf.jpg

数据集

本项目训练数据为自采集猕猴桃叶片图像，四类共约 6000 张（训练集约 4800 张、 验证集约 1200 张）。因体积较大未包含在本仓库，如需复现训练请联系作者。

作者

陈杉杉（Shanshan Chen）· SRT gzuxc2024057