当前位置：首页 > news >正文

深度血虚：Django水果检测识别系统 CNN卷积神经网络算法 python语言计算机大数据✅

news 2025/11/9 7:04:18

博主介绍：✌全网粉丝10W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，选择我们，就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业。🍅

1、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅

2、最全计算机专业毕业设计选题大全（建议收藏）✅

1、项目介绍

技术栈：
python语言、django框架、神经网络、CNN卷积神经网络算法、后台管理

2、项目界面

（1）首页

在这里插入图片描述

（2）上传图片检测识别

在这里插入图片描述

（3）上传图片检测识别
在这里插入图片描述

（4）后台管理
在这里插入图片描述

（5）登录

在这里插入图片描述

3、项目说明

1、关键词：
Python语言、TensorFlow、卷积神经网络CNN算法、PyQt5界面、Django框架、深度学习
包含：训练预测代码、数据集、PyQt5界面+Django框架网页界面
2、训练预测文件夹中有训练代码以及数据集
3、carnum_check是Django网页版 qt_check是QT版
4、版本说明：
TensorFlow用最新版2.11.0 、 django使用最新版4.1.7、pyqt5使用最新版
5、模型： 25轮迭代1万多张图片

水果识别系统，通过机器学习库tensorflow作为模型构建框架，使用CNN卷积神经网络构建模型，并通过对数据集的处理划分测试集和训练集,通过多轮迭代得到训练好的模型，再将模型进行封装，并开发一个WEB界面系统用于用户的操作，最后实现用户在WEB页面中输入一张水果图片，系统以弹窗的形式显示该水果的信息（地区汉字、字母、数字）。同时用户输入的图片、预测的结果、操作的时间都会保存在数据库中，并实现管理员在后台管理系统中可以动态查看这些信息。
下面将主要说明本系统各设计功能模块的实现。其中包括系统环境配置，系统运行界面、功能模块关系以及系统运行流程图等，详细介绍本系统实现过程。

4、核心代码

from tensorflow.keras import layers, models, Input
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dense, Flatten, Dropout,BatchNormalization,Activation# 加载预训练模型
base_model = keras.applications.ResNet50(weights='imagenet', include_top=False, input_shape=(img_width,img_height,3))for layer in base_model.layers:layer.trainable = True# Add layers at the end
X = base_model.output
X = Flatten()(X)X = Dense(512, kernel_initializer='he_uniform')(X)
#X = Dropout(0.5)(X)
X = BatchNormalization()(X)
X = Activation('relu')(X)X = Dense(16, kernel_initializer='he_uniform')(X)
#X = Dropout(0.5)(X)
X = BatchNormalization()(X)
X = Activation('relu')(X)output = Dense(len(class_names), activation='softmax')(X)model = Model(inputs=base_model.input, outputs=output)import tensorflow as tfmodel = tf.keras.models.load_model('model.h5')
import numpy as npclass_names =  ['圣女果', '梨', '芒果', '苹果', '香蕉']
def load_and_preprocess_image(path):image = tf.io.read_file(path)image = tf.image.decode_jpeg(image, channels=3)image = tf.image.resize(image, [224, 224])image = tf.cast(image, tf.float32)image = image/255.0  # normalize to [0,1] rangereturn imagetest_img = './dataset/梨/tim9.jpeg'
test_tensor = load_and_preprocess_image(test_img)
test_tensor = tf.expand_dims(test_tensor, axis=0)
pred = model.predict(test_tensor)
pred_id = int(np.argmax(pred))
pred_name = class_names[pred_id]
print("预测结果：{}".format(pred_name))
print("预测ID：{}".format(pred_id))