简介这份智能病虫害防治系统资源包面向农业信息化开发者、计算机视觉学习者与智慧农业项目实践者围绕图像识别在植物病虫害检测中的落地流程展开涵盖数据收集、图像预处理、特征提取、模型训练、验证测试到部署应用与实时监测的完整链路帮助读者理解如何借助机器学习算法自动识别并分类植物病虫害减少对化学农药的依赖。压缩包共13个文件约10.83MB以6个Python脚本为核心配合2张PNG示意图、1个HDF5模型文件、1个img-store数据存储、1个txt参数文件及说明文档另含一个玉米叶部病害识别子项目压缩包结构清晰便于按模块查阅。目前已有92人学习下载。读者可从中获取可运行的检测脚本、已训练模型、系统架构图与参数配置用于复现识别流程、理解模型部署思路并作为课程设计或智能农业设备集成的参考。1. 拆开这个病虫害检测包从 HDF5 权重到 MQTT 上报的完整链路上周帮一个做温室大棚的朋友看他们的虫情测报设备现场那套东西识别率忽高忽低维护的人换了两拨都没定位到问题。拆开设备一看模型是 Keras 存的.hdf5推理脚本里图像尺寸写死成 224但摄像头实际出图是 240×240预处理那一步直接 resize 没做中心裁剪边缘的叶片纹理全糊了。这类问题在病虫害检测项目里特别常见——模型本身没问题坏在部署链路的细节上。这个「智能病虫害防治系统.zip」就是一套把图像识别落到实处的工程包。它不只是一份训练代码而是从model.hdf5权重、detect_publish.py推理发布、mqtt_subscriber.py订阅上报到param.txt参数配置、ESP32-S3-EYE 硬件参考图都串起来了。适合两类人一是想跑通「拍照→识别→上报」闭环的嵌入式或后端工程师二是手里有玉米叶病害数据、想找个能直接改的推理框架的算法同学。包里还附了 LeNet 玉米叶病害识别的参考实现方便对照轻量模型和 CNN 的差异。2. 先看清目录再动手文件职责与运行环境怎么搭2.1 每个文件到底管什么拿到压缩包别急着pip install先把目录结构过一遍。这个包的文件命名比较直白但有几个容易混淆的地方我按实际调用关系拆一下文件/目录职责调用方model.hdf5Keras 格式的推理权重detect_publish.pydetect_publish.py读图、预处理、推理、发布结果主入口mqtt_subscriber.py订阅检测结果并落库/转发独立进程param.txt阈值、MQTT 地址、主题等配置两个 py 都读sample0~3.py分步骤示例从读图到发布学习用LeNet-based-...zip玉米叶病害识别参考工程对照学习img-store/测试图片存放推理输入Project_img/架构图与硬件图文档参考sample0.py到sample3.py不是冗余文件而是把完整流程拆成了递进式示例。我一般建议先跑sample0确认环境再跑sample3看端到端效果最后才动detect_publish.py。这样出问题能快速定位是环境、预处理还是发布环节。2.2 环境依赖与版本约束TensorFlow 2.x 对.hdf5的加载兼容性在 2.15 之后有变化如果直接pip install tensorflow装到最新版load_model可能报Unknown layer或bad marshal data。稳妥做法是锁一个 2.13~2.15 的区间# 建议用虚拟环境隔离避免和系统里的 TF 冲突 python -m venv venv_bug source venv_bug/bin/activate # Windows 用 venv_bug\Scripts\activate # 锁版本opencv 用于预处理paho-mqtt 用于发布 pip install tensorflow2.15.0 opencv-python paho-mqtt numpy pillow这里tensorflow2.15.0是实测能稳定加载该包权重的版本再高会触发 Keras 3 的兼容层问题。opencv-python负责图像解码和 resizepaho-mqtt是 MQTT 客户端。如果目标设备是 ARM 架构比如树莓派或 ESP32 边缘网关TensorFlow 要换成tflite-runtime但那就需要先把.hdf5转成.tflite这一步后面第 5 章会讲。2.3 参数文件先改这三处param.txt是纯文本键值对但格式没有统一标准读的时候要按实际分隔符解析。常见的是keyvalue或key:value我一般先cat看一眼cat param.txt # 典型内容长这样 # img_size224 # mqtt_broker192.168.1.100 # mqtt_port1883 # topicbug/detect/result # threshold0.6必须改的三处mqtt_broker换成你自己的 Broker 地址topic换成项目实际订阅的主题threshold根据误报情况调。阈值 0.6 是偏保守的实际大棚场景光照差的时候可以降到 0.5但低于 0.45 就会把健康叶片的阴影误判成病斑。改完存盘两个 py 脚本启动时都会重新读不用改代码。3. 推理链路拆解从读图到 MQTT 发布3.1 预处理为什么不能直接 resizedetect_publish.py里最容易被忽略的就是预处理。很多人拿到图直接cv2.resize(img, (224,224))但训练时如果用的是中心裁剪加归一化推理也必须一致否则就是典型的训练-推理不一致模型在测试集上 95%现场掉到 70%。import cv2 import numpy as np def preprocess(img_path, img_size224): # 用 BGR 读入和训练时 OpenCV 读图保持一致 img cv2.imread(img_path) if img is None: raise ValueError(f读图失败: {img_path}) # 先等比缩放到短边等于 img_size再中心裁剪 h, w img.shape[:2] scale img_size / min(h, w) new_w, new_h int(w * scale), int(h * scale) img cv2.resize(img, (new_w, new_h), interpolationcv2.INTER_LINEAR) # 中心裁剪 start_x (new_w - img_size) // 2 start_y (new_h - img_size) // 2 img img[start_y:start_yimg_size, start_x:start_ximg_size] # 转 RGB 并归一化到 0~1 img cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img img.astype(np.float32) / 255.0 return np.expand_dims(img, axis0)逻辑说明先等比缩放保证叶片不变形再中心裁剪保证输入尺寸固定。interpolation用线性插值比最近邻在纹理上更平滑。归一化除以 255 是大多数 CNN 的标配但如果你的model.hdf5训练时用了preprocess_input比如 MobileNet 系列这里要换成对应的预处理函数否则输入分布对不上。参数img_size必须和训练时的输入尺寸一致这个信息一般在训练脚本或模型 summary 里能看到。3.2 加载模型与推理的坑加载.hdf5时如果报Unknown layer: Functional之类通常是 Keras 版本不匹配。另一个常见问题是模型保存时用了自定义层加载要传custom_objects。from tensorflow.keras.models import load_model # 加载权重compileFalse 避免反序列化优化器状态 model load_model(model.hdf5, compileFalse) # 打印输入输出形状确认和预处理对得上 print(输入:, model.input_shape) print(输出:, model.output_shape) # 推理 preds model.predict(preprocess(img-store/test_leaf.jpg)) class_id np.argmax(preds[0]) confidence float(preds[0][class_id]) print(f类别: {class_id}, 置信度: {confidence:.3f})compileFalse很关键推理不需要优化器和损失函数带上反而容易因为自定义损失加载失败。model.input_shape打印出来如果是(None, 224, 224, 3)说明预处理尺寸对了如果是(None, 128, 128, 3)那img_size要改成 128。这一步是排查尺寸问题的后悔药别省。3.3 MQTT 发布与订阅的对接detect_publish.py负责把结果发出去mqtt_subscriber.py负责收。两者靠param.txt里的 topic 对齐。发布端代码结构大致如下import paho.mqtt.client as mqtt import json def publish_result(broker, port, topic, class_id, confidence): client mqtt.Client() client.connect(broker, port, 60) payload json.dumps({ class_id: class_id, confidence: round(confidence, 3), ts: int(time.time()) }) # qos1 保证至少送达一次retainFalse 不保留最后一条 client.publish(topic, payload, qos1, retainFalse) client.disconnect()参数说明qos1适合病虫害上报这种不能丢的场景但会增加一次确认往返如果设备网络差、上报频率高可以降到 0。retainFalse是因为检测结果是时序数据保留最后一条反而会让新订阅者收到过期信息。订阅端mqtt_subscriber.py里on_message回调解析 JSON 后落库或转发注意payload.decode()后再json.loads直接对 bytes 做 loads 在部分版本会报类型错误。4. 避坑与排查现场最容易翻车的五个点4.1 识别结果全是同一类现象不管输入什么图输出都是类别 0置信度还很高。原因通常是预处理没做归一化或者输入通道顺序错了BGR 当 RGB 喂进去。解决打印preprocess返回数组的shape和min/max正常应该是(1,224,224,3)且值在 0~1。如果 max 是 255说明归一化漏了如果 shape 是(1,3,224,224)说明通道在前需要transpose。4.2 MQTT 连不上但代码不报错现象脚本跑完没异常但订阅端收不到消息。原因是paho-mqtt的connect是异步的publish后立刻disconnect可能导致消息还没发出去就断了。解决在publish后加client.loop_start()或手动client.loop()处理网络循环或者用wait_for_publish()确认发送完成再断开。4.3 模型加载报 bad marshal data现象load_model抛bad marshal data或OSError: Unable to open file。原因是.hdf5文件在传输中损坏或者下载不完整。解决核对文件大小用h5py尝试打开验证完整性import h5py with h5py.File(model.hdf5, r) as f: print(list(f.keys())) # 能列出层名说明文件没坏如果h5py也打不开只能重新获取权重文件。4.4 阈值调了没生效现象改了param.txt里的threshold但误报依旧。原因是脚本里阈值是硬编码的没读配置文件或者读了但变量名对不上。解决全局搜threshold确认读取逻辑是float(config[threshold])而不是0.6写死。另外注意有些脚本会在if confidence threshold之前先做argmax阈值比较的是 softmax 后的概率不是 logits。4.5 ESP32 端内存不够现象参考ESP32-S3-EYE-isometric.png部署时模型加载到一半重启。原因是.hdf5直接跑在 MCU 上不现实ESP32-S3 的 PSRAM 也扛不住完整 Keras 模型。解决必须转成 TensorFlow Lite 并用tflite-runtime或 ESP-DL 推理输入尺寸也要降到 96 或 128。这一步不是改代码能解决的是架构层面的取舍。5. 进阶把 HDF5 转 TFLite 并验证一致性如果你要把这套东西真正落到边缘设备上.hdf5只是中间产物最终得转成.tflite。转换本身不难难的是转换后精度不掉、输入输出对得上。import tensorflow as tf # 加载已训练好的 Keras 模型 model tf.keras.models.load_model(model.hdf5, compileFalse) # 定义转换器开启默认优化 converter tf.lite.TFLiteConverter.from_keras_model(model) converter.optimizations [tf.lite.Optimize.DEFAULT] # 如果有代表数据集可以开 INT8 量化体积能压到 1/4 # converter.representative_dataset representative_gen # converter.target_spec.supported_ops [tf.lite.OpsSet.TFLITE_BUILTINS_INT8] tflite_model converter.convert() with open(model.tflite, wb) as f: f.write(tflite_model) print(转换完成大小:, len(tflite_model) / 1024, KB)转换后必须做一致性验证不能直接扔到设备上就跑。我一般会拿同一批测试图分别用 Keras 和 TFLite 推理比对 top-1 类别是否一致import numpy as np # 加载 TFLite 解释器 interpreter tf.lite.Interpreter(model_pathmodel.tflite) interpreter.allocate_tensors() input_details interpreter.get_input_details() output_details interpreter.get_output_details() def tflite_predict(img_array): # TFLite 输入 dtype 可能是 float32 或 int8按实际调整 interpreter.set_tensor(input_details[0][index], img_array.astype(np.float32)) interpreter.invoke() return interpreter.get_tensor(output_details[0][index]) # 对比 10 张图 match 0 for i in range(10): img preprocess(fimg-store/test_{i}.jpg) keras_pred np.argmax(model.predict(img, verbose0)) tflite_pred np.argmax(tflite_predict(img)) if keras_pred tflite_pred: match 1 print(f一致率: {match}/10)一致率低于 9/10 就要查量化参数或输入 dtype。INT8 量化后输入是 int8 的话预处理里的归一化要改成(img - 128) / 128之类的对称量化公式这个细节翻车率极高。另外param.txt里的img_size在 TFLite 版本里也要同步改因为量化模型通常要求固定输入尺寸不能动态 resize。从那以后我每次转 TFLite 都强制走一遍「Keras vs TFLite 十图比对」一致率不过 9 就不往下走。这套流程帮我在三个大棚项目里提前拦住了量化掉点的问题希望帮到你。本文还有配套的精品资源点击获取