【项目背景】

农业是国民经济的基础，但植物病害严重影响农作物产量与品质。传统人工诊断依赖专家经验，效率低、准确性差，基层农技人员匮乏导致病害防治不及时，成为制约智慧农业发展的突出痛点。随着深度学习技术突破，利用计算机视觉实现自动化病害检测成为重要方向。本项目针对上述问题，设计并实现了基于深度学习的植物叶片病害检测系统。

【解决方案】

系统以YOLOv8目标检测模型为核心，采用迁移学习在植物叶片病害数据集上优化训练，支持图片、视频、摄像头三种输入源的实时病害识别。融合Neo4j图数据库构建病害知识图谱，提供自然语言问答服务；集成百度语音API实现语音输入与播报；基于Streamlit框架开发Web界面，实现病害检测、知识查询、结果导出一体化功能。

【特色成效】

1. 检测精准高效：YOLOv8模型mAP达到0.636，支持图片、视频、摄像头多输入源实时检测，检测结果可导出CSV，实现从静态图像到动态视频流的全场景病害识别。

2. 服务闭环完整：融合Neo4j知识图谱，支持“什么是”“怎么防治”等多句式自然语言查询，用户识别病害后可直接获取防治措施，形成“检测-诊断-防治”完整服务闭环。

3. 应用门槛低：面向农业生产者设计简洁Web界面，集成语音输入与播报，无需专业技术背景即可使用，为基层病害诊断提供低成本智能化方案。