hhhhqq/ai-flower-classifier

🌸 AI 图像智能识别系统

《Python编程实践》期末课程设计

基于华为 MindSpore 框架的深度学习图像分类应用，融合 网络爬虫、神经网络训练、Flask Web 交互、特征图可视化 的完整 AI 项目。

---

🎯 项目亮点

维度	体现
人工智能	MindSpore CNN 训练、特征图可视化、混淆矩阵分析
网络爬虫	Bing 图片搜索数据采集、图片去重与验证
Web 交互	Flask 后端 + 现代前端界面、拖拽上传、实时推理
可解释性	4层卷积特征图展示，揭示 AI "看到了什么"

📁 项目结构

ai_image_classifier/
├── crawler.py          # 🕷️ 数据采集模块（爬虫 + 公开数据集）
├── train.py            # 🧠 MindSpore CNN 训练模块（AI 核心）
├── feature_vis.py      # 🔬 特征图可视化模块
├── app.py              # 🌐 Flask Web 应用
├── templates/
│   └── index.html      # 🎨 前端页面
├── static/
│   ├── style.css       # 样式表
│   ├── app.js          # 前端交互逻辑
│   ├── uploads/        # 用户上传图片
│   └── results/        # 训练曲线、混淆矩阵
├── data/               # 数据集目录
├── models/             # 训练好的模型
└── requirements.txt    # 依赖清单

🚀 使用步骤

步骤 1：安装依赖

pip install -r requirements.txt

步骤 2：采集数据

python crawler.py

自动下载花卉数据集（5类，约3670张）。如果下载失败会自动切换为 Bing 爬虫模式。

步骤 3：训练模型

python train.py

训练完成后会在 models/ 保存模型，在 static/results/ 生成训练曲线和混淆矩阵。

步骤 4：启动 Web 应用

python app.py

浏览器打开 http://localhost:5000，上传图片即可体验 AI 识别。

步骤 5（可选）：特征图可视化

python feature_vis.py

生成各层卷积特征图，直观展示 AI 的视觉认知过程。

---

🧠 技术详解

CNN 网络架构

输入 (3×224×224)
  ↓
Conv1: 32@3×3 → BN → ReLU → MaxPool(2×2)    [边缘/颜色检测]
  ↓
Conv2: 64@3×3 → BN → ReLU → MaxPool(2×2)    [纹理/形状检测]
  ↓
Conv3: 128@3×3 → BN → ReLU → MaxPool(2×2)   [花瓣/局部特征]
  ↓
Conv4: 256@3×3 → BN → ReLU → MaxPool(2×2)   [花朵/语义理解]
  ↓
Flatten → FC(512) → Dropout(0.5) → FC(5)     [分类决策]

数据增强策略

• 随机裁剪（RandomResizedCrop）
• 随机水平翻转（RandomHorizontalFlip）
• 颜色抖动（RandomColorAdjust：亮度/对比度/饱和度/色相）

评估指标

• 混淆矩阵（Confusion Matrix）
• 精确率/召回率/F1-score（Classification Report）
• Loss/Accuracy 训练曲线

---

📊 课程报告对应

报告章节	对应模块
一、选题背景	为什么选择花卉识别 + 爬虫 + AI
二、具体内容	项目概述（数据→训练→Web）
三、整体设计	技术架构图 + 模块划分
四、详细设计与实现	爬虫实现 + CNN设计 + Flask + 前端
五、结果展示与分析	训练曲线截图 + 混淆矩阵 + Web演示截图
六、团队组成与分工	队员1负责XX，队员2负责XX
七、总结与心得	收获、难点、改进方向
八、参考文献	MindSpore官方文档等