基于 PyTorch 的果蔬识别与计价系统设计与实现

作品简介

面向生鲜收银的果蔬识别与计价系统：拍照或选示例图识别果蔬类别，带出单价，输入重量即完成计价，结算生成订单与小票；识别不确定时提示人工确认并允许手选，保证识别失败也能正确结账。模型用 MobileNetV3-Small 迁移学习，并与传统特征基线做对比实验（84.17% → 94.17%）。

技术栈

Python、PyTorch、torchvision、Django、ECharts、MySQL

功能模块

  • 对比实验：传统特征基线（HSV 直方图 + 形状中心矩 + kNN）84.17% vs 迁移学习（MobileNetV3-Small）94.17%，macro-F1 0.9408
  • 自建程序化渲染数据集：10 类 ×（240 训练 + 60 验证）= 3000 张 80×80，固定种子可复现，刻意设置三对易混淆类别
  • 误差分析：最弱类别圆白菜 F1 0.826（召回 0.750），混淆矩阵显示被误判为颜色相近的青苹果；同为绿色系的青椒 F1 0.983 说明学到了形状特征
  • 低置信兜底：Top1 概率低于 60% 提示人工确认，并可随时手选商品——识别失败也能结账
  • 收银台双栏：左栏识别（Top-3 概率条 + 自动带出单价），右栏当前小票与应收合计
  • 计价与出票：Decimal 定点，金额 = 单价 × 重量 量化到 0.01 元；明细保存单价快照，小票可回查
  • 预处理与训练严格一致（Resize 80 + ImageNet 归一化），单张识别约 15ms（CPU）
  • 经营统计：识别次数、低置信占比、采纳率、平均置信度、类别分布、近 14 天识别与营收趋势

运行环境

  • 编程语言：Python 3.8 及以上
  • 深度学习：PyTorch 2.2 + torchvision（MobileNetV3-Small 迁移学习，模型随包交付）
  • Web 框架：Django 4.2
  • 推理环境：CPU 即可（单张约 15ms），GPU 非必需
  • 数据库：MySQL 8.0（交付默认 SQLite，免安装）
  • 可视化：ECharts 5（已内置本地文件，离线可用）
  • 数据集：程序化渲染的仿真数据集（10 类 3000 张，固定种子可复现）
  • 操作系统：Windows / macOS / Linux
  • 启动方式：双击一键脚本，或 python manage.py runserver 8082

界面截图

文档预览

交付的任务书、开题报告与论文均为 Word 文档，下面是真实页面预览：

交付内容

  • 完整源码（Django + PyTorch 工程：数据集渲染器、训练脚本、推理服务、收银台）
  • 训练好的模型 ml/artifacts/model.pt 与对比实验指标 metrics.json（含混淆矩阵）
  • 演示数据库（10 种商品、30 张示例图、订单与识别日志）
  • 毕业设计任务书（Word）
  • 开题报告（Word）
  • 毕业论文（Word，七章制，含对比实验与混淆矩阵误差分析）
  • 系统使用与二次开发说明（Word + md）
  • 10 张系统运行截图
创作时间：