# 中草药图像识别系统

**Repository Path**: fltglame/medecine

## Basic Information

- **Project Name**: 中草药图像识别系统
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-06-11
- **Last Updated**: 2025-06-13

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# HerbNet 中草药图像识别系统

本项目为《智能应用实训》课程的大作业，旨在构建一个基于深度学习的中草药图像识别系统。用户可通过图形界面上传中草药图片，系统将自动识别其所属类别并返回中文名称及置信度。

项目整体采用 PyTorch 框架，模型选用 EfficientNet-B0，并使用迁移学习与图像增强手段进行训练优化，最终打包为可执行 `.exe` 应用程序。

---

## 📁 文件结构

```
herb_project/
├── data/
│ ├── train/ # 训练集目录，163类中草药图像
│ ├── val/ # 验证集目录
│ ├── label.txt # 类别编号与英文名称映射
│ ├── train.txt # 训练集图像路径与标签
│ └── val.txt # 验证集图像路径与标签
├── train.py # 训练主程序（ResNet 或 EfficientNet）
├── dataset.py # 自定义数据集类（HerbDataset）
├── herb_ui.py # 图形界面识别程序（Tkinter）
├── best_efficientnet.pth # 训练得到的最优模型权重
└── README.md # 使用说明文档
```

---

## 🧠 模型训练

### 环境依赖（建议使用虚拟环境）

>- Python >= 3.9
>- torch >= 2.0.0
>- torchvision >= 0.15.0
>- pillow
>- tqdm

安装依赖：
```python
pip install -r requirements.txt
# 切换虚拟环境
cd herb_project
.venv\Scripts\activate

# 启动训练（默认 EfficientNet）
python train.py

训练完成后，将自动保存最优模型为：
best_efficientnet.pth
📷 图像识别界面使用

#运行图形界面程序：
python herb_ui.py
```

界面功能：
上传一张本地图像（支持 jpg/png）

自动识别所属中草药类别

中文名称显示 + 置信度输出

适配 163 类药材，覆盖主流常用种类

📦 程序打包为 exe（可选）
使用 PyInstaller：

```
pyinstaller --noconsole --onefile herb_ui.py ^
--add-data "data/label.txt;data" ^
--add-data "best_efficientnet.pth;."
```

生成的 .exe 文件位于：

```
dist/herb_ui.exe
```

🧪 示例展示
识别示例：

**输入图像：**

![image-20250613102602969](C:\Users\汪汪队碎冰冰\AppData\Roaming\Typora\typora-user-images\image-20250613102602969.png)

**输出结果：**

<img src="C:\Users\汪汪队碎冰冰\AppData\Roaming\Typora\typora-user-images\image-20250613102551648.png" alt="image-20250613102551648" style="zoom: 50%;" />
识别结果：柴胡
置信度：92.72%

## 👥 项目成员（第X组）

姓名	主要工作
张三	模型训练、算法设计
李四	数据处理、增强方案
王五	图形界面编程
赵六	文档撰写与答辩材料

## 📄 致谢

本项目感谢课程指导教师的建议与同组同学的协作支持，PyTorch、Torchvision 等开源社区的技术支持。