07 / 2026 / 持续迭代
茶叶病害视觉识别与边缘端部署
将茶叶病害 CNN 训练、评估、Tkinter 识别界面与 RA6M5/Linux Flask 部署串成一条演进链。
交互展示 LIVE MEDIA
网站可在框内操作，也可新窗口打开。
问题
如何把图像分类模型从实验训练推进到桌面验证、Web 服务和边缘设备部署，同时保留评估边界？
角色
个人开发与实验项目；负责 CNN 训练评估、桌面 GUI、Flask Web 服务及 Linux/RA6M5 部署链路。
方法
茶叶病害 CNN 分类 → 模型评估 → Tkinter GUI → Flask Web → Linux/RA6M5 边缘部署；支持图片分类、USB 摄像头流和可选农业知识问答。
结果
GitHub 记录 8 类分类、87 张评估图片、Top-1 准确率 79.31% 和 CPU 平均单图推理耗时 3.25 ms；这些是已有评估快照，不代表所有数据的重新评测。
Evolution Path
茶叶病害 CNN 训练 → 模型评估 → Tkinter GUI → Flask Web → Linux / RA6M5 Edge Device Deployment。
My Contribution
负责模型训练与评估、桌面识别界面、Flask Web 服务和边缘端部署实验。
Technical Scope
支持 8 类茶叶健康/病害图像分类、图片上传识别、USB 摄像头实时流与运行状态展示；问答功能为可选配置。
Evidence
GitHub 记录的评估快照为 87 张图片、Top-1 准确率 79.31%、CPU 平均单图推理耗时 3.25 ms。识别效果会随数据划分、权重、设备和拍摄条件变化，不将其表述为专业农业诊断。