【项目】基于Django和深度学习的分类检测系统（实现的是花分类，可以上传图片或者摄像头调用）_基于djingo的检测系统

一、引言

因为博主本科是软件工程专业，主要搞的是B/S端的开发。研究生转人工智能方向，所以想着把两者结合一下，搞一个小型的分类系统，目前也算是搭了一个框架出来，后续有别的检测分割的任务也可以写进该django框架。
实现效果如下：

图1、上传需要检测的图像，点击Recognize识别，上方弹出检测结果，显示预测结果，置信度，花的简介

---

图2、开启电脑摄像头进行检测，点击右侧的Recognize，即可调用摄像头，每隔2秒进行一次检测

---

图3、登录界面

二、Django部分

1. 创建Django项目

新建一个文件夹，cmd进入该目录，输入以下命令

django-admin startproject flower_reco
1

2. 创建APP

在项目根目录中输入命令

python manage.py startapp login
1

上述命令是创建一个名为login的的App，博主认为App可以理解为项目中的模块，需要后端实现什么功能就可以添加一个对应的模块，博主这里创建了login、recognition，分别实现登录和识别的功能。
注：下方为开启服务指令

python manage.py runserver
1

3. 编写路由

路由是后端接收请求的url，在Django服务器中，根据请求的url，做对应的后端逻辑处理。路由都写在urls文件里，它将浏览器输入的url映射到相应的业务处理逻辑也就是视图（views.py）。简单的urls编写方法如下图：

为了让urls更清晰明确，django的处理方式如上，在各个App中编写自己的url，然后再主App也就是入口文件中使用include把子App中的url包含进来

4. 编写login请求的视图函数

路由转发用户请求到视图函数。视图函数处理用户请求，也就是编写业务处理逻辑，一般都在views.py文件里。
下面是相应登录请求的views：

from django.shortcuts import render
import os
from django.shortcuts import render
from django.conf import settings
import torch
from torchvision import transforms
from PIL import Image
def login(request):
    if request.method == 'POST':
        username = request.POST['username']
        password = request.POST['password']

        # 检查用户名和密码是否匹配
        if username == 'admin' and password == 'password':
            return render(request, 'success.html', {'username': username})
        else:
            return render(request, 'login.html', {'error': 'Invalid credentials'})

    return render(request, 'login.html')

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

由于这里做的处理很简单，博主就不过多赘述了。

4.2 路由（urls）和视图（views）的对应关系

细心的读者可能会发现，urls中的path其实就是指向上述login文件的，明白了django中的这种一一对应的关系，编写起来就会很有条理。

5. 编写处理花分类请求的视图函数

处理花分类请求的视图函数步骤大致如下：

1. 获取前端传过来的图片文件
2. 将文件保存到本地临时文件
3. 调用花分类模型进行推断
4. 得到模型返回的数据
5. 删除临时文件

实现代码如下：

from django.shortcuts import render
from models import predictImage
from django.http import JsonResponse
import tempfile
import os
def image_recognition(request):
    if request.method == 'POST':
        # 获取上传的图片文件
        image_file = request.FILES.get('image')
        # 将文件保存到本地临时文件
        with tempfile.NamedTemporaryFile(delete=False) as temp_file:
            temp_file.write(image_file.read())
            temp_file_path = temp_file.name

        # 处理图像文件
        # 使用你的模型进行推断
        prediction, confidence = predictImage.pred(temp_file_path)  # 调用模型预测函数
        # 删除临时文件
        os.remove(temp_file_path)
        conf = confidence.split("(")
        confidence = conf[1]
        conf = confidence.split(")")
        confidence = conf[0]

        return JsonResponse({'prediction': prediction, 'confidence': confidence,'introduction':introduction})

    return render(request, 'success.html')  # 返回前端界面
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

三、深度学习模型部分

深度学习模型需要提前找好网络，得到训练权重并全部保存到创建的django项目目录下，这是一个小坑，如果放在django项目外的话，启动项目后可能会找不到项目外的一些文件，导致预测无法进行。

模型选用经典的AlenNet，这部分就不过多赘述了，已经有很多开源资料可以使用，博主这里只是对处理结果进行了一些定制化的处理，返回的不是原来代码中所有的数据，而是返回置信度最大的花信息。处理方式如下：

    confMax = 0
    maxIndex = 0
    for i in range(len(predict)):
        if predict[i] > confMax:
            confMax = predict[i]
            maxIndex = i
    return str(class_indict[str(maxIndex)]),str(predict[maxIndex])
1
2
3
4
5
6
7

四、前端部分

由于笔者不是很擅长前端，所以踩了很多坑。

1. 上传图片部分

上传图片识别部分，首先是要拿到输入框中的文件，注意这里获取的并不是网页保存的一长串图像字符，而是封装好的文件，获取方式如下：

var fileInput = document.getElementById('image-upload');
var file = fileInput.files[0];
// 创建一个FormData对象，并将图像文件添加到其中
var formData = new FormData();
formData.append('image', file);
····························
中间代码省略一些
····························
xhr.send(formData);
1
2
3
4
5
6
7
8
9

2. 解决发送请求后页面跳转的问题

在使用令牌进行请求后端后，页面会发生跳转，解决这个问题的方法也很简单，在点击请求的处理第一行加入如下代码，阻止页面跳转。

event.preventDefault();
1

3. 视频识别获取某一帧的图像

代码如下：

      // 创建一个 Canvas 元素并设置其尺寸与视频帧相同
      const canvas = document.createElement('canvas');
      const context = canvas.getContext('2d');
      canvas.width = videoPreview.videoWidth;
      canvas.height = videoPreview.videoHeight;
      // 在 Canvas 上绘制视频帧
      context.drawImage(videoPreview, 0, 0, canvas.width, canvas.height);
      // 将 Canvas 的图像数据转换为文件对象
      canvas.toBlob(function(blob) {
          // 创建一个 File 对象，并将其添加到 FormData
          const file = new File([blob], 'video_frame.jpg', { type: 'image/jpeg' });
          const formData = new FormData();
          formData.append('image', file);
1
2
3
4
5
6
7
8
9
10
11
12
13

五、代码获取

q:1831255794（有偿）
1