Views
No views yet
| 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" |
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pip install -r requirements.txtpython crawler.pypython train.pymodels/ 保存模型，在 static/results/ 生成训练曲线和混淆矩阵。python app.pypython feature_vis.py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]| 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 |