CNN模型集成Flutter水稻叶病害检测APP：API与TFLite方案对比

1. 哪种方案更适合毕业设计项目？ #

两个方案各有侧重，适配不同的毕设展示方向：

• 方案1（REST API部署）：适合想展示全栈开发能力的场景。你可以完整呈现从CNN模型训练、后端API搭建（Flask/FastAPI）到Flutter前端交互的全流程，答辩时能体现跨端协作、前后端联动的知识储备。该方案开发周期相对短，无需处理模型轻量化和转换的复杂问题，更容易快速跑通完整流程。
• 方案2（TFLite本地推理）：适合聚焦移动端部署优化的方向。能体现你对模型轻量化、离线推理的理解，贴合农业场景中无网络环境的实际需求。但需要额外处理模型转换、精度损失、移动端性能优化等问题，开发难度稍高，但完成后项目的实用性更强。

如果是首次接触移动端模型部署，优先选方案1；如果想突出移动端技术能力或做更贴近实际应用的项目，选方案2。

2. 若采用API方案，Flutter向Flask/FastAPI发送图片的推荐方式 #

推荐使用multipart/form-data格式传输二进制图片数据，以下是具体实现示例：

Flutter端代码（使用http包） #

import 'package:http/http.dart' as http;
import 'package:http_parser/http_parser.dart';
import 'dart:io';

Future<Map<String, dynamic>> sendImageForPrediction(String imagePath) async {
  final request = http.MultipartRequest(
    'POST',
    Uri.parse('http://your-server-ip:port/predict'),
  );
  
  // 添加图片文件，参数名需与后端接收字段一致
  request.files.add(
    await http.MultipartFile.fromPath(
      'image',
      imagePath,
      contentType: MediaType('image', 'jpeg'), // 根据图片格式调整为png/webp等
    ),
  );
  
  final response = await request.send();
  if (response.statusCode == 200) {
    final responseBody = await response.stream.bytesToString();
    return {'success': true, 'data': responseBody};
  } else {
    return {'success': false, 'error': '请求失败，状态码：${response.statusCode}'};
  }
}

FastAPI后端代码 #

from fastapi import FastAPI, File, UploadFile
from tensorflow.keras.models import load_model
import numpy as np
from PIL import Image

app = FastAPI()
# 加载训练好的CNN模型
model = load_model('rice_disease_cnn.h5')
# 自定义病害类别标签
disease_labels = ['健康', '稻瘟病', '白叶枯病', '纹枯病']

@app.post('/predict')
async def predict_rice_disease(image: UploadFile = File(...)):
    # 预处理需与训练时逻辑完全一致
    img = Image.open(image.file).convert('RGB').resize((224, 224))
    img_array = np.array(img) / 255.0
    img_array = np.expand_dims(img_array, axis=0)
    
    # 模型推理
    predictions = model.predict(img_array)[0]
    predicted_class = np.argmax(predictions)
    confidence = float(predictions[predicted_class])
    
    return {
        'disease': disease_labels[predicted_class],
        'confidence': round(confidence, 4),
        'all_predictions': {label: float(round(p, 4)) for label, p in zip(disease_labels, predictions)}
    }

Flask后端代码（备选） #

from flask import Flask, request, jsonify
from tensorflow.keras.models import load_model
import numpy as np
from PIL import Image
import io

app = Flask(__name__)
model = load_model('rice_disease_cnn.h5')
disease_labels = ['健康', '稻瘟病', '白叶枯病', '纹枯病']

@app.route('/predict', methods=['POST'])
def predict():
    if 'image' not in request.files:
        return jsonify({'error': '未上传图片'}), 400
    
    image_file = request.files['image']
    img = Image.open(image_file.stream).convert('RGB').resize((224, 224))
    img_array = np.array(img) / 255.0
    img_array = np.expand_dims(img_array, axis=0)
    
    predictions = model.predict(img_array)[0]
    predicted_class = np.argmax(predictions)
    
    return jsonify({
        'disease': disease_labels[predicted_class],
        'confidence': float(round(predictions[predicted_class], 4))
    })

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

3. 若采用TFLite方案，如何处理模型转换后的精度损失问题 #

精度损失主要来自量化操作，可通过以下方式缓解或解决：

• 选择合适的量化策略：

  • 优先用浮点16量化：转换时设置converter.optimizations = [tf.lite.Optimize.DEFAULT]并指定converter.target_spec.supported_types = [tf.float16]，这种方式精度损失极小，同时能减小模型体积、提升推理速度。
  • 整数量化需搭配代表性校准数据集：校准数据要覆盖所有病害类别、不同光照/角度的样本，避免因校准数据偏差导致精度下降。

• 对齐预处理与后处理逻辑：
  确保TFLite模型的输入预处理（图片尺寸、归一化方式、通道顺序）与原Keras模型完全一致，比如原模型用/255.0归一化，TFLite推理时不能改成其他方式；后处理的Softmax或类别映射也要和原模型匹配。

• 使用轻量化模型架构训练：
  直接用MobileNet、EfficientNet-Lite、ResNet50-Lite等专为移动端设计的架构训练模型，这类模型参数少、结构优化，转换为TFLite后的精度损失远小于普通CNN模型。

• 模型微调修复精度：
  若转换后精度下降明显，可将TFLite模型转换回可训练格式，用少量标注数据集进行微调，重点优化量化过程中受损严重的层。

• 量化前后精度对比：
  用测试集分别评估原Keras模型和TFLite模型的精度，定位损失来源（比如某类病害识别精度下降明显），针对性调整校准数据集或模型训练策略。

内容的提问来源于stack exchange，提问作者Irfan FH