一、介紹

衞星影像識別系統，基於TensorFlow搭建卷積神經網絡算法，通過對7種常見的衞星遙感影像圖片數據集（'草地（Grass）', '農田（Field）', '工業區（Industry）', '河流湖泊（RiverLake）', '森林（Forest）', '居民區（Resident）', '停車場（Parking）'）進行訓練，最後得到一個識別精度較高的模型，然後搭建Web可視化操作平台。

前端: Vue3、Element Plus

後端：Django

算法：TensorFlow、卷積神經網絡算法

具體功能：

1. 系統分為管理員和用户兩個角色，登錄後根據角色顯示其可訪問的頁面模塊。
2. 登錄系統後可發佈、查看、編輯文章，創建文章功能中集成了markdown編輯器，可對文章進行編輯。
3. 在圖像識別功能中，用户上傳圖片後，點擊識別，可輸出其識別結果和置信度
4. 基於Echart以柱狀圖形式輸出所有種類對應的置信度分佈圖。
5. 在智能問答功能模塊中：用户輸入問題，後台通過對接Deepseek接口實現智能問答功能。
6. 管理員可在用户管理模塊中，對用户賬户進行管理和編輯。

選題背景與意義：
隨着遙感技術的快速發展，衞星影像數據呈現爆發式增長，如何高效、精準地識別與利用這些數據，已成為資源監測、環境評估和城鄉規劃等領域的重要課題。傳統人工判讀方式效率低、主觀性強，難以滿足大規模應用需求。為此，本項目基於TensorFlow構建卷積神經網絡模型，針對草地、農田、工業區、河流湖泊、森林、居民區及停車場等七類典型地物進行識別訓練，旨在開發一個具備較高識別精度的自動化分類系統。為進一步提升系統的實用性與交互體驗，項目結合Django與Vue3等主流技術，搭建了集用户管理、圖像識別、結果可視化及智能問答於一體的Web操作平台。該系統不僅實現了地物類型的智能識別與置信度分析，還通過集成Markdown編輯與DeepSeek問答接口，拓展了知識管理與交互支持功能，為遙感數據的智能化應用提供了便捷、高效的解決方案。

二、系統效果圖片展示

三、演示視頻 and 完整代碼 and 安裝

地址：https://ziwupy.cn/p/6eby8p

四、卷積神經網絡算法介紹

ResNet50是由微軟研究院提出的深度殘差網絡（Residual Network）的一個經典模型，其核心創新是“殘差學習”思想。在傳統的深度卷積神經網絡中，簡單地堆疊層數會遇到“梯度消失/爆炸”問題，導致網絡難以訓練，性能甚至下降，這被稱為“退化問題”。

ResNet通過引入“快捷連接”或“跳躍連接”巧妙地解決了這一問題。它不再讓多個堆疊的層直接學習一個目標映射H(x)，而是讓這些層學習其與輸入x之間的殘差F(x) = H(x) - x。這樣，原始的目標映射就變成了 H(x) = F(x) + x。

這種“捷徑”將輸入x直接傳遞到更深層的輸出，實現了恆等映射。這樣做有兩個主要好處：

1. 緩解梯度消失：梯度可以直接通過快捷連接反向傳播，使得深層網絡的訓練變得可行。
2. 簡化學習目標：讓網絡學習殘差F(x)通常比學習完整的映射H(x)更容易，尤其是在F(x)趨近於0時，該層就近似做了恆等變換，避免了性能退化。

ResNet50因其包含50個權重層而得名，它通過大量使用這種帶有快捷連接的“瓶頸結構”模塊，在保持高性能的同時，顯著減少了參數量，成為圖像識別領域一個里程碑式的模型。

以下是一個使用TensorFlow Keras中預訓練的ResNet50模型進行圖像識別的簡單示例。

import tensorflow as tf
from tensorflow.keras.applications.resnet50 import ResNet50, decode_predictions, preprocess_input
import numpy as np
from PIL import Image

# 1. 加載預訓練的ResNet50模型（包含在ImageNet上訓練得到的權重）
model = ResNet50(weights='imagenet')

# 2. 加載並預處理圖像
img_path = 'your_image.jpg' # 替換為你的圖片路徑
image = Image.open(img_path).convert('RGB') # 確保為RGB格式
image = image.resize((224, 224)) # ResNet50要求輸入尺寸為224x224

# 將圖像轉換為數組並擴展維度以匹配模型輸入要求 (batch_size, height, width, channels)
image_array = np.array(image)
image_array = np.expand_dims(image_array, axis=0)

# 對圖像進行與訓練時相同的預處理
image_array = preprocess_input(image_array)

# 3. 使用模型進行預測
predictions = model.predict(image_array)

# 4. 解碼預測結果，得到人類可讀的標籤和置信度
decoded_predictions = decode_predictions(predictions, top=3)[0] # 顯示最可能的3個結果

# 5. 打印結果
print("識別結果：")
for i, (imagenet_id, label, score) in enumerate(decoded_predictions):
    print(f"{i+1}: {label} ({score * 100:.2f}%)")

這段代碼演示了利用預訓練ResNet50模型進行圖像識別的標準流程。首先，我們直接加載了在ImageNet數據集上預訓練好的模型，無需從頭訓練。然後，將輸入圖像調整為224x224像素，並進行歸一化等預處理。接着，模型對圖像進行前向傳播推理，輸出一個包含1000個ImageNet類別概率的向量。最後，通過decode_predictions函數將概率向量解碼為易於理解的對象標籤和置信度，並打印出最可能的三個預測結果。這種方法讓我們能夠快速、高效地將強大的ResNet50模型應用於實際的圖像識別任務中。