上传一张叶片照片，AI 告诉你它得了什么病

前阵子回了趟老家，正赶上水稻抽穗，发现一件挺头疼的事。

村里谁家田里叶子出了斑点，第一反应不是找农技员——镇上的农技站本来就没几个人，下一趟田得排好几天。大家习惯找村里种了一辈子地的老农民给看看。

但老农民的经验有两个问题。一是不一定叫得准，稻瘟和纹枯早期症状像，同一个村几个老人看法能不一样；二是人不在跟前就没辙，年轻人在外打工，视频里说不清，照片发过去老人也看不清。

病虫害这东西，早一天识别和晚一天，产量差出去一大截。等农技员排到、等老人有空来看，可能就过了最佳防治期。

我就想，能不能搞个东西，手机拍张照，当场就知道是什么病、该打什么药，不用求人、不用等。

说干就干，用我最熟的 .NET 技术栈搭了一套。做完之后效果比预想的好，准确率能到 94.78%。这篇把整个过程拆给你看。

01 先把痛点想清楚

水稻病虫害的诊断，传统路子有两个绕不开的问题。

一是靠老农民经验。经验靠谱但不总能用上——老人不一定在跟前，不同人判断还可能打架。年轻人没那份积累，对着病叶干瞪眼。

二是靠书靠农技员。病虫害图谱翻起来费劲，症状描述又专业，对着照片对不上号；农技站人手少，排队下田等不起。

所以这个系统的目标很明确：拍照 → 识别 → 给防治建议，三步搞定，不需要任何专业背景。

02 技术栈怎么选

既然是毕业设计，我没选 Python+Flask 那条最常见的路，而是全栈用 .NET。理由很简单：一个语言贯穿前后端，调试起来省事。

核心技术栈是这样的：

  • 后端：ASP.NET Core 8 MVC + C# 12
  • 数据：Entity Framework Core 8 + SQLite（Code First）
  • AI 推理：ML.NET + ONNX（DenseNet121，6 类水稻病害）
  • 前端：Razor + Bootstrap 5 + ECharts
  • 认证：ASP.NET Core Identity（管理员 / 普通用户双角色）

这里面最有意思的是 ML.NET。很多人以为 .NET 搞 AI 只能调 Python 接口，其实 ML.NET 能直接加载 ONNX 模型在进程内推理，不用起 Python 服务，部署就一个进程。

03 模型从哪来

自己从零训练一个模型不现实，标注数据就是个大坑。我找了 HuggingFace 上一个开源的水稻病害预训练模型，架构是 DenseNet121，在 Rice_Leaf_AUG 数据集上微调过。

六类输出，刚好覆盖水稻最常见的叶片病害：

白叶枯病、褐斑病、健康、稻瘟病、叶枯病、纹枯病

下载下来是 PyTorch 的 .pth 权重，我用 timm 重建模型结构，再导出成 ONNX。整个过程在 CPU 上跑，没用到显卡。

导出的 ONNX 模型输入 224×224，输出 6 维 logits。验证集准确率 94.78%，做毕业设计够用了。

04 推理管道怎么跑

图片进来之后，MLPredictionService 干这么几件事：

  1. 加载图片：ML.NET 的 LoadImages 转换读取本地图片
  2. 预处理：Resize 到 224×224，ExtractPixels 提取像素并归一化
  3. 推理：ApplyOnnxModel 加载 ONNX 模型，输出 6 维 logits
  4. 后处理：Softmax 归一化，取置信度最高的类别
  5. 匹配知识库：根据类别名查 Pest 表，返回症状和防治方法

有个细节 worth 一提。模型文件可能不存在（比如部署时忘了放），我做了个降级策略：检测到模型加载失败，自动切到模拟预测模式，基于图片路径生成稳定结果。这样系统永远能跑，不会因为缺个模型文件就崩了。

05 功能长什么样

系统一共六大模块，我把核心的几个过一遍。

图像检测 拖拽或点击上传图片，几秒后返回病虫害名称、置信度，以及从知识库里匹配出来的防治建议。界面上还能看到各类别的概率分布。

病虫害知识库 内置了 9 种常见水稻病虫害的详细信息，包括症状、危害、防治方法。支持按类别筛选和关键词搜索。管理员可以新增和编辑。

数据统计 用 ECharts 画了近 30 天检测趋势折线图和病虫害分布饼图，一眼能看出最近哪种病高发。

权限管理 基于 Identity 做的双角色。普通用户能检测、看记录；管理员额外有用户管理、知识库维护、操作日志查看权限。

图像检测截图 病虫害知识库截图 数据统计截图 用户管理截图

06 踩过的坑

开发过程中踩了几个印象比较深的坑，写出来供参考。

ONNX 输出维度。一开始用的是 ImageNet 预训练的 MobileNetV2，输出 1000 维，得自己映射到水稻病害标签。后来换成专门训练的 DenseNet121，输出就是 6 维，直接对得上标签，省了好多事。

InMemory 数据库测试。单元测试用 EF Core 的 InMemory 提供程序，自增 ID 的行为跟真实数据库不一样，硬编码 ID 会挂。改成取实际返回记录的 ID 就好了。

前端静态资源。Bootstrap 和 jQuery 的 CDN 偶尔加载失败，换成了本地文件兜底，确保断网也能跑。

最后跑了一遍单元测试，26 个用例全过，核心服务层的逻辑基本覆盖到了。

07 写在最后

说实话，做这个项目最大的收获不是技术本身，而是把一个真实场景的问题，用自己熟悉的工具链从零到一地解决掉。

以前总觉得 AI 推理是 Python 的地盘，做完才发现 .NET 这边生态也挺成熟。ML.NET + ONNX 的组合，让一个普通的 ASP.NET Core Web 应用也能跑深度学习模型，而且部署特别干净。

当然，这个系统还有不少可以完善的地方。目前只覆盖了 6 类叶片病害，虫害（稻飞虱、二化螟这些）还没纳入；移动端适配也只是基础响应式，没有专门做小程序。但作为一个毕业设计的完整项目，该有的都有了。

📦 想拿到完整源码 + ONNX 模型 + 论文草稿？

私信我回复「水稻」，即可获取项目全部源码和运行说明。