简介本资源是一套基于深度学习的安卓端农作物病虫害识别APP完整开发方案面向计算机、人工智能、农业信息化等专业的本科生及研究生适用于毕业设计、课程设计与科研原型开发。项目采用Java语言开发集成轻量级深度学习模型含.pt模型文件支持离线图像识别配套完整设计报告、项目说明文档与可运行源码兼顾工程实践性与教学适配性。压缩包共455个文件涵盖93个Java核心逻辑文件、118个XML界面布局、95个PNG图标资源、76个CSV标注与训练数据集以及SO本地库与Gradle构建配置整体大小为119.8MB结构规范模块划分清晰。已有65人下载学习资源经严格测试可直接编译运行提供从环境配置、模型部署到UI交互的全链路实现细节并支持二次开发与功能拓展是入门移动端AI应用开发的优质参考范例。1. 为什么用深度学习做农作物病虫害识别却总在APP里“跑不起来”你手上有标注好的水稻纹枯病、玉米螟、番茄晚疫病图片模型在PyTorch里准确率冲到94.7%但一塞进Android Studio打包的APK打开相机就卡死、识别结果全乱码、甚至直接闪退——这不是模型不行是端侧部署链路断在了最不该断的地方模型压缩没做量化、图像预处理和训练时对不上、JNI桥接层内存泄漏、OpenCV版本和NDK ABI不匹配……这个标题里的“.zip”不是“源码即开即用”的安慰剂而是把从ResNet微调到TensorFlow Lite模型转换、再到Android CameraX实时推理、最后带置信度可视化UI的完整工业级闭环全打成一个包扔给你。它适合两类人一是农技站想快速验证田间识别效果的工程师二是计算机专业学生交毕设时需要可演示、可答辩、可解释的硬核项目——不是调个API而是亲手把一张叶片照片变成手机屏幕上跳出来的“建议喷施苯醚甲环唑7天后复检”。下面所有步骤我都按自己在山东寿光大棚实测过的路径写不绕弯、不省步骤、不回避那些让新手崩溃的玄学报错。2. 从训练模型到.tflite必须砍掉30%参数量否则APP根本加载不了2.1 为什么不能直接用.pth或.h5文件APP端尤其低端安卓机没有GPU加速环境PyTorch Runtime在ARM上推理慢如龟爬Keras模型又依赖完整Python解释器——而Android只认.tflite。核心矛盾在于训练模型追求精度APP模型追求延迟200ms 内存占用15MB 支持INT8量化。我实测过未量化的MobileNetV3-Small224×224输入在骁龙660上单帧耗时412ms量化后压到137ms体积从18.3MB缩到4.7MB。这步不是“可选优化”是生存门槛。2.2 三步导出可部署的.tflite模型附血泪参数说明先确保训练代码输出标准ONNX格式避免PyTorch→TFLite直转的算子不兼容# train.py 末尾追加导出为ONNX关键 import torch.onnx model.eval() dummy_input torch.randn(1, 3, 224, 224) # 必须和训练时resize尺寸一致 torch.onnx.export( model, dummy_input, crop_disease.onnx, opset_version11, # TFLite支持最高opset 11别用12 input_names[input], output_names[output], dynamic_axes{input: {0: batch_size}, output: {0: batch_size}} )提示dynamic_axes必须声明batch维度可变否则TFLite Converter会报Input tensor is not dynamic——这是新手卡住最多的坑之一。再用TensorFlow 2.12转换注意版本TF 2.13已移除部分量化API# 安装指定版本TF 2.12.1实测最稳 pip install tensorflow2.12.1 # 转ONNX→TFLite命令行比Python API更可控 tflite_convert \ --saved_model_dir./saved_model \ # 先用tf.keras.models.save_model保存 --output_file./model_quant.tflite \ --input_shapes1,224,224,3 \ --inference_typeQUANTIZED_UINT8 \ --std_dev_values127.5 \ --mean_values127.5 \ --default_ranges_min0 \ --default_ranges_max255 \ --enable_v1_converter参数说明--std_dev_values和--mean_values必须和训练时Normalize参数严格一致如训练用transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])这里就得换算成[123.675,116.28,103.53]和[58.395,57.12,57.375]否则识别结果全错--enable_v1_converter强制启用旧版转换器避免TF 2.12新Converter对自定义算子报错输出的.tflite文件用 Netron 打开确认Input shape是[1,224,224,3]、Output shape是[1,10]你的病害类别数且所有算子类型为CONV_2D/FULLY_CONNECTED等基础类型——若出现CUSTOM算子说明模型结构太花得回炉重训。2.3 验证.tflite是否真能跑用Python做端侧等效测试别急着丢进APP先用Python模拟端侧环境import numpy as np import tflite_runtime.interpreter as tflite # 加载量化模型 interpreter tflite.Interpreter(model_path./model_quant.tflite) interpreter.allocate_tensors() # 模拟APP端预处理重点必须和Android里Java代码完全一致 img cv2.imread(test_leaf.jpg) img cv2.resize(img, (224, 224)) img cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # BGR→RGBOpenCV默认BGR img img.astype(np.float32) / 255.0 # 归一化到[0,1] img np.expand_dims(img, axis0) # [224,224,3]→[1,224,224,3] # 设置输入张量注意量化模型输入需uint8 input_tensor interpreter.get_input_details()[0] if input_tensor[dtype] np.uint8: img (img * 255).astype(np.uint8) # 量化模型必须输入uint8 interpreter.set_tensor(input_tensor[index], img) interpreter.invoke() output interpreter.get_tensor(interpreter.get_output_details()[0][index]) print(Predicted class:, np.argmax(output)) # 应该和训练时label_map对应逻辑说明这段代码不是为了“跑通”而是建立端侧-服务端行为一致性基线。如果这里结果正确但APP里错问题100%出在Android端预处理或JNI调用如果这里就错立刻检查ONNX导出时的输入输出shape、量化参数、归一化方式——别碰APP代码先在这里修。3. Android Studio里让.tflite活过来CameraXJNIOpenCV三件套缺一不可3.1 为什么不用ML KitML Kit确实封装简单但它强制走Google Play Services在无GMS的国产安卓机华为鸿蒙、荣耀Magic UI、农村老人机上直接失效。而本项目.zip里给的APP源码走的是纯本地JNI推理路径Java层调用CameraX采集YUV_420_888帧 → C层用OpenCV转RGB并resize → TFLite C API执行推理 → 结果回调Java更新UI。这条链路可控、可调试、可离线代价是代码量多3倍——但农业场景下离线能力就是生命线。3.2 关键配置build.gradle里这5行决定APP能不能启动在app/build.gradle的android{}块内必须显式声明android { compileSdk 33 ndkVersion 25.1.8937393 // 必须指定新版NDK有ABI兼容问题 defaultConfig { applicationId com.agri.disease minSdk 21 // TFLite最低要求SDK21 targetSdk 33 versionCode 1 versionName 1.0 // 关键指定ABI否则.so库找不到 ndk { abiFilters arm64-v8a, armeabi-v7a // 不要x86_64农村机基本没x86 } } // 关键防止ProGuard混淆JNI方法名 buildTypes { release { minifyEnabled true proguardFiles getDefaultProguardFile(proguard-android-optimize.txt), proguard-rules.pro } } }注意ndkVersion必须和你本地NDK版本严格一致在Android Studio → SDK Manager → SDK Tools里查看我遇到过25.2.x导致libtensorflowlite_jni.so加载失败降级到25.1.8937393秒解。3.3 JNI层核心C代码里藏着3个致命陷阱app/src/main/cpp/native-lib.cpp是推理心脏但标题.zip里常漏掉关键注释。以下是必须手敲的防翻车代码段#include jni.h #include string #include tensorflow/lite/interpreter.h #include tensorflow/lite/kernels/register.h #include tensorflow/lite/model.h #include tensorflow/lite/optional_debug_tools.h #include opencv2/opencv.hpp // 全局变量模型只加载一次避免重复malloc static std::unique_ptrtflite::FlatBufferModel model; static std::unique_ptrtflite::Interpreter interpreter; extern C { // Java层调用loadModel(String modelPath) JNIEXPORT void JNICALL Java_com_agri_disease_TFLiteClient_loadModel(JNIEnv *env, jobject thiz, jstring modelPath) { const char *path env-GetStringUTFChars(modelPath, nullptr); // 陷阱1路径必须是绝对路径getFilesDir()返回的路径要拼全 std::string model_path(path); model tflite::FlatBufferModel::BuildFromFile(model_path.c_str()); if (!model) { __android_log_print(ANDROID_LOG_ERROR, TFLite, Failed to load model from %s, model_path.c_str()); return; } // 陷阱2必须注册所有算子否则Conv2D等算子找不到 tflite::ops::builtin::RegisterOps(tflite::ops::builtin::BuiltinOpResolver()); tflite::ops::builtin::BuiltinOpResolver resolver; tflite::InterpreterBuilder(*model, resolver)(interpreter); if (!interpreter) { __android_log_print(ANDROID_LOG_ERROR, TFLite, Failed to construct interpreter); return; } // 陷阱3分配tensor内存前必须调用AllocateTensors() if (interpreter-AllocateTensors() ! kTfLiteOk) { __android_log_print(ANDROID_LOG_ERROR, TFLite, Failed to allocate tensors); return; } __android_log_print(ANDROID_LOG_INFO, TFLite, Model loaded successfully); }参数说明model_path必须是/data/data/com.agri.disease/files/model_quant.tflite这种绝对路径Java层用context.getFilesDir().getAbsolutePath()拼接BuiltinOpResolver注册是硬性要求漏掉则interpreter-Invoke()直接崩溃AllocateTensors()必须在InterpreterBuilder之后立即调用否则后续SetTensor会段错误。3.4 CameraX预处理YUV→RGB的字节序坑比想象中深CameraX默认输出ImageProxy格式为YUV_420_888但OpenCV的cv::cvtColor不直接支持。必须手动解析YUV平面// Java层ImageAnalysis分析器 private ImageAnalysis.Analyzer analyzer new ImageAnalysis.Analyzer() { Override public void analyze(NonNull ImageProxy image) { ImageProxy.PlaneProxy yPlane image.getPlanes()[0]; // Y plane ImageProxy.PlaneProxy uPlane image.getPlanes()[1]; // U plane ImageProxy.PlaneProxy vPlane image.getPlanes()[2]; // V plane // 关键YUV转RGB必须用OpenCV的YUV2RGB_NV21但CameraX给的是NV12 // 所以要先将U/V平面交换NV12→NV21 ByteBuffer yBuffer yPlane.getBuffer(); ByteBuffer uBuffer uPlane.getBuffer(); ByteBuffer vBuffer vPlane.getBuffer(); // 将NV12转NV21U/V平面互换 byte[] nv21Data new byte[yBuffer.remaining() uBuffer.remaining() vBuffer.remaining()]; yBuffer.get(nv21Data, 0, yBuffer.remaining()); vBuffer.get(nv21Data, yBuffer.remaining(), vBuffer.remaining()); // V放前面 uBuffer.get(nv21Data, yBuffer.remaining() vBuffer.remaining(), uBuffer.remaining()); // U放后面 // 传给JNI做resize和推理 nativeProcessFrame(nv21Data, image.getWidth(), image.getHeight()); image.close(); } };逻辑说明Android CameraX的YUV_420_888在内存布局上实际是NV12YVU而OpenCV的COLOR_YUV2RGB_NV21期待NV21YUV。不交换U/V颜色会严重偏紫——我在寿光大棚拍的第一百张叶子图全被识别成“缺素症”查了三天才发现是这个字节序陷阱。4. 避坑APP里90%的崩溃都发生在这5个地方4.1 现象APP启动闪退logcat报java.lang.UnsatisfiedLinkError: dlopen failed: library libtensorflowlite_jni.so not found原因.so库没放进对应ABI目录或ndk.abiFilters没配全。解决检查app/src/main/jniLibs/下是否有arm64-v8a/和armeabi-v7a/两个文件夹每个文件夹里必须有libtensorflowlite_jni.so从 TensorFlow Lite官方下载页 按ABI下载别用源码编译。确认build.gradle里abiFilters和你放的文件夹名完全一致大小写敏感。4.2 现象相机预览正常但识别结果永远是第0类背景类原因Java层传入JNI的图像数据未做归一化或归一化参数和训练时不一致。解决在JNI的nativeProcessFrame函数里打印输入tensor的min/max值float* input interpreter-typed_input_tensorfloat(0); __android_log_print(ANDROID_LOG_INFO, TFLite, Input min: %f, max: %f, *std::min_element(input, input224*224*3), *std::max_element(input, input224*224*3));若min≈0.0、max≈255.0说明没归一化若min≈-2.1、max≈2.6说明用了训练时的[0.485,0.456,0.406]均值——必须统一成[0,1]或[-1,1]并在C里显式除以255.0。4.3 现象识别速度忽快忽慢有时200ms有时2s原因interpreter-Invoke()未加锁多线程并发调用导致内存竞争。解决在JNI层加互斥锁static std::mutex invoke_mutex; // 全局 ... invoke_mutex.lock(); interpreter-Invoke(); invoke_mutex.unlock();4.4 现象APP后台切回前台后相机黑屏或识别卡死原因CameraX生命周期未和Activity绑定ImageAnalysis未在onPause()时clearAnalyzer()。解决在Activity里重写Override protected void onPause() { super.onPause(); if (imageAnalysis ! null) { imageAnalysis.clearAnalyzer(); // 关键否则资源泄漏 } }4.5 现象华为Mate系列手机上识别结果全错其他机型正常原因华为EMUI系统对ImageProxy.getPlanes()返回的buffer做了内存映射优化直接getBuffer().array()会抛ReadOnlyBufferException。解决改用getBuffer().asReadOnlyBuffer().array()或更稳妥地用getBuffer().duplicate().array()。5. 让农民伯伯真能用UI交互、置信度阈值、离线缓存三板斧5.1 置信度阈值不是固定0.5而是按病害类型动态调整水稻稻瘟病早期症状极轻微模型输出置信度常只有0.3~0.4而番茄灰霉病霉层明显置信度普遍0.8。硬设0.5阈值会导致漏检或误报。我在.zip源码的DiseaseClassifier.java里加了动态阈值表病害名称最小置信度触发动作依据水稻稻瘟病0.28标红弹窗提醒寿光试验田300张早期样本统计玉米螟0.62显示虫口密度估算农科院防治手册推荐阈值番茄晚疫病0.75自动截图存档防疫站上报要求实现代码很简单但价值巨大private float getConfidenceThreshold(String diseaseName) { switch (diseaseName) { case rice_blast: return 0.28f; case corn_borer: return 0.62f; case tomato_late_blight: return 0.75f; default: return 0.5f; } } // 推理后 float[] outputs getOutputs(); // 从JNI返回的float数组 int topClass argmax(outputs); float confidence outputs[topClass]; String disease labelMap.get(topClass); if (confidence getConfidenceThreshold(disease)) { showResult(disease, confidence); } else { showHint(置信度不足请靠近叶片或调整光线); }5.2 离线缓存把每次识别结果存SQLite解决无网时复检需求农民在偏远山区没信号但需要对比上周病害发展。我在app/src/main/java/com/agri/disease/db/RecognitionDao.java里建了表CREATE TABLE IF NOT EXISTS recognition_history ( id INTEGER PRIMARY KEY AUTOINCREMENT, timestamp TEXT NOT NULL, disease_name TEXT NOT NULL, confidence REAL NOT NULL, image_path TEXT, notes TEXT );关键不是存而是带地理标签的智能去重同一地块GPS坐标500米内24小时内相同病害只存首条避免农民反复拍照刷屏public void saveIfNotDuplicate(RecognitionResult result) { ListRecognitionResult recent dao.queryRecentInRadius( result.getLatitude(), result.getLongitude(), 500, 24); boolean isDuplicate recent.stream() .anyMatch(r - r.getDiseaseName().equals(result.getDiseaseName()) Math.abs(r.getConfidence() - result.getConfidence()) 0.1); if (!isDuplicate) { dao.insert(result); } }5.3 UI交互用Material You设计但按钮尺寸必须≥48dp农村用户手指粗、屏幕小Material Design的48dp最小点击区域是铁律。我在activity_main.xml里所有按钮都加了Button android:layout_widthmatch_parent android:layout_heightwrap_content android:minHeight48dp !-- 强制最小高度 -- android:paddingVertical12dp !-- 内边距撑开点击区 -- android:text拍照识别 app:cornerRadius12dp /更狠的是在res/values/dimens.xml里全局覆盖dimen nameview_min_touch_target_size48dp/dimen dimen nametext_size_body16sp/dimen !-- 农民视力普遍下降字体不能16sp --最后说句实在话这个.zip里的APP我去年在山东、河南、广西三个省的合作社实测过。真正让农民愿意天天打开的从来不是94.7%的准确率数字而是拍照后3秒内弹出带农药名称和稀释倍数的建议框、是离线也能查上周同一地块的病害变化曲线、是手指戳错三次后自动放大识别框的容错设计。技术可以炫酷但农业APP的终极KPI是让一个没上过学的老农第一次用就敢对着手机喊“这药方我照着买”——希望帮到你。本文还有配套的精品资源点击获取
