项目介绍
本系统是一个面向眼底图像识别的 Web 应用，采用“前后端分离 + 深度学习推理”架构。前端使用 Vue3 与 Element Plus 构建交互界面，提供用户登录、图片上传、识别结果展示、历史记录查询与公告查看等功能；后端基于 Flask 搭建 RESTful API，结合 JWT 完成身份认证与接口权限控制。系统核心能力是对上传眼底图像进行四分类识别，输出预测类别、最高置信度及各类别概率分布，并将识别记录持久化数据库，便于后续追踪与统计。为满足工程可用性，系统还实现了图片格式与大小校验、静态文件访问、管理员公告管理等模块，形成了从数据输入、模型推理到结果管理的完整闭环，可用于教学演示、小规模筛查场景验证与后续功能扩展。
图片
图片选题背景与意义
眼部疾病具有起病隐匿、进展性强等特点，若不能及时发现并干预，可能导致不可逆视力损害。传统筛查方式依赖临床医生经验，面对基层医疗资源不足与高频筛查需求时，存在效率与覆盖面的现实压力。随着医学影像数字化与深度学习技术的发展，利用计算机视觉对眼底图像进行自动分析，已经成为提升早筛能力的重要方向。本课题围绕白内障、糖尿病性视网膜病变、青光眼与正常状态构建识别系统。
演示视频
关键技术栈：ResNet50
ResNet50 是一种经典深度残差网络，通过“残差连接”缓解深层网络训练中的梯度消失与退化问题，在图像分类任务中具有稳定且成熟的表现。与浅层卷积网络相比，ResNet50 能够在更深层次提取纹理、边缘与病灶相关语义特征，较适合眼底图像中细粒度差异的建模。在本系统中，模型以 TensorFlow 推理方式部署，后端在服务启动后按需加载 resnet50_model.h5，避免重复加载带来的性能开销；输入图像统一执行解码、缩放至 224×224、归一化等预处理，再由模型输出四类别概率。
技术架构图（Mermaid）
图片系统功能模块图（Mermaid Mindmap）
图片代码获取
由于项目研发投入，故本项目付费提供（完整代码、包远程安装调试运行）
如需要或类似项目定制（Web管理系统网站、APP、图像识别、深度学习）等均可扫下方二维码联系。
