简介这是一套面向计算机专业本科生的高分毕业设计实战项目聚焦于AI驱动的个性化饮食推荐场景融合CNN图像识别与知识图谱技术解决食材识别→营养分析→健康适配→菜品推荐的完整闭环问题也适用于课程设计、期末大作业及PythonAI方向的学习者。资源包共156个文件含64个PNG/JPG等图像数据来自Kaggle、37个Python源码含TensorFlow模型训练与PyQt5界面逻辑、10个SQLite/Neo4j数据库文件如health_data.db、neostore.*系列图谱存储、6个文本说明与配置文件整体95.42MB结构清晰、模块解耦便于理解系统分层架构。已有133人学习下载项目经导师指导并获98分高分评价所有代码均本地编译通过、严格调试可直接运行。读者将获得可落地的端到端工程实践从摄像头实时食材识别、Neo4j构建饮食知识图谱、身体健康状态统计到基于多条件的智能菜品推荐全流程源码与数据支撑。1. 这不是又一个“识别推荐”Demo它用CNN抠出食材像素级特征再靠Neo4j知识图谱把“西兰花→维生素C→缺铁性贫血→推荐猪肝炒西兰花”链路跑通你见过的毕业设计里90%的“图像识别推荐系统”止步于调用cv2.CascadeClassifier识别人脸或用预训练ResNet分类10类水果——但这个项目真正把视觉识别和知识推理拧成一股绳。它不靠规则引擎硬编码营养逻辑而是用TensorFlow从Kaggle食材数据集含300类、每类500张带标注图片训练出一个轻量CNN模型能区分“生西兰花”和“焯水西兰花”这种细微差异更关键的是它把每种食材的宏量/微量营养素、禁忌人群、烹饪建议、疾病关联关系全部建模为Neo4j图谱节点与关系比如(西兰花:Food)-[:CONTAINS]-(维生素C:Nutrient)、(缺铁性贫血:Disease)-[:CONTRAINDICATED_WITH]-(浓茶:Food)。前端用PyQt5实现摄像头实时捕获→CNN推理→图谱路径查询→生成个性化菜谱的闭环。评审98分不是因为界面炫而是它在health_data.db里存了模拟用户体检指标血红蛋白、尿酸、BMI让推荐结果能动态响应“你刚查出血尿酸偏高”这种真实场景。适合计算机专业做毕设的学生——代码全本地可运行模块边界清晰CNN训练脚本、Neo4j导入脚本、PyQt5主窗口逻辑全部解耦改数据集、换图谱关系、调UI布局都不用动核心逻辑。2. CNN视觉识别模块从Kaggle数据清洗到TensorFlow模型训练的完整链路2.1 数据准备与增强策略为什么必须重采样归一化而不是直接扔进ImageDataGeneratorKaggle原始食材数据集存在严重类别不平衡常见食材苹果、鸡蛋样本超2000张冷门食材藜麦、羽衣甘蓝仅百张左右。直接训练会导致模型对长尾类别完全失效。项目采用两级处理第一级重采样对少于300张的类别用imgaug库执行几何变换旋转±15°、水平翻转、缩放0.8~1.2倍色彩扰动HSV空间饱和度±20%、亮度±15%将每类扩充至350±20张第二级归一化所有图像统一resize为224×224像素值除以255.0后减去ImageNet均值[0.485, 0.456, 0.406]标准差归一化[0.229, 0.224, 0.225]。这步不能省略——项目实测若只做除255验证集准确率下降7.3%因不同光照下食材色差被放大。# data_preprocess.py 关键代码段 import imgaug.augmenters as iaa from tensorflow.keras.preprocessing.image import ImageDataGenerator # 定义增强器仅用于训练集 aug iaa.Sequential([ iaa.Rotate((-15, 15)), iaa.Fliplr(0.5), iaa.Affine(scale(0.8, 1.2)), iaa.ColorJitter(hue(-0.1, 0.1), saturation(-0.2, 0.2), brightness(-0.15, 0.15)) ]) # 构建训练生成器注意归一化参数必须与预训练模型一致 train_gen ImageDataGenerator( preprocessing_functionlambda x: (x / 255.0 - [0.485, 0.456, 0.406]) / [0.229, 0.224, 0.225], rotation_range15, width_shift_range0.1, height_shift_range0.1, horizontal_flipTrue, zoom_range0.2, fill_modenearest )提示preprocessing_function参数必须显式指定不能依赖rescale1./255否则无法兼容后续迁移学习的归一化要求。fill_modenearest是关键——食材边缘常有砧板背景用reflect会导致伪影干扰CNN特征提取。2.2 模型架构设计为什么放弃ResNet50而用自定义CNN注意力机制项目未直接套用ResNet50原因有三部署约束PyQt5前端需在学生笔记本i5-8250U GTX1050上实时推理ResNet50单帧耗时320ms无法满足摄像头30fps需求食材特性食材识别依赖局部纹理西兰花花蕾、香菇菌褶全局感受野过大反而削弱细节知识图谱对齐后续需提取中间层特征向量输入图谱嵌入模块ResNet50最后全连接层维度固定2048而自定义网络可灵活输出128维稠密向量与Neo4j中Food节点的embedding属性维度匹配。最终采用轻量CNN结构输入224×224×3卷积块Conv2D(32,3×3)→BN→ReLU→MaxPool2D(2×2) ×3层通道数依次32→64→128注意力模块SE BlockSqueeze-and-Excitation压缩通道维度后加权提升对营养相关区域如蛋黄颜色、牛肉纹理的敏感度分类头GlobalAveragePooling2D→Dense(128, activationrelu)→Dropout(0.3)→Dense(num_classes, activationsoftmax)# model_cnn.py 核心定义 from tensorflow.keras.layers import * from tensorflow.keras.models import Model def se_block(x, ratio16): channels x.shape[-1] se GlobalAveragePooling2D()(x) se Dense(channels // ratio, activationrelu)(se) se Dense(channels, activationsigmoid)(se) return Multiply()([x, se]) def build_cnn_model(input_shape, num_classes): inputs Input(shapeinput_shape) # 第一卷积块 x Conv2D(32, (3,3), paddingsame)(inputs) x BatchNormalization()(x) x Activation(relu)(x) x MaxPooling2D((2,2))(x) x se_block(x) # 插入SE注意力 # 后续卷积块省略重复代码实际含3个卷积块 x Conv2D(64, (3,3), paddingsame)(x) x BatchNormalization()(x) x Activation(relu)(x) x MaxPooling2D((2,2))(x) x Conv2D(128, (3,3), paddingsame)(x) x BatchNormalization()(x) x Activation(relu)(x) x MaxPooling2D((2,2))(x) # 分类头 x GlobalAveragePooling2D()(x) x Dense(128, activationrelu)(x) x Dropout(0.3)(x) outputs Dense(num_classes, activationsoftmax)(x) return Model(inputs, outputs) model build_cnn_model((224,224,3), 321) # Kaggle食材数据集共321类 model.compile(optimizeradam, losscategorical_crossentropy, metrics[accuracy])注意GlobalAveragePooling2D替代FlattenDense减少参数量42%且对空间位置变化鲁棒性更强——食材在画面中偏左/偏右不影响识别。Dropout(0.3)设在128维特征层后实测比放在全连接层前更能抑制过拟合。2.3 训练调参与验证如何用早停学习率衰减避免在验证集上过拟合训练过程严格监控val_loss而非val_accuracy因类别不平衡导致准确率虚高模型倾向预测高频类别。关键参数batch_size32显存占用3GB适配GTX1050epochs50但启用EarlyStopping(patience7, restore_best_weightsTrue)学习率初始设1e-3当val_loss连续3轮不降时用ReduceLROnPlateau(factor0.5, patience3)衰减使用class_weight平衡损失对样本数300的类别权重总样本数/(类别样本数×类别数)避免模型忽略冷门食材。# train.py 执行逻辑 from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau # 计算类别权重基于训练集统计 class_weights compute_class_weight( class_weightbalanced, classesnp.unique(train_labels), ytrain_labels ) class_weight_dict dict(enumerate(class_weights)) # 回调函数 callbacks [ EarlyStopping(patience7, restore_best_weightsTrue, verbose1), ReduceLROnPlateau(factor0.5, patience3, verbose1), ModelCheckpoint(best_cnn.h5, save_best_onlyTrue) ] history model.fit( train_generator, epochs50, validation_dataval_generator, class_weightclass_weight_dict, callbackscallbacks, verbose1 )提示compute_class_weight返回的权重需转为字典格式传入fit()否则TensorFlow会报错。ModelCheckpoint保存最佳模型而非最后一轮避免早停导致的权重劣化。3. Neo4j知识图谱构建从CSV关系表到Cypher批量导入的工程化实践3.1 图谱Schema设计为什么用:Food、:Nutrient、:Disease三类节点而非扁平化存储项目知识图谱包含5类核心实体Food食材、Nutrient营养素、Disease疾病、CookingMethod烹饪方式、UserHealth用户健康指标。关系类型达12种例如(f:Food)-[:CONTAINS {amount: mg/100g}]-(n:Nutrient)(d:Disease)-[:RECOMMENDED_FOOD]-(f:Food)(f:Food)-[:CONTRAINDICATED_WITH {severity: high}]-(d:Disease)(f:Food)-[:COOKED_BY]-(c:CookingMethod)这种设计优势在于可扩展性新增营养素如“槲皮素”只需创建(:Nutrient {name:槲皮素})节点无需改表结构路径查询效率推荐算法需执行多跳查询如MATCH (u:UserHealth)-[:HAS]-(d:Disease), (d)-[:RECOMMENDED_FOOD]-(f:Food) WHERE u.uric_acid 420 RETURN f.name图数据库原生支持语义明确性CONTAINS关系带amount属性CONTRAINDICATED_WITH带severity避免关系类型爆炸。3.2 CSV数据清洗与Neo4j导入如何用neo4j-admin import规避Web端超时限制项目提供food_nutrient.csv、disease_food.csv等6个CSV文件但直接在Neo4j Browser中用LOAD CSV导入30万关系会超时。正确做法是使用命令行工具neo4j-admin import需关闭Neo4j服务# 停止Neo4j服务 sudo systemctl stop neo4j # 执行批量导入假设CSV存于/data/import/ sudo neo4j-admin import \ --nodesFood/data/import/food_nodes.csv \ --nodesNutrient/data/import/nutrient_nodes.csv \ --relationshipsCONTAINS/data/import/food_nutrient_rels.csv \ --relationshipsRECOMMENDED_FOOD/data/import/disease_food_rels.csv \ --ignore-missing-nodestrue \ --ignore-duplicate-nodestrue # 重启服务 sudo systemctl start neo4j关键参数说明--ignore-missing-nodestrue当关系CSV引用不存在的节点ID时跳过避免因数据顺序问题失败--ignore-duplicate-nodestrue同一节点多次出现时只保留第一个解决CSV去重不彻底问题所有CSV必须含id:ID列如food_nodes.csv首列为id:ID(Food)关系CSV需含:START_ID和:END_ID列。提示food_nodes.csv示例格式id:ID(Food),name:string,category:string,calories:intf001,西兰花,蔬菜,34关系CSVfood_nutrient_rels.csv:START_ID(Food),:END_ID(Nutrient),amount:string,unit:stringf001,n045,89,mg/100g3.3 核心Cypher查询如何用变量路径长度实现“食材→营养→疾病→推荐菜品”的动态推理推荐功能的核心查询不是简单匹配而是根据用户健康数据动态计算路径权重。例如用户u血红蛋白偏低u.hb 120需找富含铁且促进吸收的食材组合// 查询逻辑找含铁食材 含维C食材促进铁吸收 烹饪方式不破坏维C MATCH (u:UserHealth {id: $user_id}) MATCH (f1:Food)-[:CONTAINS {nutrient: 铁}]-(n1:Nutrient) MATCH (f2:Food)-[:CONTAINS {nutrient: 维生素C}]-(n2:Nutrient) MATCH (f1)-[:COOKED_BY]-(c:CookingMethod) WHERE u.hb 120 AND c.name IN [清炒, 凉拌, 蒸] // 避免高温破坏维C WITH f1, f2, c, apoc.algo.dijkstra(f1, f2, COOKED_WITH|GOES_WITH, weight) AS path // APOC插件计算最短路径 RETURN f1.name AS recommended_food, f2.name AS complementary_food, c.name AS cooking_method LIMIT 5注意apoc.algo.dijkstra需提前安装APOC插件COOKED_WITH关系表示“某食材常与另一食材同烹”GOES_WITH表示“风味搭配”weight属性由历史菜谱频次计算得出。此查询将视觉识别出的f1如西兰花与图谱中f2如猪肝关联生成“猪肝炒西兰花”推荐。4. PyQt5前端集成摄像头实时识别与知识图谱查询的低延迟协同4.1 多线程架构为什么用QThread而非QTimer处理摄像头帧避免GUI冻结PyQt5主线程负责渲染UI若在QTimer.timeout槽函数中直接调用CNN推理耗时~120ms会导致界面卡顿、按钮无响应。项目采用QThread子类封装推理任务# camera_thread.py from PyQt5.QtCore import QThread, pyqtSignal import cv2 import numpy as np from tensorflow.keras.models import load_model class CameraThread(QThread): frame_ready pyqtSignal(np.ndarray) # 发送原始帧 prediction_ready pyqtSignal(str, float) # 发送识别结果食材名置信度 def __init__(self, model_path): super().__init__() self.model load_model(model_path) self.cap cv2.VideoCapture(0) self.running True def run(self): while self.running: ret, frame self.cap.read() if not ret: continue # 发送原始帧供UI显示 self.frame_ready.emit(frame) # 异步推理缩小尺寸加速 small_frame cv2.resize(frame, (224, 224)) small_frame np.expand_dims(small_frame, axis0) pred self.model.predict(small_frame)[0] top_idx np.argmax(pred) confidence float(pred[top_idx]) food_name FOOD_CLASSES[top_idx] # 全局食材名称列表 self.prediction_ready.emit(food_name, confidence) def stop(self): self.running False self.cap.release()# main_window.py 中启动线程 self.camera_thread CameraThread(models/best_cnn.h5) self.camera_thread.frame_ready.connect(self.update_camera_view) # UI更新 self.camera_thread.prediction_ready.connect(self.show_prediction) # 显示识别结果 self.camera_thread.start()提示np.expand_dims()添加batch维度是必须的否则model.predict()报错。FOOD_CLASSES需与训练时的class_indices严格一致否则名称映射错误。4.2 知识图谱查询封装如何用Neo4j Python Driver实现异步查询不阻塞UI前端点击食材触发图谱查询如查西兰花的营养含量若用同步driver.session().run()会阻塞主线程。项目改用asyncioneo4j异步驱动# graph_query.py import asyncio from neo4j import AsyncGraphDatabase class Neo4jQuery: def __init__(self, uri, auth): self.driver AsyncGraphDatabase.driver(uri, authauth) async def get_nutrition(self, food_name): async with self.driver.session() as session: result await session.run( MATCH (f:Food {name: $name})-[:CONTAINS]-(n:Nutrient) RETURN n.name AS nutrient, r.amount AS amount, r.unit AS unit, namefood_name ) records await result.values() return records # 在PyQt5中调用需在async def内 async def on_food_click(self, food_name): nutrition await self.graph_query.get_nutrition(food_name) self.show_nutrition_table(nutrition) # 更新UI表格注意AsyncGraphDatabase.driver需安装neo4j5.0旧版不支持异步。await必须在async def函数中因此PyQt5槽函数需用asyncio.create_task()包装。4.3 健康数据联动如何用SQLite本地数据库存储用户体检指标并触发动态推荐health_data.db是SQLite3数据库含user_health表idhburic_acidbmiblood_pressure_sblood_pressure_d111552028.314292当用户点击“身体健康”页签时执行# health_tab.py import sqlite3 def load_user_health(self): conn sqlite3.connect(health_data.db) cursor conn.cursor() cursor.execute(SELECT * FROM user_health WHERE id 1) row cursor.fetchone() conn.close() # 根据指标设置推荐策略 if row[1] 120: # hb偏低 self.recommend_by_disease(缺铁性贫血) elif row[2] 420: # 尿酸偏高 self.recommend_by_disease(痛风) else: self.recommend_by_disease(健康人群) def recommend_by_disease(self, disease_name): # 调用Neo4j查询此处简化为伪代码 cypher fMATCH (d:Disease {{name: {disease_name}}})-[:RECOMMENDED_FOOD]-(f:Food) RETURN f.name LIMIT 5 # 执行查询并更新菜品列表提示SQLite读取极快5ms适合作为用户健康数据缓存。recommend_by_disease方法将疾病名称转为Cypher查询避免在前端硬编码逻辑便于后期扩展新疾病。5. 系统联调与性能优化解决Windows下OpenCV摄像头初始化失败及Neo4j内存溢出问题5.1 OpenCV摄像头兼容性修复为什么cv2.VideoCapture(0)在部分Win10设备返回None以及如何fallback某些品牌笔记本如联想小新、戴尔XPS的OpenCV默认后端MSMF无法访问内置摄像头cap.isOpened()返回False。项目增加自动fallback机制# camera_utils.py def get_working_camera(): backends [cv2.CAP_DSHOW, cv2.CAP_MSMF, cv2.CAP_V4L2] # Windows优先DSHOW for backend in backends: cap cv2.VideoCapture(0, backend) if cap.isOpened(): # 测试能否读帧 ret, _ cap.read() if ret: return cap cap.release() # 全部失败则抛异常 raise RuntimeError(No working camera backend found) # 在CameraThread.__init__中调用 self.cap get_working_camera()注意cv2.CAP_DSHOW在Windows上兼容性最好但需确保已安装DirectShow组件。若仍失败提示用户检查隐私设置中“允许应用访问相机”。5.2 Neo4j内存配置调优如何修改neo4j.conf避免加载30万关系时OOM默认Neo4j配置dbms.memory.heap.initial_size512m不足以加载本项目图谱约35万节点42万关系。需编辑conf/neo4j.conf# 内存配置根据机器调整 dbms.memory.heap.initial_size2g dbms.memory.heap.max_size4g dbms.memory.pagecache.size2g # 关系索引加速查询 dbms.indexes.schema_lookup_enabledtrue dbms.indexes.default_schema_providerfulltext # 必须启用的插件 dbms.security.procedures.unrestrictedapoc.*,algo.*提示pagecache.size设为物理内存的25%~50%过大会挤占系统内存。修改后需重启Neo4j首次加载图谱时耐心等待约3分钟后续启动极快。5.3 推荐结果可信度验证如何用交叉验证评估图谱推理质量而非仅看准确率项目提供eval_graph_reasoning.py脚本验证图谱推荐是否符合医学共识黄金标准从《中国食物成分表》抽取100组“疾病-推荐食材”对如“糖尿病-苦瓜”、“高血压-芹菜”图谱查询对每组执行MATCH (d:Disease {name:$disease})-[:RECOMMENDED_FOOD]-(f:Food) RETURN f.name评估指标召回率Recall 图谱返回食材中匹配黄金标准的数量 / 黄金标准总数精确率Precision 匹配黄金标准的数量 / 图谱返回食材总数F1-score 2×(Precision×Recall)/(PrecisionRecall)实测本项目图谱在100组测试中Recall86.2%Precision79.5%F182.7%。低于90%的缺口主要来自冷门疾病如“苯丙酮尿症”需人工补充关系。# eval_graph_reasoning.py 片段 import csv from neo4j import GraphDatabase def evaluate_reasoning(): driver GraphDatabase.driver(bolt://localhost:7687, auth(neo4j, password)) with open(gold_standard.csv) as f: reader csv.reader(f) gold_pairs list(reader) # [[糖尿病,苦瓜], ...] correct 0 total_retrieved 0 for disease, gold_food in gold_pairs: with driver.session() as session: result session.run( MATCH (d:Disease {name: $disease})-[:RECOMMENDED_FOOD]-(f:Food) RETURN f.name, diseasedisease ) retrieved [record[f.name] for record in result] total_retrieved len(retrieved) if gold_food in retrieved: correct 1 recall correct / len(gold_pairs) precision correct / total_retrieved if total_retrieved 0 else 0 f1 2 * (precision * recall) / (precision recall) if (precision recall) 0 else 0 print(fRecall: {recall:.3f}, Precision: {precision:.3f}, F1: {f1:.3f})注意gold_standard.csv需手动维护不能依赖自动化爬取确保医学准确性。评估脚本应定期运行尤其在新增图谱关系后。本文还有配套的精品资源点击获取