企业官网建设流程全解析

每年到了毕业设计选题季，后台总有人来问我同一个问题：有没有那种不卷、能学到东西、答辩还好讲的深度学习方向？有，我今天就认真聊聊这个题目——基于Python的CNN卷积神经网络对海洋壳类生物识别。

这个题目的本质，其实就是一个标准的图像分类任务：输入一张包含海洋贝壳类、甲壳类动物的照片，让模型告诉你它是梭子蟹、扇贝、蛤蜊、海螺，还是海胆。但你别小看它，麻雀虽小五脏俱全，从数据采集、清洗、标注，到模型设计、训练调参、可视化分析，一个完整深度学习项目该有的环节它全占了。难度不高不低，正好卡在本科毕设最舒服的位置。

我推荐它的另一个原因是它不“烂大街”。猫狗识别、手写数字识别虽然经典，但答辩时老师听了几十遍，很难提起兴趣。海洋壳类生物识别自带一点领域特色，交叉了海洋生物、水产养殖和人工智能，光这个“跨学科”属性就能在选题汇报时多撑两分钟。适合的人群也很明确：有Python基础但还没正经跑过深度学习项目的；学海洋、水产、环境相关专业但又想蹭人工智能热度的；以及单纯想拿一个稳一点、不用通宵调参的题目顺利完成毕设的。

1. 为什么这个毕设选题能“稳中带亮”：选题价值与问题拆解

1.1 把题目拆成三个词，分别考什么

这个题目表面上是一个句子，实际上可以拆成三个关键词：Python、CNN、海洋壳类生物。

Python考的是工程实现能力。你能不能把数据加载、训练循环、模型保存、预测脚本写清楚，能不能用规范的代码组织一个项目，这本身就是毕设的基本盘。很多人以为毕设难在算法，其实最后被卡住的往往是最基础的工程问题，比如路径写错、中文编码乱码、数据集加载不了、训练到一半崩溃。Python基础越扎实，这个题目做起来越轻松。

CNN考的是对深度学习核心概念的理解。卷积、池化、全连接、BN层、损失函数、优化器、学习率、过拟合、迁移学习，这些概念做一遍项目之后基本就全通了。如果你能把这个题目的CNN部分讲清楚，深度学习入门的核心知识点也就覆盖得差不多了。这也是导师最看重的地方，他要的不是你背概念，而是你真正用这些概念解决了一个现实问题。

海洋壳类生物考的是领域背景和业务理解。这个题目天然带了一点“为什么要做”的理由：壳类生物种类繁多、形态相近，人工识别费时费力，需要自动化手段。哪怕你只是为了毕设，也要能说出应用场景。这个领域特色是猫狗识别没有的。

1.2 为什么是图像分类，而不是检测和分割

如果你是零基础起步，我强烈建议毕设选题优先考虑分类任务，而不是目标检测或语义分割。原因特别简单：标注成本差距巨大。

图像分类只需要给每张图打一个标签，也就是把图片按类别放进不同文件夹就够了；目标检测要用框把每个目标框出来；语义分割更麻烦，要对每个像素做标注。一个检测框几秒钟，一张分割图可能要几分钟。一套像样的壳类生物检测数据集标注下来，工作量翻好几倍。对3到4个月的毕设周期来说，纯分类任务刚合适，有余力再往检测方向扩展。

当然，也不能选太简单的题。纯手写数字识别、猫狗分类这种，数据集已经帮你整理好了，训练几个epoch就收工，创新性不足。海洋壳类生物识别的好处在于：公开成体系的数据集不好找，你需要自己采集和整理，这个“脏活累活”本身就是毕设工作量的一部分。“自己做数据”这一点，在答辩时反而是加分项。

1.3 背后的应用场景和延展价值

这个题目不是纸上谈兵，真实场景还挺多。

水产养殖方面，蟹苗和贝类分拣、扇贝分级、病蟹筛检，这些环节目前很多还靠人工肉眼挑，自动化识别有实际需求。海洋牧场与渔业资源调查方面，经常需要对海底采样照片里的生物进行种类和数量统计，靠人看照片费眼睛不说，效率也低。科普教育方面，游客在海边拍到一个螺，想知道是什么，拍照识别的需求一直存在。

更重要的是，这个题目的延展空间极大。做完分类之后，你可以顺手往细粒度识别、目标检测计数、多标签分类（比如同时判断种类和健康状况）方向发展，甚至做成一个小程序或离线工具。对考研复试或者刚工作的履历来说，“图像分类全流程经验”和“跨学科交叉项目经历”都是能拿出来讲的素材。

2. 别急着搭模型，先搞定图片数据：采集、清洗与增强

每次有人问我这类题目怎么做，我都会先说一句话：你先花一周时间把数据弄明白，再考虑模型。数据决定项目的上限，模型只是去逼近这个上限。

2.1 数据从哪来：公开数据加自行补充的组合拳

第一步，尽量去找公开的海洋生物图像数据。网上有不少机构整理过的海洋生物图库、生物多样性数据库，也有开发者为研究用途整理好的图像集。这些数据的优点是比较规范，分类名清晰，省去大量清洗时间。但要注意两点：一是确认授权范围，毕设和研究用途通常问题不大，但最好记录下来源，答辩时能说清楚；二是很多公开数据是自然场景拍摄，光线、角度、背景分布可能和你的应用场景不完全一致，效果不一定理想。

第二步，自行补充数据。最常见的办法是从图库网站、搜索引擎抓取图片，以及自己拍摄实物或去海鲜市场、海洋馆取材。搜索引擎抓图要注意版权，尽量选择明确标记为可自由使用的图片；自己去拍摄海水养殖样本，虽然拍摄条件有限，但图片真实性强，实际训练效果往往比网上乱抓的图好。

数据量给个参考值：初始阶段每个类别准备200到500张原始图片，经过清洗和增强之后，每个类别的训练图片数量能到1000张以上。类别建议控制在5类左右，比如梭子蟹、龙虾、扇贝、蛤蜊、海螺。类别太少体现不出模型的价值，类别太多会大幅增加标注和训练难度。

2.2 清洗与标注：文件夹就是标签，但一步也不能省

图像分类项目里最常见的偷懒方式，就是把下载好的图片直接扔进训练代码里跑。这样做的后果就是：模型可能学到的是图片水印、拍摄器材Logo、背景颜色，而不是壳类的纹理和形态。

清洗环节至少要做四件事。

第一，删除模糊、过曝、严重失真的图。这些图片即使人眼都看不清类别，强行喂给模型只会引入噪声。

第二，删除重复图。搜索引擎抓图经常抓回大量相同或相似的图片，如果不做去重（比如用MD5校验、感知哈希），训练集里会出现大量重复样本，导致验证时成绩虚高，换到新图上立刻现原形。

第三，删除卡通图、手绘插图、黑白老照片。这些非自然图像与真实照片分布差异太大，混在一起会让模型学得非常混乱。

第四，检查类别标签是否合理。壳类生物很多外观相似，如果你把不同品种混错了，模型再怎么调也学不懂。相近的物种如果区分难度太高，可以考虑合并成一个大类，降低初期难度。

标注规范上，建议直接用文件夹名作为标签，类别名用英文小写加下划线，比如crab_scylla、shell_scallop。用英文是为了避免中文路径在后续训练脚本中出现编码问题，这个坑我踩过不止一次。

2.3 数据增强：小数据集的“救命稻草”

数据量不足时，最有效的手段就是数据增强。它的核心思想很简单：在训练过程中不断对原始图片做微小的变换，变相给模型提供更多样化的训练样本，降低过拟合风险。

针对海洋壳类生物，建议做这几类增强：

• 随机水平翻转：壳类生物不像文字那样有方向性，翻转一下不影响识别。
• 随机小角度旋转（比如±15度）：壳类生物在自然场景中角度多样。
• 随机裁剪缩放（比如随机裁剪原图面积80%到100%再缩放到统一尺寸）：模拟不同距离的拍摄。
• 颜色抖动（调整亮度、对比度、饱和度）：模拟水下、室内、室外不同光照条件。

参考代码，使用PyTorch的Torchvision库：

from torchvision import transforms train_transform = transforms.Compose([ transforms.RandomResizedCrop(224, scale=(0.8, 1.0)), transforms.RandomHorizontalFlip(p=0.5), transforms.RandomRotation(15), transforms.ColorJitter(brightness=0.3, contrast=0.3, saturation=0.2), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) # 验证集和测试集不要用随机增强，只做缩放、转张量、归一化 test_transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ])

注意，增强手段不能乱用。比如RandomResizedCrop的scale设成0.2，等于把整只螃蟹裁成一截蟹腿，那模型没法学；随机旋转角度设成90度，壳类生物形态可能变异得很奇怪。增强的目的是增加合理的多样性，不是制造无意义的噪声。另外，增强只用于训练集，验证集和测试集必须保持原始分布，只做尺寸统一和归一化，否则评估结果会失真。

2.4 数据集划分：分层采样是个容易被忽视的细节

数据整理好之后，要把图片划分成训练集、验证集、测试集。常见比例是7:2:1或8:1:1，验证集用于训练过程中的调参和模型选择，测试集用于最终评估。

有一个细节容易被忽视：要按类别分层划分。比如梭子蟹有600张图，扇贝只有250张图，如果随机无脑切分，很可能出现扇贝全部掉进训练集、验证集没有扇贝的情况。所以划分时必须使用stratify参数，保证每个类别在三个子集中的比例大致一致。

参考代码：

import os from sklearn.model_selection import train_test_split all_paths = [] all_labels = [] # 从目录结构读取所有图片路径和对应标签 for class_name in os.listdir("dataset"): for img_name in os.listdir(f"dataset/{class_name}"): all_paths.append(f"dataset/{class_name}/{img_name}") all_labels.append(class_name) train_paths, temp_paths, train_labels, temp_labels = train_test_split( all_paths, all_labels, test_size=0.3, stratify=all_labels, random_state=42 ) val_paths, test_paths, val_labels, test_labels = train_test_split( temp_paths, temp_labels, test_size=0.333, # 0.3 * 0.333 = 约0.1 stratify=temp_labels, random_state=42 )

划分完之后，建议打印一下各子集里每个类别的样本数，确认没有类别缺失。还有一个原则必须遵守：同一张图片的增强版本不能同时出现在训练集和测试集里。换句话说，测试集里的图片必须是未经数据增强的原始图，否则成绩是假的。

3. CNN原理速成与模型选型：自建网络还是迁移学习

很多人在这一步就开始纠结：“我到底要不要自己搭一个卷积神经网络？”我的建议是：如果你时间充裕，自己搭一个小网络验证原理没问题；但最终效果想拿得出手，必须会用迁移学习。

3.1 卷积神经网络到底在干什么：用“筛子”来理解

CNN处理图像的核心逻辑可以简化成三个动作：卷积、池化、全连接。

卷积本质就是用一个个小“筛子”（卷积核）在图片上滑动，提取局部特征。有的筛子负责边缘，有的筛子负责纹理，有的筛子负责颜色变化。不同筛子组合在一起，就能描述一个物体的基本外观。池化相当于信息浓缩，把图片大区域的代表性信息保留下来，同时减少计算量。全连接就是把前面提取到的特征综合起来，做出最终分类判断。

和传统机器学习方法相比，CNN最大的优势在于“自动提特征”。传统做壳类生物识别，需要你手动设计颜色直方图、纹理特征、边缘描述算子，工作量大还容易漏掉关键特征。CNN直接用数据驱动的方式学出最有效的特征，省心还准。

还有一个细节值得在答辩时提到：卷积核的参数共享机制。同一个卷积核会在图片不同位置滑动，它提取的是同一种特征，所以CNN天然对目标的平移比较鲁棒。比如一只螃蟹在图片左边还是右边，只要特征存在，模型就能识别出来。

3.2 常见网络结构怎么选：一张表说清楚

毕设常用的CNN结构有这么几类，我直接给对比表：

本科毕设我见过太多一上来就怼VGG16的，结果训练速度慢到怀疑人生，调一次参要半小时。其实ResNet18是更优的选择：参数量不大，训练速度快，准确率高，而且带残差结构，不容易出现深层网络的退化问题。

为什么ResNet的残差结构重要？简单说，深层网络堆叠到一定程度后，单纯加层数不但不提升准确率，还容易导致梯度消失。ResNet通过添加“捷径连接”，让上一层输出直接跳转到更深的层，梯度可以顺畅地反向传播到网络浅层。这意味着你能把网络做深，同时训练更稳定。

3.3 迁移学习：用别人训练好的“眼睛”替你看图

迁移学习是毕设提分的最大杀器，没有之一。

原理是：在ImageNet等通用大规模图像数据集上预训练好的模型，已经学会了大量通用的视觉特征，比如边缘、纹理、形状、颜色分布。这些底层特征对于任何图像任务都有用。你要做的，就是把这双预训练好的“眼睛”拿来，替换掉它的分类头部，用自己的壳类数据微调。

实操起来非常简单。以PyTorch的Torchvision为例：

import torchvision.models as models import torch.nn as nn model = models.resnet18(weights=models.ResNet18_Weights.DEFAULT) # 原来ResNet18的最后一层是1000类全连接层，替换成5类 num_features = model.fc.in_features model.fc = nn.Linear(num_features, 5)

预训练权重能让你的模型起点非常高。训练集只有几百张图，从零开始训练的CNN可能准确率只有85%，换成预训练模型直接干到92%以上。因为模型不需要从零学习“什么是纹理、什么是边缘”，只需要用你的数据微调就好。

这里有一个实用技巧：初始训练时，可以考虑把模型前面的卷积层冻结，只训练后面几层和最终分类层。原因是前面几层的特征具有很强的通用性（边缘、纹理），不太需要为你的小数据集重新学习。等你确认训练过程稳定了，再解冻全部网络，用一个较小的学习率做联合微调，效果会更好。

PyTorch中冻结前面的层很简单：

for param in model.parameters(): param.requires_grad = False # 仅让最后两层和分类层可训练 for param in model.layer4.parameters(): param.requires_grad = True for param in model.fc.parameters(): param.requires_grad = True

3.4 参数计算实例：答辩时能拿分的那种

导师很喜欢问一个问题：“你的模型有多少参数？为什么这么设计？”这个问题其实不难，只要你会算卷积层的参数量就行。

卷积层参数量公式：卷积核个数×(卷积核宽度×卷积核高度×输入通道数) + 偏置数量。

输入尺寸计算公式：输出尺寸=(输入尺寸 - 卷积核大小 + 2×padding) / stride + 1。

给你一个最简单的自建网络示例，假设输入图片224×224×3，网络定义为：

class SimpleCNN(nn.Module): def __init__(self, num_classes=5): super().__init__() self.features = nn.Sequential( nn.Conv2d(3, 32, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(2), nn.Conv2d(32, 64, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(2) ) self.classifier = nn.Linear(64 * 56 * 56, num_classes) def forward(self, x): x = self.features(x) x = torch.flatten(x, 1) x = self.classifier(x) return x

计算过程如下：

第一个卷积层：输入3通道，输出32通道，卷积核3×3，参数量=(3×3×3+1)×32=896。

经过第一个卷积和池化，尺寸从224变成112，通道变成32。

第二个卷积层：输入32通道，输出64通道，卷积核3×3，参数量=(3×3×32+1)×64=18496。

再经过池化，尺寸从112变成56，通道变成64，此时特征图为56×56×64。

全连接层输入维度=56×56×64=200704，输出5，参数量=200704×5+5=1003525。

总参数量大约是102万个。这个量级的模型用CPU都能跑起来，特别适合前期跑通流程。答辩时你把这张草稿纸往投影上一放，导师立刻知道你真的懂网络结构，而不是只会调包。

4. 训练实操：损失函数、优化器、超参数与过拟合处理

数据准备好了，网络结构也定了，接下来就是最磨人的训练环节。这个阶段最大的敌人不是复杂的理论，而是那些看似不起眼的小问题。

4.1 环境准备与完整代码骨架

开发环境建议用Python加PyTorch，因为PyTorch的生态对初学者极其友好，调试逻辑直观。安好之后，把数据按目录结构放好：

dataset/ train/ crab/ 001.jpg 002.jpg scallop/ clam/ conch/ val/ crab/ scallop/ clam/ conch/ test/ crab/ scallop/ clam/ conch/

用torchvision的ImageFolder可以直接按文件夹名加载标签，省去手动写标签的麻烦。

训练循环写一个最简洁的版本：

import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader from torchvision.datasets import ImageFolder train_dataset = ImageFolder("dataset/train", transform=train_transform) val_dataset = ImageFolder("dataset/val", transform=test_transform) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=2) val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False, num_workers=2) model = models.resnet18(weights=models.ResNet18_Weights.DEFAULT) model.fc = nn.Linear(model.fc.in_features, 5) criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=1e-3) scheduler = optim.lr_scheduler.ReduceLROnPlateau( optimizer, mode="min", factor=0.5, patience=3 ) for epoch in range(50): model.train() train_loss = 0.0 correct = 0 total = 0 for images, labels in train_loader: optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() train_loss += loss.item() * images.size(0) _, predicted = torch.max(outputs, 1) total += labels.size(0) correct += (predicted == labels).sum().item() # 验证 model.eval() val_loss = 0.0 val_correct = 0 val_total = 0 with torch.no_grad(): for images, labels in val_loader: outputs = model(images) loss = criterion(outputs, labels) val_loss += loss.item() * images.size(0) _, predicted = torch.max(outputs, 1) val_total += labels.size(0) val_correct += (predicted == labels).sum().item() # 学习率调度 scheduler.step(val_loss / len(val_dataset)) print(f"Epoch {epoch+1}: " f"Train Loss {train_loss/len(train_dataset):.4f}, " f"Train Acc {correct/total:.4f}, " f"Val Loss {val_loss/len(val_dataset):.4f}, " f"Val Acc {val_correct/val_total:.4f}")

这个骨架可以直接跑，跑通后再慢慢加模型保存、早停、日志记录等机制。

4.2 超参数怎么定：不是玄学，是有逻辑的

损失函数用CrossEntropyLoss，它内部已经包含了Softmax层，所以模型最后一层不需要再手动加Softmax。

优化器首选Adam，学习率默认1e-3就很好用，不需要太多调参。Adam自带自适应学习率机制，前期收敛快、省心。如果追求最终准确率更高，可以在后期切换成SGD加Momentum，学习率从1e-2左右开始，配一个余弦衰减或逐步衰减策略。但毕设角度来说，Adam足够。

batch size建议32，如果你的显卡显存只有几GB，可以降到16甚至8。batch size影响的是梯度估计的稳定性，太小会训练抖动，太大显存不够，32是个均衡点。

epoch数量不要一上来拍脑袋设200，先设50，配合“早停”机制。早停的意思是：如果验证集Loss连续若干个epoch（比如10个）都没下降，就提前停止训练。这能避免大量无效训练时间。

学习率调度器ReduceLROnPlateau很好用，它会监控验证集Loss，当Loss不再下降时自动把学习率减半（factor=0.5），让训练在接近收敛时更精细地调整权重。这是实际项目中最常用的策略。

4.3 训练中看什么：loss曲线和准确率变化

训练中间最常问的问题是：“我这样的loss对不对？”判断标准很简单：

训练Loss快速下降的同时，验证Acc缓慢上升，这是健康的信号，什么都不用调，继续跑。

训练Loss下降，但验证Loss不降甚至上升，这基本就是过拟合信号。处理方法后面专门讲。

训练Loss从一开始就纹丝不动，或者下降慢得离谱，可能是学习率太大（模型震荡）或太小（步进了蚊子腿），也可能是数据标签混乱、归一化写错。先检查训练的预处理有没有做ToTensor和Normalize，再检查类别标签是否对应正确。

另外，模型保存策略要注意：不要保存最后一个epoch的权重，要保存验证集Loss最低或验证集Acc最高的那个权重。因为训练后期可能已经过拟合，最后一个epoch不一定是表现最好的。

每次训练完，把每个epoch的loss和准确率写进一个CSV日志文件。这样你随时可以翻看训练历史，也能在答辩时展示调参过程，显得非常规范。

4.4 防止过拟合的组合拳

过拟合是所有小数据集项目的头号敌人，表现就是训练准确率98%，测试准确率85%，差了十几个点。

对付过拟合，不要寄希望于单一手段，要组合拳。我的常用组合方案：

数据增强是最自然的第一招。增强过的图片等于扩大了训练集的有效容量，让模型没法死记硬背。这一点第二节已经详细展开。

Dropout是第二招。在模型分类头之前加一层Dropout，训练时随机丢弃一部分神经元，迫使模型学得更鲁棒。使用预训练模型时，通常不需要动卷积层的Dropout，只需要在自定义分类头里加。

权重衰减（weight_decay）是第三招。Adam优化器里加weight_decay=1e-4，相当于给大权重加惩罚，抑制模型变得过于复杂。这个操作几乎零成本，建议直接加上。

早停是第四招。监控验证集Loss，连续多个epoch不下降就停止训练，同时加载之前保存的最优模型。

模型小型化是第五招。如果数据量实在太小，比如每个类别只有一百多张原图，那与其上ResNet152不如用MobileNetV2，小模型不容易过拟合，训练也快。

5. 结果评估、可视化与常见问题排查

模型训练完，工作只做了一半。评估和可视化才是让毕设真正出彩的地方，也是答辩时最能讲的部分。

5.1 评估指标：准确率只是及格线，F1才是真相

很多人习惯只看总准确率，比如“测试集准确率93%”。但这个数字可能会骗你。

如果数据类别不均衡，比如梭子蟹有500张图，扇贝只有80张图，模型只要把常见的那一套学好了，总准确率也能很高，但扇贝类的实际识别能力可能一塌糊涂。

所以除了总准确率，至少要生成混淆矩阵和分类报告。混淆矩阵能告诉你模型具体在哪两个类别之间混淆。比如扇贝和蛤蜊经常分不清，说明它们在纹理上确实接近，或者你的训练数据里这两种图片风格差异太小。

用sklearn生成分类报告，打印每个类别的精确率（Precision）、召回率（Recall）和F1值。F1值是精确率和召回率的调和平均，类别不均衡时最能反映真实水平。

假设测试结果大概长这样：

那么重点就非常明确：扇贝容易被误判为蛤蜊。你可以针对这一点去分析数据，比如收集更多扇贝侧面的图片、在数据增强时增加对壳纹和颜色的变换，或者单独为了提高扇贝类的召回率调整损失函数里各类别权重。

5.2 Grad-CAM热力图：让模型“开口说话”

答辩时最加分的可视化工具，非类激活热力图莫属。

它的原理不复杂：对某个目标类别，计算最后一个卷积层各通道的梯度，用梯度对特征图加权求和，得到一张反映了模型注意力位置的Heatmap。简单说，热力图亮的地方，就是模型做出分类判断时重点看的地方。

这张图的价值非常大。如果热力图集中在壳的纹理、颜色、形态特征附近，说明模型确实学到了生物特征；如果热力图集中在图片背景、水草、甚至拍摄水印上，说明你的数据有问题，模型学到了不该学的旁门左道。知道了这一点，你就可以定向清理数据或者调整预处理方式。

PyTorch实现Grad-CAM的方式有很多，可以用现成的库，也可以自己写一个简短的hook脚本来提取目标层的激活值和梯度。关键步骤就是注册forward hook获取特征图，注册backward hook获取梯度，然后按通道计算加权平均后叠加到原图上。刷新出的热力图配上你的模型预测，往答辩PPT里一放，导师能直观看到你的模型在认真“看”壳，而不是“看”背景。

5.3 常见问题与排查技巧实录

这里整理一份我自己常年用来排查训练问题的速查表。

还有一个很多人栽过的坑：预训练模型默认使用ImageNet的均值标准差做归一化。如果你的训练代码在预测时没有做同样的归一化，模型效果会严重下降。无论训练还是测试，归一化的参数必须完全一致。

5.4 答辩准备与后续扩展思路

到了答辩阶段，你需要让导师看到“一个完整的故事”。建议准备一个简单的推演Demo，比如用Streamlit或Tkinter写一个最简界面，放一张图进去，输出预测类别、置信度、Grad-CAM热力图。这个Demo不需要多花哨，能跑就行，但它展示了工程落地能力。

关于创新点，我给你几个方向：

从“种类识别”升级成“种类加状态识别”。壳类生物除了分种类，还可以分是否破损、是否活跃、是否患病，这就是多标签分类，比纯分类复杂一点点，但工作量可控。

从“图像分类”升级成“目标检测”。如果一张图片里同时有多个壳类生物，你需要定位并识别每一个个体，本质上就是从单目标分类升级到多目标检测。用现成检测框架能较快实现。

从“图片识别”升级成“视频实时识别”。用摄像头拍摄传送带画面，实时判断壳类生物类别，这在自动化分拣场景里会更贴近实际。

随便挑一个方向作为“进一步工作”，答辩的“创新点”和“展望”都有了现成的意义。

我个人在处理类似项目时体会最深的是：很多同学最后交上来的东西，问题几乎都出在数据上，而不是模型上。模型结构就那么几种，训练代码到处都有，唯独数据清洗和标注是没法抄、必须自己一遍遍做的。这个题目其实很公平，你的数据整理得越认真，训练过程越扎实，测试集和答辩表现都会诚实地反映出来。把时间花在数据整洁度、实验记录、可解释性可视化上，你的毕设成果不会差的。