- 博客(1073)
- 收藏
- 关注
RSS订阅原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的葡萄叶片病害检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
本项目旨在设计并实现一个高效、精准、用户友好的葡萄叶片病害智能检测与分析系统，以应对传统农业病害识别中效率低下、依赖专家经验等挑战。系统深度融合了当前前沿的YOLO系列目标检测算法（YOLOv8, v10, v11, v12）与现代化的SpringBoot后端架构，构建了一个集“智能检测、深度分析、数据管理、Web交互”于一体的综合性平台。
2026-03-02 10:37:34
186
1
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的水稻病害检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
本系统采用“前后端分离”的设计范式。后端以SpringBoot为核心，负责用户管理、模型调度、数据持久化等业务逻辑，数据库采用MySQL。前端采用现代化的Web技术栈，提供了直观、交互友好的用户界面。核心检测模块则集成了YOLO系列的最新演进模型，包括YOLOv8、YOLOv10、YOLOv11以及YOLOv12，构建了一个多模型比选与切换的平台。系统专注于检测三类常见且危害严重的水稻叶部病害：细菌性条斑病、褐斑病和叶黑粉病。模型基于一个包含总计6，715张高质量标注图像的数据集进行训练与验证，其中训练集6
2026-03-02 10:37:03
156
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的白细胞类型检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
随着人工智能技术，特别是深度学习在医学影像分析领域的飞速发展，自动化、高精度的细胞形态学检测成为临床辅助诊断的重要研究方向。本文设计并实现了一个基于SpringBoot架构与YOLO系列最新模型的白细胞类型检测与智能分析系统。该系统旨在解决传统人工镜检效率低、主观性强的问题，实现外周血涂片中五种主要白细胞（嗜碱性粒细胞、嗜酸性粒细胞、淋巴细胞、单核细胞、中性粒细胞）的快速、精准识别与分类。
2026-03-02 10:36:30
168
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的茶叶病害检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
本文针对茶叶种植过程中病害种类多、早期识别困难、传统人工巡检效率低且易误判等问题，提出并实现了一种基于深度学习与Web技术的智能化茶叶病害检测系统。系统采用前后端分离的架构模式，后端以SpringBoot框架为核心，构建高效稳定的服务器环境，并利用MySQL数据库进行用户信息、检测记录与模型数据的管理。前端则提供直观友好的Web交互界面，确保用户便捷操作。
2026-03-02 10:35:34
152
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的绝缘子缺陷检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
本项目旨在设计并实现一套集先进目标检测算法、现代化Web交互界面与智能分析于一体的“智能绝缘子缺陷检测与分析系统”。系统核心技术层采用当前YOLO系列最新模型（包括YOLOv8、YOLOv10、YOLOv11及YOLOv12），构建了一个高性能、可切换的视觉检测引擎，专门用于从复杂背景的航拍或地面巡检图像/视频中，准确识别并定位绝缘子的四种典型状态：‘绝缘子串’（正常）、‘完好单片’（无缺陷）、‘破损’以及‘闪络损伤’。基于一个包含3200张高质量标注图片（训练集2240张，验证集640张，测试集320张）
2026-03-02 10:35:02
155
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的小麦叶片病害检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
小麦作为全球最重要的粮食作物之一，其生产安全直接关系到国家粮食安全与民生稳定。然而，小麦在其生长周期中极易受到多种病害的侵袭，如白粉病、条锈病、叶锈病、叶枯病等。这些病害若不及时识别与防治，将导致小麦严重减产，甚至绝收。传统的病害诊断主要依赖于农业专家的人工田间巡查，这种方式不仅效率低下、成本高昂，且诊断结果的准确性和时效性高度依赖专家的个人经验，难以在广大的农田区域实现快速、标准化的普及。
2026-03-02 10:34:31
141
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的小目标车辆检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
本项目旨在设计并实现一个集成了前沿深度学习模型与现代化Web技术的综合性“小目标车辆检测与智能分析系统”。系统核心采用最新的YOLO系列模型作为检测引擎，通过集成与对比YOLOv8、YOLOv10、YOLOv11及YOLOv12四种高性能版本，为用户提供灵活、强大的小目标车辆检测能力。系统后端基于SpringBoot框架构建，采用前后端分离的架构模式，确保了系统的高内聚、低耦合与良好的可扩展性。前端提供直观的Web交互界面，便于用户进行操作与管理。
2026-03-02 10:33:59
401
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的猫狗品种检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
本项目旨在设计并实现一个功能完备、高效精准的精细化猫狗品种智能检测与分析平台。系统核心采用目前最前沿的YOLO系列目标检测模型（包括YOLOv8、YOLOv10、YOLOv11及YOLOv12），构建了一个能够对37种特定猫狗品种（涵盖12种猫品种与25种狗品种）进行高精度识别的深度学习引擎。系统后端基于SpringBoot框架构建，遵循前后端分离的现代化架构模式，前端提供直观的Web交互界面，确保了系统的可维护性、可扩展性及良好的用户体验。
2026-03-02 10:33:26
280
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的杂草检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
本论文设计并实现了一套集高效杂草检测、智能分析与综合管理于一体的现代智能农业系统。系统核心采用当前先进的目标检测算法系列，集成了YOLOv8、YOLOv10、YOLOv11及YOLOv12四种模型，构建了一个灵活、高性能的检测引擎，用于精准识别12类常见杂草（包括Eclipta、Ipomoea、Eleusine等）。后端采用SpringBoot框架构建RESTful API，实现前后端分离的架构；前端采用现代化Web技术构建交互界面，并与MySQL数据库深度集成进行数据持久化。
2026-03-02 10:32:56
250
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的道路交通信号标志检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
系统采用“前后端分离”的设计模式，后端基于SpringBoot框架构建高性能、可扩展的服务，前端则提供用户友好的Web交互界面。核心检测模块创新性地集成并支持YOLOv8、YOLOv10、YOLOv11、YOLOv12四种迭代的YOLO系列模型，允许用户根据对速度与精度的不同需求进行灵活切换和性能比对。针对一个覆盖21类常见交通标志（如‘stop’、‘traffic_light’、‘ped_crossing’等）的自定义数据集（共2093张图像），系统进行了详尽的模型训练与评估。
2026-03-02 10:11:35
671
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的字母数字识别检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
本项目设计并实现了一个集成了前沿目标检测技术与现代Web开发框架的智能化字母数字识别与检测系统。系统核心采用目前YOLO系列的最新及高性能版本（包括YOLOv8、YOLOv10、YOLOv11和YOLOv12），构建了一个鲁棒性强的多字符识别模型，旨在实现对图片、视频流及摄像头实时画面中字母（A-Z）和数字（0-9）共计36类目标的快速、精准识别。
2026-03-02 10:11:05
231
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的车辆识别检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
本项目旨在设计并实现一个集成了最新YOLO系列模型、SpringBoot后端框架、DeepSeek大模型智能分析与现代化Web交互界面的综合性车辆识别检测系统。系统核心采用前后端分离的架构模式，前端负责用户交互与结果展示，后端则专注于复杂的模型推理与业务逻辑处理，二者通过RESTful API进行通信，确保了系统的可维护性、可扩展性与高性能。
2026-03-02 10:10:34
379
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的骑手佩戴头盔检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
随着城市电动自行车与摩托车的普及，骑手交通安全问题日益凸显。正确佩戴安全头盔是降低交通事故伤亡率的关键措施，然而，依赖人工进行大规模、全天候的监管存在效率低、成本高、覆盖难等瓶颈。为此，本研究设计并实现了一套高效、智能、可扩展的“骑手佩戴头盔检测系统”。本系统深度融合了前沿的计算机视觉技术与现代Web开发框架，旨在为交通管理部门提供一套自动化、可视化的智能监管解决方案。
2026-03-02 10:10:04
399
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的石头剪刀布检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
本项目设计并实现了一个高效、交互性强、具备深度智能分析功能的“石头剪刀布”手势实时检测与识别系统。系统核心采用当前先进的YOLO（You Only Look Once）系列目标检测算法，集成了YOLOv8、YOLOv10、YOLOv11及YOLOv12四种模型，通过对比实验为用户提供了性能与精度可选的检测方案。系统后端基于SpringBoot框架构建，采用前后端分离的架构模式，确保了系统的可维护性、高并发能力和可扩展性。前端提供友好的Web交互界面，用户可便捷地进行图像、视频文件及摄像头实时流的检测。
2026-03-02 10:07:42
539
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的工地安全帽防护衣检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
本项目致力于构建一个高效、智能且用户友好的工地安全帽与防护衣检测系统，旨在通过先进的计算机视觉技术提升建筑工地的安全管理水平。系统深度融合了前沿的YOLO系列目标检测算法与现代化的SpringBoot后端框架，并集成DeepSeek智能分析引擎，实现了一个功能完备、可扩展且具备良好交互体验的Web应用平台。核心目标是自动识别监控画面中的人员是否按规定佩戴安全帽、穿着防护衣，从而实现对不安全行为的实时预警与规范化管理，有效预防工地安全事故的发生。
2026-03-02 10:07:03
465
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的犬种识别检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
随着人工智能与计算机视觉技术的飞速发展，目标检测技术在社会生活、宠物管理及智慧城市等领域的应用日益深化。本项目设计并实现了一个集高效识别、智能分析与可视化交互于一体的智能犬种识别检测系统。系统核心采用当前主流且先进的YOLO系列目标检测算法，集成了YOLOv8、YOLOv10、YOLOv11及YOLOv12等多个版本模型，用户可根据实际场景对精度与速度的需求灵活切换。系统后端基于SpringBoot框架构建，采用前后端分离的现代化架构，前端提供友好的Web交互界面，数据库选用MySQL进行结构化数据持久化。
2026-03-02 10:06:12
482
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的船舶类型检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
本系统以最新一代的YOLOv8、YOLOv10、YOLOv11及YOLOv12算法为核心，构建了一个高性能的船舶检测与分类模型。模型专门针对五类主要船舶（集装箱船、邮轮、军用舰船、滚装船、油轮）进行训练，数据集包含总计3721张高质量标注图像。系统采用前后端分离的现代化架构，后端基于SpringBoot构建，提供稳定、可扩展的RESTful API服务；前端则提供直观友好的Web交互界面。核心功能涵盖：1）多模态检测：支持图像、视频文件及摄像头实时流媒体中的船舶检测；2）多模型切换：允许用户在后端动态选择并
2026-03-02 10:05:11
1074
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的火箭检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
本系统核心采用目前YOLO系列中性能卓越的四个版本模型——YOLOv8、YOLOv10、YOLOv11及YOLOv12作为检测引擎，构建了一个可动态切换的、强大的目标检测后端。前端交互界面基于SpringBoot构建，采用前后端分离模式，确保了系统的高可维护性与扩展性。系统具备对图像、视频及摄像头实时流进行火箭部件（如发动机火焰、箭体）检测的能力，检测结果与用户检测均持久化存储于MySQL数据库中。特别地，系统创新性地集成了DeepSeek大语言模型的智能分析功能，能够对检测结果进行语义化解读与深度洞察，显
2026-03-02 10:04:24
545
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的工地运输车类型检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
随着我国城市化进程的不断加速和基础设施建设的蓬勃开展，各类大型工地现场的管理日益复杂化与精细化。工地内部运输车辆（如挖掘机、自卸卡车、轮式装载机）的高效、安全管理是保障施工进度、预防安全事故、优化资源配置的关键环节。传统的人工巡查与监控方式存在效率低下、实时性差、易漏检误判等弊端，难以满足现代化智慧工地的管理需求。本项目旨在设计并实现一套集成了前沿深度学习目标检测技术、现代化Web开发架构与智能分析功能的“智慧工地运输车类型智能检测与管理系统”。本系统核心采用当下性能卓越且持续演进的YOLO系列模型（包括Y
2026-03-02 10:03:33
672
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的苹果成熟度检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
随着智慧农业和精准农业的快速发展，利用计算机视觉技术实现水果的自动化检测与分级已成为研究热点。传统的苹果成熟度人工判定方法效率低、主观性强且成本高昂。为此，本研究设计并实现了一个基于深度学习与Web技术的苹果成熟度智能检测系统。本系统的核心在于整合了先进的YOLO（You Only Look Once）系列目标检测模型（包括YOLOv8、v10、v11及v12），构建了一个多成熟度级别的苹果检测模型。系统对包含“20%成熟”、“50%成熟”、“75%成熟”、“100%成熟”及“腐烂”五个类别的专属数据集进行
2026-03-01 13:27:28
145
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的野生动物检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了尖端性能。基于先前 YOLO 版本的进步，YOLOv8 引入了新功能和优化，使其成为各种应用中目标检测任务的理想选择。YOLOv8 的主要特性YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点的方法相比，这有助于提高准确性并提高检测效率。
2026-03-01 13:26:57
131
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的安全锥检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了尖端性能。基于先前 YOLO 版本的进步，YOLOv8 引入了新功能和优化，使其成为各种应用中目标检测任务的理想选择。YOLOv8 的主要特性YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点的方法相比，这有助于提高准确性并提高检测效率。
2026-03-01 13:26:24
138
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的密集行人检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了尖端性能。基于先前 YOLO 版本的进步，YOLOv8 引入了新功能和优化，使其成为各种应用中目标检测任务的理想选择。YOLOv8 的主要特性YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点的方法相比，这有助于提高准确性并提高检测效率。
2026-03-01 13:25:53
142
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的轴承缺陷检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了尖端性能。基于先前 YOLO 版本的进步，YOLOv8 引入了新功能和优化，使其成为各种应用中目标检测任务的理想选择。YOLOv8 的主要特性YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点的方法相比，这有助于提高准确性并提高检测效率。
2026-03-01 13:25:22
138
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的汽车损坏检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
随着汽车保有量的持续增长和智能化交通系统的快速发展，车辆损坏检测技术已成为保险理赔、二手车评估、智能交通管理等领域的关键技术需求。本研究设计并实现了一种基于YOLO系列深度学习模型与SpringBoot框架的智能化汽车损坏检测系统，该系统集成了YOLOv8、YOLOv10、YOLOv11和YOLOv12四种先进的物体检测算法，构建了一个具备高精度、高效率的汽车损坏检测平台。
2026-03-01 13:24:50
139
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的条形码检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了尖端性能。基于先前 YOLO 版本的进步，YOLOv8 引入了新功能和优化，使其成为各种应用中目标检测任务的理想选择。YOLOv8 的主要特性YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点的方法相比，这有助于提高准确性并提高检测效率。
2026-03-01 13:24:11
117
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的船舶类型识别检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据)
YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了尖端性能。基于先前 YOLO 版本的进步，YOLOv8 引入了新功能和优化，使其成为各种应用中目标检测任务的理想选择。YOLOv8 的主要特性YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点的方法相比，这有助于提高准确性并提高检测效率。
2026-03-01 13:23:40
140
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的布料缺陷检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据)
本文提出并实现了一种基于深度学习与Web技术的智能化、高精度布料缺陷检测系统。系统核心结合了前沿的目标检测算法YOLOv8、YOLOv10、YOLOv11及YOLOv12，构建了高性能的布料缺陷识别模型。后端采用SpringBoot框架搭建了稳定、可扩展的RESTful API服务，前端则通过现代化的Web技术构建了交互友好、功能丰富的用户界面，整体架构遵循前后端分离的设计原则，确保了系统的可维护性与高并发性能。
2026-03-01 13:22:50
242
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的草莓成熟度检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
系统的核心检测模块采用了基于PyTorch的YOLO系列模型（包括YOLOv8、YOLOv10、YOLOv11及YOLOv12），通过在一个包含3,713张高质量标注图像（训练集2,939张，验证集774张）的数据集上进行充分训练，模型能够精准识别草莓的三种关键成熟状态：未成熟、成熟中、已成熟。该模块提供了图片上传检测、视频流分析以及摄像头实时检测三种灵活的应用模式，满足不同场景下的检测需求。
2026-03-01 13:22:10
260
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的手机检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据
YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了尖端性能。基于先前 YOLO 版本的进步，YOLOv8 引入了新功能和优化，使其成为各种应用中目标检测任务的理想选择。YOLOv8 的主要特性YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点的方法相比，这有助于提高准确性并提高检测效率。
2026-03-01 13:20:32
267
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的PCB缺陷检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据
。
2026-03-01 13:19:52
375
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的铁路轨道缺陷检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了尖端性能。基于先前 YOLO 版本的进步，YOLOv8 引入了新功能和优化，使其成为各种应用中目标检测任务的理想选择。YOLOv8 的主要特性YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点的方法相比，这有助于提高准确性并提高检测效率。
2026-03-01 13:19:20
355
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的手势识别检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
随着人机交互技术的快速发展，手势识别作为自然、直观的非接触式交互方式，在人机界面、智能控制、辅助交流等领域展现出巨大的应用潜力。本研究设计并实现了一套基于深度学习与Web架构的手势智能识别系统，专门针对26个英文字母手语手势进行高精度检测与分类。系统创新性地集成了YOLOv8、YOLOv10、YOLOv11和YOLOv12四种先进的目标检测模型，构建了可灵活切换的多模型识别引擎。通过构建包含720张高质量手势图像的专用数据集，为手语字母的准确识别提供了可靠的数据基础。
2026-03-01 13:18:45
386
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的麻将识别检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
随着中国传统智力游戏数字化发展的深入推进，麻将作为极具代表性的国粹文化，其智能化识别与分析技术具有重要的应用价值。本研究设计并实现了一套基于深度学习与现代化Web架构的麻将牌智能识别系统，专门针对42种标准麻将牌型进行高精度检测与分类。系统创新性地集成了YOLOv8、YOLOv10、YOLOv11和YOLOv12四种先进的目标检测模型，构建了可灵活切换的多模型识别引擎。通过构建包含6731张高质量标注图像的专用麻将数据集，涵盖了万、条、筒、风牌、箭牌等各类牌型，为模型的精准训练提供了可靠数据支撑。
2026-03-01 13:18:10
463
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的血小板、白细胞、红细胞检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了尖端性能。基于先前 YOLO 版本的进步，YOLOv8 引入了新功能和优化，使其成为各种应用中目标检测任务的理想选择。YOLOv8 的主要特性YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点的方法相比，这有助于提高准确性并提高检测效率。
2026-03-01 13:17:33
427
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的数字识别检测系统（DeepSeek智能分析+web交互界面+前后端分离+YOLO数据
本文设计并实现了一个基于深度学习的数字多目标检测与识别系统。系统采用前后端分离架构，后端基于SpringBoot框架，前端采用现代化Web技术提供交互式界面，并利用MySQL数据库进行数据持久化管理。在核心识别算法上，系统创新性地集成并对比了当前最先进的YOLO系列目标检测模型（包括YOLOv8、YOLOv10、YOLOv11和YOLOv12），并针对数字识别的特点构建了涵盖0-9十个类别的专用数据集。系统功能全面，不仅支持图像、视频及摄像头实时流中的数字目标检测与识别，还深度融合了DeepSeek大型语言
2026-03-01 13:17:02
514
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的生菜生长周期检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据）
YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了尖端性能。基于先前 YOLO 版本的进步，YOLOv8 引入了新功能和优化，使其成为各种应用中目标检测任务的理想选择。YOLOv8 的主要特性YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点的方法相比，这有助于提高准确性并提高检测效率。
2026-03-01 13:16:30
583
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的扑克牌识别检测系统（千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据)
YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了尖端性能。基于先前 YOLO 版本的进步，YOLOv8 引入了新功能和优化，使其成为各种应用中目标检测任务的理想选择。YOLOv8 的主要特性YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点的方法相比，这有助于提高准确性并提高检测效率。
2026-03-01 13:16:00
575
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的森林火灾烟雾检测系统（DeepSeek智能分析+web交互界面+前后端分离+YOLO数据
森林火灾是全球面临的重大生态安全挑战，及早发现并预警火情对保护生态环境和人民生命财产安全至关重要。本研究设计并实现了一套集先进深度学习技术与现代化Web架构于一体的森林火灾烟雾智能检测系统。该系统创新性地集成YOLOv8、YOLOv10、YOLOv11和YOLOv12四种最新目标检测模型，专门针对"火焰（fire）"和"烟雾（smoke）"两类关键火情特征进行高精度识别。
2026-03-01 13:15:18
560
原创 基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的3D打印缺陷检测系统（深度学习+千问+DeepSeek智能分析+web交互界面+前后端分离+YOLO数据集）
摘要： 随着3D打印技术的广泛应用，其打印质量的自动检测与控制成为保障制造效率与产品质量的关键环节。传统的缺陷检测方法依赖人工目视，存在效率低下、主观性强、难以实现连续监控等弊端。本研究提出并实现了一个基于深度学习与Web技术的智能化3D打印缺陷在线检测系统。系统核心采用先进的YOLOv8/YOLOv10/YOLOv11/YOLOv12目标检测算法，对三种常见打印缺陷（拉丝、毛刺、垂料）进行高精度识别与定位。系统后端基于SpringBoot框架构建，采用前后端分离架构，前端提供友好的交互界面，实现了用户管理
2026-02-28 21:55:37
158
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人