基于 YOLO 与大模型的河道环境检测系统
项目简介
基于改进 YOLO 深度学习模型与 DeepSeek/Qwen 大语言模型的河道环境智能检测与分析系统。本系统采用先进的计算机视觉技术，结合自然语言处理能力，实现对河道环境中各类目标的高精度检测与智能分析。系统支持单张图片、批量图片、视频文件及实时摄像头等多种输入方式，提供从环境检测到智能建议的完整解决方案，为河道治理、环境保护与水资源管理提供智能化技术支持。
核心功能亮点
- 多场景检测支持：全面覆盖单张图片、图片文件夹、视频文件、实时摄像头四种输入方式
- 改进 YOLO 模型：基于 YOLOv5/v8 等版本的优化，专注河道环境目标检测
- AI 智能分析：集成 DeepSeek/Qwen 大模型，生成专业的河道环境分析与治理建议
- 实时处理反馈：前端实时展示检测进度与结果，支持实时视频流处理
- 完整技术栈：PyTorch 深度学习 + SpringBoot 后端 + Vue3 前端 + Flask 中台的完整架构
检测对象范围
系统可精准识别河道环境中的多种目标，包括但不限于：
- 漂浮物与垃圾：塑料瓶、塑料袋、泡沫等水面漂浮物
- 水生植物：水葫芦、藻类、水草等水生植物过度生长
- 污染物：油污、化学污染物、浑浊水体等
- 河道设施：护岸、堤坝、桥梁、排污口等设施状态
- 生物目标：鱼类、鸟类、其他水生生物
- 船只与人员：作业船只、巡逻船只、河道作业人员
- 其他异常：非法排污、违规捕捞、河道侵占等行为
系统架构设计
三层架构设计
-
前端展示层（Vue3 + Element Plus）
- 用户交互界面，支持多种检测模式选择
- 实时结果展示与可视化
- 历史记录管理与查询
-
业务逻辑层（Spring Boot + Flask）
- Spring Boot：用户管理、数据存储、业务逻辑处理
- Flask 中台：深度学习模型调用、图像处理、AI 分析接口
- 任务调度与进度管理
-
深度学习层（PyTorch + 改进 YOLO）
- 改进 YOLO 模型：河道环境专用目标检测模型
- 模型推理服务：高效处理图像/视频检测任务
- 模型优化与更新：支持模型重训练与优化
技术组件集成
- 实时通信：SocketIO 实现前后端实时消息传递与进度反馈
- 视频处理：FFmpeg 用于视频转码与处理
- 文件处理：JSZip 支持前端文件夹上传压缩
- 数据存储：MySQL 关系型数据库存储用户数据与检测记录
- AI 接口：DeepSeek/Qwen API 接口调用智能分析服务
详细功能模块
1. 多模式检测功能
- 单张图片检测：支持拖拽上传或文件选择，输出标注后的图片、检测标签、置信度及处理耗时。
- 图片文件夹批量检测：支持整个文件夹压缩上传，后台自动解压并逐张检测，提供结果打包下载。
