小麦叶片病害智能检测系统：从 YOLO 到 SpringBoot 的全栈实践
一、项目背景
小麦作为全球核心粮食作物，其生产安全直接关系到民生稳定。然而，白粉病、条锈病、叶锈病等病害若不及时识别，将导致严重减产。传统的人工田间巡查效率低、成本高，且依赖专家经验，难以大规模普及。
近年来，深度学习与计算机视觉技术的进步为农业智能化提供了新路径。YOLO 系列算法凭借实时检测特性，成为田间快速筛查的理想选择。结合前后端分离架构与 Web 交互技术，我们将 AI 模型能力封装为易用的在线服务。本项目旨在构建一个集自动化病害识别、多模态检测入口、智能结果解读及数据可视化管理于一体的智慧农业平台。
二、核心功能概述
本系统采用典型的'AI 模型驱动 + 企业级应用'全栈方案，主要涵盖以下层面：
1. 核心 AI 检测引擎
- 多模型支持：系统集成了 YOLOv8、YOLOv10、YOLOv11 及 YOLOv12 四个版本。用户可根据精度、速度或特定需求（如 YOLOv10 的无 NMS 设计），在 Web 界面一键动态切换模型。
- 病害识别范围：精准识别五类状态：健康 (Healthy)、白粉病 (Powdery_Mildew)、叶枯病 (Septoria)、秆锈病 (Stem_Rust)、条锈病 (Yellow_Rust)。
- 数据集构建：包含训练集 2100 张、验证集 366 张、测试集 138 张的高质量图像库，确保评估可靠性。
2. 智能化增强
- DeepSeek 分析：超越传统的检测框输出，调用大语言模型 API 生成包含病害描述、成因分析及防治建议的'AI 分析报告'，提升科普价值。
3. 多模态与数据管理
- 全场景支持：提供图片上传、视频文件、摄像头实时流三种输入模式。
- 全链路持久化：所有操作记录、检测结果、AI 报告均实时保存至 MySQL 数据库，便于后续分析与审计。
4. 现代化 Web 平台
- 前后端分离：后端基于 SpringBoot 构建 RESTful API，前端使用 Vue.js 提供响应式界面。
- 可视化仪表盘：内置图表展示病害统计、用户行为等关键指标。
三、系统模块详解
1. 用户与权限管理
- 登录注册：支持密码加密存储，角色分为普通用户与管理员。
- 个人中心：用户可修改资料、头像及密码。
- 后台管理：管理员可对平台用户进行增删改查（CRUD）。
2. 检测与记录管理
- 图像/视频/摄像头检测：三种模式结果均独立归档。
- 历史记录：用户可查看和管理自己的检测记录，包括原始文件、结果及报告。
3. 数据可视化
- MySQL 表设计：包含
users（用户信息）、imgrecords（图片记录）、videorecords（视频记录）、camerarecords（摄像头记录）等核心表结构。
四、关键技术实现
1. 模型训练脚本
训练部分基于 Ultralytics 框架，以下是核心配置示例。实际部署时需注意根据硬件环境调整 batch size 和 device。
# coding:utf-8
ultralytics YOLO
model_path =
data_path =
__name__ == :
model = YOLO(model_path)
results = model.train(
data=data_path,
epochs=,
batch=,
device=,
workers=,
project=,
name=
)
