一、引言背景
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。
近年来，随着深度学习和计算机视觉技术的飞速发展，特别是以 YOLO 系列为代表的目标检测算法，为农业领域的智能化病害检测提供了革命性的解决方案。YOLO 算法以其'你只看一次'的实时检测特性，能够在保证高精度的前提下实现快速的图像目标识别，完美契合了田间快速筛查病害的需求。
与此同时，现代软件工程中前后端分离的架构模式与 Web 交互技术的成熟，使得将强大的 AI 模型能力封装成易用、可管理、可扩展的在线服务成为可能。SpringBoot 作为 Java 生态中广受欢迎的后端框架，以其简化的配置和强大的功能，为构建稳健的企业级应用后端提供了坚实基础。
本项目设计并实现了一个'基于 YOLO 系列与 SpringBoot 的小麦叶片病害智能检测与管理系统'。该系统深度融合了前沿的 YOLO 系列目标检测模型、现代化的 Web 开发架构以及 DeepSeek 大语言模型的智能分析能力，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、数据可视化管理与用户协同于一体的综合性智慧农业平台。
二、项目核心内容概述
本项目是一个典型的'AI 模型驱动 + 企业级应用'的全栈式解决方案，其主要内容涵盖以下层面：
-
核心 AI 检测引擎
- 模型支持：系统创新性地集成了 YOLOv8、YOLOv10、YOLOv11 及 YOLOv12 这四个连续迭代的先进 YOLO 版本。用户可根据对检测精度、推理速度或特定功能的不同需求，在 Web 界面中一键动态切换模型，实现了检测引擎的灵活性与可扩展性。
- 病害识别范围：针对小麦叶片常见的五类状态进行精准识别，具体类别为：
['Healthy'（健康）, 'Powdery_Mildew'（白粉病）, 'Septoria'（叶枯病）, 'Stem_Rust'（秆锈病）, 'Yellow_Rust'（条锈病）]。 - 数据集构建：构建了包含训练集 2100 张、验证集 366 张、测试集 138 张的高质量图像库，确保了模型训练的有效性和评估的可靠性。
-
智能化功能增强
- DeepSeek 智能分析：超越传统的目标检测框输出，系统在识别出病害后，可调用 DeepSeek 大语言模型 API，对检测结果进行智能分析与文本生成。例如，自动生成包含病害简要描述、可能成因、防治建议等内容的
