摘要
随着生态文明建设的深入推进，高效、精准的野生动物监测技术成为研究热点。本项目设计并实现了一个集先进目标检测算法、现代化 Web 应用架构与智能数据分析于一体的综合性野生动物智能检测系统。
系统核心采用 YOLOv8、YOLOv10、YOLOv11 及 YOLOv12 模型作为检测引擎，构建高精度、高效率的野生动物识别模型。针对郊狼、鹿、野猪、野兔、浣熊这五类常见动物，构建了包含 10665 张训练图像、928 张验证图像及 536 张测试图像的专用数据集。
后端服务基于 SpringBoot 框架构建，采用前后端分离架构，保证系统的高内聚、低耦合与良好的可扩展性。前端提供直观的 Web 交互界面，支持用户注册登录（信息加密存储于 MySQL 数据库）、模型切换、检测任务发起与结果管理。系统支持图片、视频文件及摄像头实时流的野生动物检测，并将所有检测记录结构化保存至数据库。
此外，本系统融合了 DeepSeek 大型语言模型的智能分析能力，在完成目标检测后，可对识别结果进行生态学意义、行为解读等深度分析。系统配备了完善的数据可视化仪表盘，对检测统计、物种分布等信息进行直观展示，并提供了用户管理、个人中心等模块，实现了从数据采集、智能识别、结果分析到系统管理的完整闭环。
一、引言
1.1 研究背景与意义
在全球生物多样性丧失的严峻挑战下，野生动物监测是保护生物学、生态学研究及自然保护区管理的核心基础工作。传统的野外监测方法存在人力成本高、数据反馈滞后等局限性。近年来，以深度学习为代表的计算机视觉技术取得了突破性进展，为自动化、智能化的野生动物监测提供了全新的技术路径。
YOLO 系列模型因其在速度与精度上的卓越平衡，已成为实时目标检测领域的事实标准。从 YOLOv8 到最新推出的 YOLOv12，每一代都在网络结构、损失函数和训练策略上进行了创新，为在复杂自然场景下实现更精准、更鲁棒的野生动物检测提供了可能。
1.2 项目目标
本项目旨在研发一个功能完备、性能优异的'野生动物智能检测系统'。具体目标包括：
- 模型集成与性能优化：集成 YOLOv8 至 YOLOv12 等多个先进版本，在自建数据集上进行训练与微调，对比并选择最优模型。
- 系统化平台构建：设计并实现一个基于 SpringBoot 和前后端分离架构的 Web 应用平台。
- 全模态检测支持：实现对静态图片、预录视频和摄像头实时流的全方位检测支持。
- 数据智能与可管理性增强：引入大模型对检测结果进行语义层面的智能分析与描述，提升系统输出信息的深度。
二、系统核心特性概述
功能模块
- 用户登录注册：支持密码检测，保存到 MySQL 数据库。
- 支持四种 YOLO 模型切换：YOLOv8、YOLOv10、YOLOv11、YOLOv12。
- 信息可视化，数据可视化。
- 图片检测支持 AI 分析功能。
- 支持图像检测、视频检测和摄像头实时检测，检测结果保存到 MySQL 数据库。
- 图片识别记录管理、视频识别记录管理和摄像头识别记录管理。
- 用户管理模块，管理员可以对用户进行增删改查。
- 个人中心，可以修改自己的信息，密码姓名头像等等。
登录注册模块
系统提供安全的用户认证机制，确保数据安全。
可视化模块
提供数据可视化仪表盘，直观展示检测统计与物种分布。
图像检测模块
- YOLO 模型集成 (v8/v10/v11/v12)
- DeepSeek 多模态分析
- 支持格式：JPG/PNG/MP4/RTSP
视频检测模块
支持上传视频文件进行批量检测。
实时检测模块
支持接入摄像头实时流进行监控。
图片识别记录管理
查看历史图片检测记录，包括原始文件、检测结果、时间戳等。
视频识别记录管理
查看历史视频检测记录。
摄像头识别记录管理
查看历史摄像头实时监控记录。
