一、项目背景

血液细胞检测是现代医学诊断的核心环节，其结果的准确性与时效性直接影响对贫血、感染、白血病等疾病的筛查、诊断与疗效监测。传统检测主要依赖人工显微镜检查，由检验医师通过目视观察血涂片，对白细胞、红细胞、血小板等进行形态学分类、计数及异常识别。这一经典方法尽管直观，但存在显著局限性：高度依赖检验人员经验与主观判断，导致不同观察者间存在差异；人工处理效率低下，难以应对大规模体检或突发公共卫生事件；对复杂形态或不典型细胞的识别准确性有限；且长时间高负荷工作易导致视觉疲劳，增加漏诊误诊风险。

随着数字病理与人工智能技术的融合，医学检验正迈入智能化新时代。深度学习技术，特别是基于卷积神经网络的目标检测与图像分类模型，已在众多医学影像分析任务中展现出超越人类的潜力。在血液细胞分析领域，构建一个能够自动、精准、高效完成血涂片细胞识别与分类的智能系统，已成为突破传统瓶颈、实现检验标准化与自动化的关键研究方向。然而，实现这一目标面临多重技术挑战：血细胞形态多样、分布密集且相互重叠；染色条件差异导致图像色彩与对比度变化；需同时实现高精度的定位、分类及对病理细胞的敏感识别。

在此背景下，本项目旨在设计并实现一个基于YOLO目标检测、DeepSeek优化技术、PyTorch深度学习框架，并结合SpringBoot、Flask与Vue的血液细胞检测专家系统。本系统将构建一个从数字切片扫描到智能报告生成的全流程解决方案。核心检测模块将采用先进的YOLO系列算法（如YOLOv8或更新版本），实现血涂片中多种细胞的快速精准定位与分类。我们将引入DeepSeek等前沿优化策略，对模型进行轻量化、加速或精度提升，以适应实际部署环境。整个深度学习模型的开发、训练与调优将在PyTorch这一灵活、高效的框架下完成，充分利用其动态图优势与丰富的生态系统。

为实现系统的工程化应用与便捷交互，我们将采用SpringBoot构建稳定、安全的后端业务主干，管理用户、样本及报告数据；通过Flask搭建轻量高效的深度学习模型服务，专门处理图像推理请求；前端则采用现代化的Vue框架，开发直观、交互友好的Web界面，支持血涂片图像上传、实时检测结果可视化、交互式报告审查与编辑等功能。

本系统的研发，不仅是对前沿AI技术与现代软件工程方法的深度整合实践，更是对准临床检验实际痛点的针对性攻关。系统旨在成为检验医师的智能辅助工具，显著提升检测效率与标准化水平，减少人为误差，并为基层医疗机构提供专家级分析能力，对推动精准医疗、分级诊疗及智慧实验室建设具有重要的现实意义与应用价值。

二、技术介绍

技术栈：
- 深度学习：YOLO、DeepSeek
- 前端：Vue3、element-plus
- 后端：SpringBoot、MyBatis-Plus
- 数据库：MySQL
- 图表：Echarts
- 网络请求：Axios
- 视频处理：FFmpeg

本项目旨在构建一个集血液细胞智能检测、数据分析与交互式报告于一体的全流程专家系统。系统设计将遵循现代软件工程理念，采用分层的微服务架构，整合前沿的深度学习技术与成熟的Web开发栈，确保系统在精准性、稳定性、易用性与可扩展性方面均达到生产级应用标准。

核心智能层以深度学习技术为驱动。我们将采用YOLO系列目标检测算法作为系统的视觉感知核心，其卓越的实时检测能力与高精度特性，非常适合处理血涂片图像中密集分布、形态各异的细胞识别任务。为追求极致的性能与效率，系统将引入DeepSeek等先进的模型优化与推理加速技术。这些技术可能涵盖模型剪枝、量化、知识蒸馏或专用的神经网络架构搜索策略，旨在保证高准确率的同时，显著降低模型计算开销与内存占用，使其能够在常规服务器乃至边缘设备上高效运行。整个模型的研发、训练与验证流程将在主流深度学习框架（如PyTorch/TensorFlow）中完成，并最终封装为独立的推理服务。

服务与数据层采用SpringBoot作为后端应用的主框架。SpringBoot提供了快速构建、易于配置的完整后端生态，它将负责处理核心的业务逻辑、工作流编排、用户会话管理与系统安全控制。数据持久化方面，通过MyBatis-Plus这一强大的ORM增强框架与MySQL数据库协同工作。MyBatis-Plus的通用Mapper、条件构造器等功能极大地简化了数据库操作代码，而MySQL以其优异的稳定性、事务支持与成熟的运维生态，可靠地存储系统所有的结构化数据，包括用户信息、样本数据、检测历史、报告详情以及模型版本信息。

表现与交互层基于Vue3构建现代化的单页面应用。Vue3的组合式API与响应式系统为开发复杂的数据驱动型界面提供了强大支持。结合Element-Plus组件库，我们能够高效搭建出符合医疗软件严谨性与美观度要求的用户界面，实现样本上传、任务队列管理、检测过程可视化等核心功能。对于检测结果的深度分析与展示，系统将集成Echarts图表库。其丰富的可视化类型（如散点图、热力图、多维统计图表）能够将细胞计数统计、分类分布、形态参数等复杂数据转化为直观、可交互的图形化报告，辅助医生进行决策。前后端数据通信统一通过Axios库处理，其完善的拦截器机制便于实现统一的请求认证、错误处理与加载状态管理，保障网络通信的健壮性。

多媒体处理能力：考虑到系统未来可能整合的动态影像分析需求（如对细胞运动视频的分析），我们预置了FFmpeg作为多媒体处理引擎。FFmpeg能够胜任视频格式转换、关键帧提取、图像序列合成等预处理任务，将多样的输入媒体统一为深度学习模型可处理的标准化图像数据，从而扩展系统的适用范围。

综上所述，本系统通过YOLO+DeepSeek实现核心智能，以SpringBoot+MyBatis-Plus+MySQL构建稳健后端，以Vue3+Element-Plus+Echarts+Axios打造专业前端，并以FFmpeg增强多媒体适应力。这套深度融合了AI技术与企业级Web开发的技术栈，旨在打造一个技术先进、功能完备、体验优良的临床辅助诊断平台，切实提升血液细胞分析的自动化与智能化水平。

三、功能介绍

可以上传文件夹批量检测，检测结果可导出PDF文件。
支持检测白细胞、红细胞、血小板三种细胞。
结合DeepSeek、Qwen等大模型，给出相关建议。
支持分用户管理，管理员可查看所有记录，普通用户只能看自己记录。
支持批量检测、图片检测、视频检测、摄像头检测四种方式。

1.整理好的yolo格式的数据集
2.详细的系统部署教程
3.实时视频，摄像头，图片检测
4.代码简洁，有注释
5.提供训练好的yolo权重

四、系统实现