一、 系统引言

随着精准农业和智慧植保的快速发展，利用计算机视觉技术对农作物病虫害进行快速、准确的识别与监测，已成为现代农业信息化的重要研究方向。昆虫作为影响农作物健康生长的关键生物因子，其早期发现与种类鉴定对于有效实施防治措施、减少农药滥用、保障粮食安全具有重要意义。然而，传统的人工田间调查方式存在效率低、主观性强、专业知识要求高等局限性。

为解决上述问题，我们设计并开发了这款 “基于YOLOv8/v10/v11/v12与SpringBoot的前后端分离昆虫识别检测系统” 。本系统深度融合了前沿的深度学习目标检测技术与现代化的Web开发框架，旨在为用户提供一个高效、精准、易用且功能完备的智能昆虫识别与分析平台。

系统核心采用了一系列先进的YOLO模型（涵盖YOLOv8至最新的YOLOv12），确保了检测算法在精度与速度上的前沿性。同时，我们创新性地集成了DeepSeek大语言模型的AI分析能力，使系统不仅能“识别”昆虫，更能“理解”和“解读”检测结果，提供专业的分析洞察。通过SpringBoot构建的后端API和响应式的前端界面，系统实现了用户管理、多模态检测（图像、视频、实时摄像头）、数据可视化与记录管理等全套功能，为农业技术人员、科研工作者及广大农户提供了一个强有力的数字化工具。

目录

 一、 系统引言

项目源码+数据集下载链接

二、 系统核心特性概述

功能模块

登录注册模块

可视化模块

更换导航栏背景颜色

图像检测模块

视频检测模块

实时检测模块

图片识别记录管理

视频识别记录管理

摄像头识别记录管理

用户管理模块

数据管理模块（MySQL表设计）

模型训练结果

YOLOv8

YOLOv10

YOLOv11

YOLOv12

---

项目源码+数据集下载链接

完整代码在哔哩哔哩视频下方简介内获取

基于YOLOv8/v10/v11/v12与SpringBoot的前后端分离昆虫识别检测系统（DeepSeek智能分析+web交互界面）_哔哩哔哩_bilibili

https://www.bilibili.com/video/BV1V814B2EfS

视频介绍https://www.bilibili.com/video/BV1V814B2EfS

二、 系统核心特性概述

本系统围绕智能化、可视化和易管理三大核心理念构建，主要特性如下：

1. 先进的深度学习检测引擎

   • 多模型支持：用户可在 YOLOv8, YOLOv10, YOLOv11, YOLOv12 四种先进的检测模型间自由切换，便于比较不同模型的性能或选择最适合的版本进行部署。

   • 专注的检测目标：模型基于一个包含 10类 重要农业昆虫的数据集进行训练，具体包括：

     • army worm (粘虫)

     • legume blister beetle (豆芫菁)

     • red spider (红蜘蛛)

     • rice gall midge (稻瘿蚊)

     • rice leaf roller (稻纵卷叶螟)

     • rice leafhopper (稻叶蝉)

     • rice water weevil (稻水象甲)

     • wheat phloeothrips (小麦皮蓟马)

     • white backed plant hopper (白背飞虱)

     • yellow rice borer (三化螟)

   • 数据集规模：模型训练充分，共使用训练集696张、验证集199张、测试集100张图像进行迭代优化。

2. 全面的检测与交互模式

   • 多模态检测：全面支持图像上传检测、视频文件分析以及摄像头实时流检测，满足田间实时巡查与事后资料分析等多种应用场景。

   • DeepSeek智能分析：在图片检测后，系统可将检测结果（如昆虫种类、数量、位置）发送至DeepSeek API，获取关于虫害发生情况、潜在危害及防治建议的智能文本分析，极大提升了系统的实用价值。

3. 完善的数据管理与可视化

   • 数据持久化：所有检测记录（图片、视频、摄像头）均会连同详细结果（检测时间、目标种类、置信度等）保存至MySQL数据库，便于历史追溯与分析。

   • 信息可视化：通过丰富的图表（如饼图、柱状图）对识别记录进行多维度数据可视化，直观展示各类昆虫的出现频率、时间分布等统计信息。

   • 记录管理：提供独立的模块用于管理图片、视频和摄像头的历史识别记录，支持查询、浏览和删除操作。

4. 人性化的用户与系统管理

   • 用户体系：完善的用户登录/注册功能，支持密码强度检测，保障账户安全。

   • 权限管理：设有用户管理模块，管理员可对系统内所有用户进行增、删、改、查操作。

   • 个人中心：用户可随时在个人中心修改昵称、密码、头像等个人信息。

   • 个性化设置：支持更换导航栏背景颜色，满足不同用户的审美偏好，提升用户体验。

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，deepseek

✅ 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。

✅ 支持更换导航栏背景颜色
 

登录注册模块

可视化模块

更换导航栏背景颜色

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

实时检测模块

图片识别记录管理

视频识别记录管理

摄像头识别记录管理

用户管理模块

数据管理模块（MySQL表设计）

• users - 用户信息表

• imgrecords- 图片检测记录表

• videorecords- 视频检测记录表

• camerarecords- 摄像头检测记录表

模型训练结果

#coding:utf-8
#根据实际情况更换模型
# yolon.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。
# yolos.yaml (small)：小模型，适合实时任务。
# yolom.yaml (medium)：中等大小模型，兼顾速度和精度。
# yolob.yaml (base)：基本版模型，适合大部分应用场景。
# yolol.yaml (large)：大型模型，适合对精度要求高的任务。
 
from ultralytics import YOLO
 
model_path = 'pt/yolo12s.pt'
data_path = 'data.yaml'
 
if __name__ == '__main__':
    model = YOLO(model_path)
    results = model.train(data=data_path,
                          epochs=500,
                          batch=64,
                          device='0',
                          workers=0,
                          project='runs',
                          name='exp',
                          )
 
 
 
 
 
 
 
 

YOLOv8

YOLOv10

YOLOv11

YOLOv12