项目摘要

本项目旨在开发一个基于深度学习与Web技术的前后端分离式花生种子霉变智能识别与检测系统。系统核心采用先进的YOLOv8/v10/v11/v12系列目标检测模型，对花生种子图像进行高效、精准的二分分类（‘with mold’ 霉变 / ‘without mold’ 正常）。后端使用SpringBoot框架构建RESTful API，前端提供友好的Web交互界面，实现了用户管理、多模态检测（图像、视频、实时摄像头）、AI分析结果可视化与数据管理等功能。创新性地集成DeepSeek智能分析以增强检测能力，并将所有识别记录与用户信息持久化至MySQL数据库。该系统为农业品质控制提供了一套自动化、可视化的解决方案，有效提升了花生霉变检测的效率和准确性。

---

引言

在农业生产与食品加工领域，花生作为一种重要的经济作物和油料作物，其储存期间的霉变问题不仅会造成巨大的经济损失，更会因产生的黄曲霉素等有害物质严重威胁人畜健康。传统的人工目视检测方法效率低下、主观性强且易疲劳，难以满足大规模、高标准的质检需求。近年来，深度学习技术，特别是以YOLO系列为代表的目标检测算法，在图像识别领域取得了突破性进展，为自动化视觉检测提供了新的技术路径。

为此，我们设计并实现了这个基于YOLOv8/v10/v11/v12与SpringBoot的前后端分离花生种子霉变识别检测系统。本系统旨在通过集成最先进的深度学习模型与现代化的Web开发框架，构建一个功能完备、操作便捷、响应迅速的在线检测平台。它不仅支持多种检测模式和模型的灵活切换，还通过数据可视化和智能记录管理，为用户提供了从检测到分析的完整工作流，有望在农产品质量安全监测中发挥重要作用。

---

项目背景与介绍

1. 背景介绍

花生霉变是贯穿于其采收、储存、运输和加工各个环节的全球性难题。霉变花生是黄曲霉素的主要来源，而黄曲霉素是世界卫生组织划定的一类致癌物，具有强烈的毒性和致癌性。因此，对花生进行快速、准确的霉变检测，是实现农产品安全溯源、保障消费者健康、减少产后损失的关键环节。

随着计算机视觉和人工智能技术的飞速发展，基于深度学习的智能检测方法正逐步取代传统方法。其中，YOLO模型因其卓越的实时性和高精度而备受青睐。从YOLOv8到不断涌现的v10、v11、v12等版本，其性能持续优化，为复杂场景下的细粒度目标检测提供了强有力的技术支撑。同时，SpringBoot作为Java领域最流行的企业级开发框架，其简化配置、快速开发的特点非常适合构建稳健的后端服务。前后端分离的架构模式则确保了系统的可扩展性、可维护性以及良好的用户体验。

2. 系统介绍

本项目是一个集成了最新YOLO系列模型与SpringBoot框架的全栈Web应用，核心目标是实现花生种子霉变的智能化识别与检测。

系统核心特性如下：

• 先进的检测模型：系统支持在YOLOv8, v10, v11, v12四种模型间动态切换，允许用户根据对精度和速度的不同需求选择最合适的模型，数据集针对“有霉变”和“无霉变”两类进行训练。

• 多模态检测功能：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，覆盖了主要的应用场景。

• 强大的Web交互平台：采用前后端分离架构，后端SpringBoot提供稳定的API服务，前端界面提供直观的操作体验。功能包括：

  • 用户体系：完整的登录/注册（含密码安全检测）、个人中心（信息修改）、以及管理员对用户的管理模块。

  • 数据管理：所有检测结果（图片、视频、摄像头）均保存至MySQL数据库，并提供独立的记录管理页面进行查看、追溯和管理。

  • 信息可视化：通过图表等形式对检测数据进行可视化展示，便于用户进行统计分析。

  • 增强的AI分析：集成DeepSeek智能分析功能，为图像检测提供更深入的洞察。

  • 个性化设置：支持更换导航栏背景颜色等界面自定义选项，提升用户体验。

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的前后端分离花生种子霉变识别检测系统（DeepSeek智能分析+web交互界面）_哔哩哔哩_bilibili

基于YOLOv8/v10/v11/v12与SpringBoot的前后端分离花生种子霉变识别检测系统（DeepSeek智能分析+web交互界面）_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1gACtBTEHe/?spm_id_from=333.1387.homepage.video_card.click&vd_source=549d0b4e2b8999929a61a037fcce3b0f

https://www.bilibili.com/video/BV1gACtBTEHe

目录

 项目摘要

引言

项目背景与介绍

1. 背景介绍

2. 系统介绍

项目源码+数据集下载链接

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

前端代码展示

---

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

前端代码展示