手机端做的优秀的网站设计,男女做羞羞的事网站,镇江网站seo,怎么做网页小猪佩奇基于YOLO#xff0b;DeepSeek#xff0b;智能垃圾分类系统 PytorchSpringBootFlaskVue可接受定制#xff1a; ✓抽烟行为识别 ✓航拍火灾检测 ✓水果识别 ✓草莓成熟度检测 ✓腐烂水果识别 ✓番茄叶片病害识别 ✓作物虫害识别 ✓棉花虫害识别 ✓垃圾桶满溢检测 ✓铁轨缺陷检…基于YOLODeepSeek智能垃圾分类系统PytorchSpringBootFlaskVue可接受定制✓抽烟行为识别✓航拍火灾检测✓水果识别✓草莓成熟度检测✓腐烂水果识别✓番茄叶片病害识别✓作物虫害识别✓棉花虫害识别✓垃圾桶满溢检测✓铁轨缺陷检测✓钢铁表面缺陷检测✓钢索缺陷识别✓绝缘子缺陷识别✓墙体缺陷检测✓金属表面缺陷识别✓天池铝型材缺陷检测✓安全帽和安全背心穿戴识别✓工程机械识别✓条形码检测✓停车位识别✓灭火器识别✓遥感航拍飞机识别✓遥感航拍船舶和飞机识别✓遥感航拍船舶识别✓猫狗识别✓煤矸石检测✓电线杆识别✓红绿灯识别✓瞳孔识别✓煤矿输送带异物识别等各种数据集中的目标检测缺陷检测等本项目已经训练好模型配置好环境可直接使用也可以自己加数据集训练运行效果见图像及视频。共4类标签[“可回收垃圾”,“其他垃圾”,“厨余垃圾”,“有害垃圾”]系统亮点多场景检测支持单张图片、图片集、视频、实时摄像头等多种输入方式。实时反馈提供实时检测结果和详细分析报告可导出 PDF。高精度识别基于改进 YOLOV5/8/11/12 结合 PyTorch 实现垃圾分类检测准确率高运行速度快。AI智能分析结合Deepseek/ Qwen 大模型智能分析可生成详细检测建议。直观UI界面基于 Vue3 Flask 前端展示操作界面简洁清晰。技术栈1、架构B/S、MVC2、系统环境Windows、Mac3、开发环境IDEA、JDK1.8、Maven、Nodejs、Mysql、Python 3.94、技术栈Java、Mysql、Vue、spring boot、Mybatis、Element plus、Python、Flask、YOLOV5/8/11/12。11全栈毕业设计项目**构建这套YOLO DeepSeek SpringBoot Vue系统的核心代码框架。第一部分可接受定制项目表这些项目涵盖了工业、农业、安防、交通等多个领域非常适合作为毕业设计的不同选题方向。序号类别项目名称01行为/安防抽烟行为识别02安防/消防航拍火灾检测03农业/生活水果识别04农业草莓成熟度检测05农业/生活腐烂水果识别06农业番茄叶片病害识别07农业作物虫害识别08农业棉花虫害识别09环保/市政垃圾桶满溢检测10交通/基建铁轨缺陷检测11工业钢铁表面缺陷检测12基建钢索缺陷识别13电力绝缘子缺陷识别14建筑墙体缺陷检测15工业金属表面缺陷识别16工业天池铝型材缺陷检测17安全/工地安全帽和安全背心穿戴识别18工程工程机械识别19零售/物流条形码检测20交通停车位识别21消防灭火器识别22遥感/军事遥感航拍飞机识别23遥感/交通遥感航拍船舶和飞机识别24遥感/交通遥感航拍船舶识别25宠物/生活猫狗识别26矿业煤矸石检测27基建电线杆识别28交通红绿灯识别29医疗/生物瞳孔识别30工业/矿业煤矿输送带异物识别第二部分系统构建核心代码由于这是一个前后端分离的项目Vue SpringBoot Python Flask我将分模块提供核心逻辑代码。1. 后端 AI 服务 (Python Flask YOLO DeepSeek)这是系统的核心大脑负责接收图片运行 YOLO 检测并调用 DeepSeek 生成建议。文件app.py(Python 后端)fromflaskimportFlask,request,jsonifyfromflask_corsimportCORSfromultralyticsimportYOLOimportrequestsimportjsonimportosimportbase64fromdatetimeimportdatetime appFlask(__name__)CORS(app)# 允许跨域请求# 配置区域 MODEL_PATHweights/best.pt# 你的训练好的权重DEEPSEEK_API_KEYYOUR_DEEPSEEK_KEYDEEPSEEK_URLhttps://api.deepseek.com/v1/chat/completions# 加载模型 (全局加载一次提高速度)modelYOLO(MODEL_PATH)# 工具函数 defcall_deepseek_ai(detections): 将 YOLO 检测结果发送给 DeepSeek 进行分析 ifnotdetections:return未检测到任何目标。# 构造提示词prompt_datajson.dumps(detections,ensure_asciiFalse)system_msg你是一个智能垃圾分类专家。根据检测到的物体及其置信度分析垃圾类型分布并给出环保建议。user_msgf检测数据{prompt_data}。请生成简短的分析报告。headers{Authorization:fBearer{DEEPSEEK_API_KEY},Content-Type:application/json}payload{model:deepseek-chat,messages:[{role:system,content:system_msg},{role:user,content:user_msg}]}try:resprequests.post(DEEPSEEK_URL,headersheaders,jsonpayload)returnresp.json()[choices][0][message][content]exceptExceptionase:returnfAI 分析服务暂时不可用{str(e)}# API 接口 app.route(/detect,methods[POST])defdetect_image(): 单张图片检测接口 接收前端上传的图片返回标注后的图片 Base64 和 JSON 数据 iffilenotinrequest.files:returnjsonify({error:No file part}),400filerequest.files[file]img_pathftemp/{datetime.now().strftime(%Y%m%d%H%M%S)}.jpgos.makedirs(temp,exist_okTrue)file.save(img_path)# 1. YOLO 推理resultsmodel(img_path)resultresults[0]# 2. 提取检测数据 (用于传给 DeepSeek 和 前端表格)detections[]forboxinresult.boxes:cls_idint(box.cls[0])conffloat(box.conf[0])namemodel.names[cls_id]detections.append({class:name,confidence:round(conf,4),bbox:box.xyxy[0].tolist()})# 3. 调用 DeepSeek 生成建议ai_advicecall_deepseek_ai(detections)# 4. 保存带框图片并转 Base64 (方便前端直接显示)annotated_img_pathftemp/annotated_{datetime.now().strftime(%Y%m%d%H%M%S)}.jpgresult.save(filenameannotated_img_path)withopen(annotated_img_path,rb)asimage_file:encoded_stringbase64.b64encode(image_file.read()).decode(utf-8)# 5. 返回结果returnjsonify({status:success,image_base64:fdata:image/jpeg;base64,{encoded_string},detections:detections,ai_advice:ai_advice,time_cost:f{result.speed[inference]}ms})if__name____main__:app.run(host0.0.0.0,port5000,debugTrue)2. 后端业务管理 (Java SpringBoot)负责用户管理、历史记录存储、数据统计对应截图中的 Dashboard。实体类DetectionRecord.javaDataEntityTable(namedetection_records)publicclassDetectionRecord{IdGeneratedValue(strategyGenerationType.IDENTITY)privateLongid;privateStringuserId;privateStringoriginalImagePath;// 原图路径privateStringresultImagePath;// 标注图路径privateStringdetectionResult;// JSON 格式的检测结果privateStringaiAdvice;// DeepSeek 生成的建议privateDoubleconfidenceAvg;// 平均置信度privateLocalDateTimecreateTime;}Controller:DashboardController.java(对应截图中的数据看板)RestControllerRequestMapping(/api/dashboard)publicclassDashboardController{AutowiredprivateDetectionRecordRepositoryrecordRepository;// 获取不同种类垃圾的检测个数 (对应截图左上角柱状图)GetMapping(/stats/by-category)publicResponseEntityMapString,LonggetCategoryStats(){// 这里需要编写 SQL 或 JPA 查询统计 detection_result 字段中各类别的出现次数// 伪代码逻辑MapString,LongstatsrecordRepository.countByCategoryLastMonth();returnResponseEntity.ok(stats);}// 获取实时检测记录列表 (对应截图右下角表格)GetMapping(/records/recent)publicResponseEntityListDetectionRecordgetRecentRecords(){ListDetectionRecordrecordsrecordRepository.findTop10ByOrderByCreateTimeDesc();returnResponseEntity.ok(records);}}3. 前端界面 (Vue 3 Element Plus)对应截图中的操作界面。组件ImageDetection.vue(单图检测页面)templatedivclassdetection-container!-- 左侧上传与展示 --el-cardclassbox-cardel-uploadclassupload-demodragactionhttp://localhost:5000/detect:on-successhandleSuccess:show-file-listfalseel-iconclassel-icon--uploadupload-filled//el-icondivclassel-upload__text拖拽图片到此处 或em点击上传/em/div/el-uploaddivv-ifresultImageclassresult-areaimg:srcresultImagealt检测结果是stylewidth:100%;border-radius:8px;//div/el-card!-- 右侧结果与分析 --el-cardclassbox-cardstylemargin-left:20px;h3详细结果/h3el-table:datatableDatastylewidth:100%el-table-columnpropclasslabel识别结果width180/el-table-columnpropconfidencelabel置信度width180//el-tableh3stylemargin-top:20px;AI 建议 (DeepSeek)/h3el-alert:titleaiAdvicetypeinfo:closablefalseshow-icon//el-card/div/templatescriptsetupimport{ref}fromvue;import{UploadFilled}fromelement-plus/icons-vue;importaxiosfromaxios;constresultImageref();consttableDataref([]);constaiAdviceref();consthandleSuccess(response){if(response.statussuccess){resultImage.valueresponse.image_base64;tableData.valueresponse.detections;aiAdvice.valueresponse.ai_advice;}};/scriptstylescoped.detection-container{display:flex;padding:20px;}.box-card{flex:1;}/style部署与运行指南数据库创建 MySQL 数据库运行 SQL 脚本建立detection_records和users表。Python 环境pip install flask flask-cors ultralytics requests将训练好的best.pt放入weights/文件夹。运行python app.py启动 AI 服务。Java 环境使用 IDEA 打开 SpringBoot 项目。配置application.yml连接 MySQL。运行主类启动后端服务。前端环境npm installnpm run dev访问http://localhost:8080即可看到截图中的界面。登录、看板、检测、记录可以直接作为毕业设计的核心源码。