一、项目演示视频

二、技术栈

1. 前端技术栈 (web-vue)
   核心框架: Vue 3.5.13 (Composition API)
   UI组件库: Element Plus 2.9.4
   状态管理: Pinia 2.3.1
   路由管理: Vue Router 4.5.0
   HTTP客户端: Axios 1.7.9
   图表可视化: ECharts 5.6.0
   视频播放: flv.js 1.6.2
   构建工具: Vite 6.1.0 + TypeScript 5.7.2

2. 后端+算法端技术栈 (web-flask)
   核心框架: Flask (Python)
   数据库: SQLite 3
   身份认证: JWT
   图像处理: OpenCV + NumPy
   深度学习: YOLOv8/YOLO11/YOLO12
   多模态AI: Qwen-VL多模态大语言模型API接口

三、功能模块

核心创新点

1. 肺炎病灶检测: 基于肺部X光片/CT影像的智能识别和定位(PNG、JPG图片)
2. 多模态检测方式: 支持图片、视频、实时摄像头三种检测模式
3. YOLO模型集成: 集成YOLOv8/YOLO11/YOLO12等先进目标检测模型
4. 智能影像分析: 基于AI的肺炎病灶自动识别和定位
5. 分层权限管理: 支持管理员和普通用户的差异化功能访问
6. 完整工作流程: 从数据集管理到模型训练再到肺炎检测的完整闭环
7. 多模态大模型辅助分析: 使用多模态大模型根据YOLO检测识别结果和医学影像进一步分析并给出诊断建议(属于图片识别功能模块)

应用场景

1. 疗机构: 医院放射科的肺炎辅助诊断
2. 基层诊所: 提升基层医疗机构的诊断能力
3. 体检中心: 肺部健康筛查和早期发现
4. 远程医疗: 支持远程医疗诊断服务
5. 医学教育: 医学影像诊断的教学和培训

四、项目链接

链接: https://pan.baidu.com/s/1LQpT_og9KbSeFTdKe7PiyA?pwd=n8rr 提取码: n8rr

1. 完整系统源码
   (1)前端源码(web-vue)
   (2)后端+算法端源码(web-flask)
   (3)模型训练代码(other/model_train/detect)

2. 项目介绍文档
   (1)项目概述
   (2)项目技术栈
   (3)项目目录结构
   (4)系统架构图、功能模块图

3. 项目启动教程
   (1)环境安装教程(视频+文档)
   (2)系统启动教程(视频+文档)

4. 医学肺炎检测数据集
   (1)总样本数：12678张医学影像（肺部X光片/CT影像,PNG、JPG格式）
   (2)训练集：7801张影像（用于模型训练）
   (3)验证集：2925张影像（用于模型验证和性能调优）
   (4)测试集：1952张影像（用于模型最终性能评估）
   (5)检测类别: 1类肺部病变检测
   0: lung_opacity - 肺部不透明度 - 肺部X光片或CT影像中显示的异常不透明区域，可能指示肺炎、肺部感染或其他肺部病变

5. 已经训练好的模型权重，整体精度如下：
   (1)测试集规模: 1952张医学影像，包含3093个标注实例
   (2)precision (精确率): 0.905 - 模型检测准确率，减少误诊风险
   (3)recall (召回率): 0.852 - 模型发现病灶能力，减少漏诊风险
   (4)mAP50 (IoU阈值0.5时的平均精度): 0.923 - 高精度病灶定位能力
   (5)mAP50-95 (IoU阈值0.5-0.95的平均精度): 0.63 - 精确定位性能