【原创深度学习项目】基于深度学习的胸片肺炎智能识别检测系统（ResNet18模型）ResNet50、ViT_b_16、EfficientNet_b0）

qq_1445749146

2人浏览 · 2026-11-07 09:00:00

qq_1445749146 · 2026-11-07 09:00:00 发布

🔥作者：雨晨源码🔥
💖简介：java、微信小程序、安卓；定制开发，远程调试代码讲解，文档指导，ppt制作💖
精彩专栏推荐订阅：在下方专栏👇🏻👇🏻👇🏻👇🏻
Java精彩实战毕设项目案例
 小程序精彩项目案例
 Python大数据项目案例

💕💕文末获取源码

1、胸片肺炎智能识别检测系统 -前言介绍

1.1背景

随着医学影像数字化与人工智能辅助诊断技术的快速发展，基于胸部 X 射线影像的肺炎智能识别已广泛应用于基层筛查、体检初筛与急诊分诊等场景。然而，现有研究与应用仍存在明显不足：阅片高度依赖放射科医师经验，工作量大且易受疲劳与主观差异影响，基层机构阅片能力尤为不足；单一模型给出的结论缺少交叉验证，难以判断结果是否可靠；识别多局限于单张影像的离线判断，难以覆盖视频流与摄像头实时场景；识别结果缺乏统一的统计可视化与历史管理，难以回溯分析与质控。针对上述问题，本文设计并实现一套基于深度学习的胸片肺炎智能识别检测系统，以主模型与对比模型交叉验证、多源识别、可视化统计和规范化数据管理为核心，为胸片肺炎辅助筛查的落地应用提供可行方案。

1.2课题功能、技术

本系统采用 Django + Vue + MySQL 的前后端分离架构，以 ResNet18 卷积神经网络为主模型，对胸部 X 射线影像做「正常 / 肺炎」二分类，并支持切换 ViT-B-16 对比模型对同一张影像做辅助验证，通过 ImageNet 预训练迁移学习提取影像特征。系统面向普通用户与管理员两类角色：普通用户可完成注册登录、单张图片识别、视频抽帧识别（抽帧间隔可调）与摄像头实时识别，查看识别类别、置信度、推理耗时与提示信息（判为肺炎时给出「疑似肺炎，请结合临床影像与症状复核」的提示），并支持按任务类型与检出类别的历史查询、详情查看与删除，以及个人资料与密码维护；管理员可查看识别类别分布、模型版本识别量、置信度分布、识别趋势与任务类型占比等统计大屏，并对用户信息（查询、新增、更改、移除）与全部用户的识别记录进行管理。

1.3 意义

本系统将深度学习图像分类算法与 Web 工程实践相结合，具有较好的理论价值与应用意义。在技术层面，ResNet18 结构轻量，在保证分类效果的同时显著降低算力与部署成本，适合基层机构的普通设备运行；主模型与对比模型可切换，使同一张影像能获得交叉验证结果，便于判断模型结论的稳定性；图片、视频、摄像头三种多源识别统一了不同场景下的推理与展示流程，可调抽帧间隔在实时性与计算开销之间取得平衡，为医学影像辅助筛查系统的工程化落地提供了参考。在应用层面，系统通过可视化统计大屏与历史记录管理，把零散的识别结果转化为可分析的量化数据，可服务于基层医疗机构初筛、体检中心批量筛查、医学影像教学演示等场景；提示信息明确标注「请结合临床复核」，将系统定位在辅助筛查而非替代诊断，避免误用风险，规范化的用户与数据管理机制也提升了系统的实用性与可扩展性。

2、胸片肺炎智能识别检测系统 -研究内容

1、数据采集：以公开胸片肺炎数据集（Chest X-Ray Images）为基础，统一归并为正常、肺炎两类标签；补充不同设备、体位与曝光条件下的影像，保留早期浸润、局部实变等困难病例与易混淆样本，形成原始影像库。
2、数据清洗与处理：剔除模糊、重复、非胸片与标注冲突的样本；统一缩放至 224×224，灰度影像转三通道并按 ImageNet 均值方差归一化，通过随机翻转、旋转、亮度与对比度扰动增强，按 8∶1∶1 划分训练、验证与测试集。
3、数据可视化：基于 ECharts 实现识别类别分布、模型版本识别量、置信度分布直方图、识别趋势折线图与任务类型占比，并聚合为管理员统计大屏，支持按模型与时间维度下钻查看明细。
4、模型构建：以 ImageNet 预训练的 ResNet18 为主模型，ViT-B-16 为对比模型，将全连接层替换为二分类输出，采用迁移学习先冻结主干再微调，交叉熵损失配合 Adam 优化与早停策略训练，以 Accuracy、Precision、Recall、F1、AUC 与单张推理耗时作为评估指标，并重点控制肺炎类别的漏检率。
5、Web 系统开发：后端基于 Django 与 DRF 搭建 RESTful 接口，负责鉴权、任务调度、模型常驻推理与结果落库；前端采用 Vue3 与 Element Plus 构建单页应用，MySQL 存储用户信息与识别记录，OpenCV 完成视频抽帧与摄像头取流，模型对象缓存复用避免重复加载。

3、胸片肺炎智能识别检测系统 -开发技术与环境

开发语言：Python
后端框架：Django
前端：Vue3
数据库：MySQL
算法：ResNet18（主模型）/ ViT-B-16（对比模型）
开发工具：Pycharm
图像处理：OpenCV
图表组件：ECharts

4、胸片肺炎智能识别检测系统 -功能介绍

（创新点亮点：ResNet18 胸片二分类、主模型与对比模型交叉验证、识别统计大屏）
系统角色：用户、管理员
系统功能概述：
1）普通用户：支持注册登录、单张图片识别、视频抽帧识别（抽帧间隔可调）和摄像头实时识别，可切换 resnet18 主模型与 vit_b_16 对比模型对同一影像交叉验证；展示识别类别（正常 / 肺炎）、置信度、推理耗时与提示信息，并保留会话记录与实时画面；支持识别历史查询（按任务类型 image / video / camera、检出类别筛选）、详情查看与删除；提供数据大屏，展示识别类别分布、模型识别数量、置信度分布、识别趋势与任务类型占比；可维护个人资料、头像和密码。
2）系统管理员：支持管理员登录，查看数据大屏，管理用户信息（头像、账号、姓名、性别、年龄、手机，支持查询、新增、更改、移除），并可查看全部用户的识别记录与统计展示。
3）识别模型：基于 ResNet18 的胸部 X 射线影像分类模型，判断胸片为正常或肺炎，并通过 ViT-B-16 对比模型对同一影像交叉验证。系统定位为辅助筛查工具，识别结果仅供临床参考，不替代医师诊断。

5、胸片肺炎智能识别检测系统 -论文参考

[1] He K, Zhang X, Ren S, et al. Deep Residual Learning for Image Recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016: 770-778.
[2] Rajpurkar P, Irvin J, Zhu K, et al. CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning[J]. arXiv:1711.05225, 2017.
[3] Kermany D S, Goldbaum M, Cai W, et al. Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning[J]. Cell, 2018, 172(5): 1122-1131.
[4] Wang X, Peng Y, Lu L, et al. ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases[C]//CVPR, 2017: 2097-2106.
[5] Dosovitskiy A, Beyer L, Kolesnikov A, et al. An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale[C]//International Conference on Learning Representations, 2021.
[6] Tan M, Le Q V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks[C]//International Conference on Machine Learning, 2019: 6105-6114.

中文文献建议以「胸片肺炎深度学习」「医学影像辅助诊断」「迁移学习图像分类」「卷积神经网络医学影像」为关键词，在知网检索近五年硕博论文及《中华放射学杂志》《中国医学影像技术》《计算机应用》等期刊，按学校要求的 GB/T 7714 格式补充 3～5 篇；以上条目请在定稿前核对卷期页码。

6、胸片肺炎智能识别检测系统-成果展示

6.1演示视频

演示视频链接

6.2演示图片

一、用户端页面：
☀️系统登录☀️
在这里插入图片描述

图 1　登录页，左为课题名称与功能说明，右侧输入账号密码，可切换管理员 / 用户身份

☀️功能入口☀️
在这里插入图片描述

图 2　首页入口：图片识别、视频识别、摄像头识别、识别历史，右上角直达大屏

☀️图片识别（主模型）☀️
在这里插入图片描述

图 3　图片识别：主模型 resnet18 判为肺炎，置信度 100.00%，耗时 310ms

☀️主模型 / 对比模型切换☀️
在这里插入图片描述

图 4　切换对比模型 vit_b_16 后判为肺炎 98.39%，耗时 846ms，并给出复核提示

☀️视频抽帧识别☀️
在这里插入图片描述

图 5　视频识别：抽帧间隔 30，22.00s 处检出肺炎 100.0%，右侧保留会话记录

☀️摄像头实时识别☀️
在这里插入图片描述

图 6　摄像头识别：实时预览，肺炎 100.0%，resnet18 主模型，状态为识别中

☀️识别历史☀️
在这里插入图片描述

图 7　识别历史：共 10 条，展示任务类型、检出类别、置信度、模型与时间，支持详情

二、管理员端页面：
☀️用户管理☀️
在这里插入图片描述

图 8　用户管理：账号、姓名、性别、年龄、手机，支持详情、更改、移除与新增

☀️数据大屏☀️
在这里插入图片描述

图 9　数据大屏：肺炎 141 次 / 正常 44 次，含模型版本识别量、置信度分布与任务类型占比

三、模型训练结果图：建议补充 ROC 曲线与 AUC、混淆矩阵、F1 曲线与训练损失收敛图各一张，用于说明肺炎类别的漏检情况与主模型 / 对比模型差异；配图随训练权重一并放入源码包。

7、代码展示

1.图片识别与多模型推理【代码如下（示例）：】

MODEL_MAP = {
    'resnet18': 'weights/resnet18_main.pth',  # 主模型
    'vit_b_16': 'weights/vit_b16_compare.pth',  # 对比模型
}
CLASSES = ['正常', '肺炎']
_cache = {}

def load_model(key):
    if key not in _cache:
        net = build_model(key, num_classes=2)
        net.load_state_dict(torch.load(MODEL_MAP[key]))
        net.eval()
        _cache[key] = net
    return _cache[key]

class ImagePredictView(APIView):
    """图片识别：主模型与对比模型可切换"""
    permission_classes = [IsAuthenticated]

    def post(self, request):
        key = request.data.get('model', 'resnet18')
        if key not in MODEL_MAP:
            return Response({'detail': '不支持的模型'}, 400)
        img = read_image(request.FILES['image'])
        start = time.time()
        with torch.no_grad():
            prob = torch.softmax(load_model(key)(img), 1)[0]
        conf, idx = prob.max(0)
        label = CLASSES[int(idx)]
        conf = round(float(conf) * 100, 2)
        cost = round((time.time() - start) * 1000)
        hint = ('疑似肺炎，请结合临床影像与症状复核'
                if label == '肺炎' else '判断为正常，未见肺炎征象')
        PredictRecord.objects.create(
            user=request.user, task_type='image',
            label=label, confidence=conf, cost_ms=cost,
            model_version='main:' + key)
        return Response({'label': label, 'conf': conf,
                         'model': key, 'cost_ms': cost, 'hint': hint})

2.识别历史查询与删除【代码如下（示例）：】

class RecordSerializer(ModelSerializer):
    class Meta:
        model = PredictRecord
        fields = ['id', 'thumb', 'task_type', 'label',
                  'confidence', 'model_version', 'cost_ms',
                  'created_at']

class HistoryView(ListAPIView):
    """识别历史：按类别 + 任务类型筛选"""
    permission_classes = [IsAuthenticated]
    serializer_class = RecordSerializer
    pagination_class = PageNumberPagination

    def get_queryset(self):
        qs = PredictRecord.objects.filter(user=self.request.user)
        label = self.request.query_params.get('label')
        task = self.request.query_params.get('task')
        if label in CLASSES:  # 检出类别
            qs = qs.filter(label=label)
        if task in ('image', 'video', 'camera'):  # 任务类型
            qs = qs.filter(task_type=task)
        return qs.order_by('-created_at')

    def delete(self, request, *args, **kwargs):
        ids = request.data.get('ids', [])  # 批量删除
        PredictRecord.objects.filter(
            user=request.user, id__in=ids).delete()
        return Response({'deleted': len(ids)})