本文设计并实现了一套基于YOLOv8/v10/v11/v12算法与SpringBoot框架的前后端分离火灾检测Web系统。系统旨在通过深度学习技术，实现对火灾早期特征——火焰（'fire'）与烟雾（'smoke'）——的精准、实时识别。项目采用自建数据集，包含6,744张高质量标注图像（训练集4,832张、验证集1,000张、测试集912张），确保了模型的鲁棒性。系统核心提供了一个集用户管理、实时

本项目旨在研发一个基于先进YOLO系列目标检测算法（YOLOv8/v10/v11/v12）与SpringBoot框架的前后端分离式学生课堂行为智能识别与分析系统。系统通过深度学习技术，自动识别学生在课堂上的多种典型行为，如举手、阅读、书写、使用手机、低头、趴桌等。系统提供Web交互界面，支持用户管理、多种检测模式（图像、视频、实时摄像头）、模型动态切换、数据可视化以及集成DeepSeek智能分析功

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

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

本文详细介绍了一套功能完整、技术先进的“基于深度学习的安全帽佩戴识别检测系统”。该系统旨在解决工业生产、建筑工地、电力巡检等高风险场景下的人员安全监管难题。系统核心采用当下最前沿的YOLO系列目标检测模型（集成YOLOv8、YOLOv10、YOLOv11及YOLOv12），实现了对“安全帽”（helmet）和“头部”（head，即未佩戴安全帽）两类目标的高精度、实时检测。项目不仅构建了强大的算法后

摘要： 随着3D打印技术的广泛应用，其打印质量的自动检测与控制成为保障制造效率与产品质量的关键环节。传统的缺陷检测方法依赖人工目视，存在效率低下、主观性强、难以实现连续监控等弊端。本研究提出并实现了一个基于深度学习与Web技术的智能化3D打印缺陷在线检测系统。系统核心采用先进的YOLOv8/YOLOv10/YOLOv11/YOLOv12目标检测算法，对三种常见打印缺陷（拉丝、毛刺、垂料）进行高精度

传统的疲劳检测方法多依赖于接触式传感器（如脑电图、心电图），这些方法不仅侵扰驾驶员，且成本高昂，难以在实际驾驶场景中大规模应用。近年来，随着深度学习技术在计算机视觉领域的突破，基于人脸表情和行为分析的非接触式疲劳检测方案展现出巨大的潜力。本项目旨在利用最先进的YOLO系列目标检测模型，结合现代化的Web开发框架，设计并实现一个高效、稳定、用户友好的前后端分离疲劳驾驶识别检测系统。

本系统采用前后端分离的架构。后端以SpringBoot框架为核心，负责业务逻辑、用户管理与数据持久化，使用MySQL数据库存储用户信息与检测记录。前端提供交互式Web界面，实现数据可视化与管理功能。系统的核心检测模块集成并支持YOLOv8、YOLOv10、YOLOv11、YOLOv12四种先进的YOLO系列目标检测算法，针对包含black_core（黑心）、crack（裂纹）、finger（断栅）

本文详细阐述了一个集成了先进深度学习目标检测算法与现代化Web交互界面的智能车辆类型识别检测系统的设计与实现。该系统以多版本YOLO系列模型（包括最新的YOLOv8, YOLOv10, YOLOv11, YOLOv12）为核心检测引擎，构建了一个功能完备、前后端分离的Web应用平台。系统不仅实现了对图片、视频及摄像头实时流的精准车辆检测与12类精细车型分类，还创新性地整合了DeepSeek大语言模

本论文介绍了一个基于深度学习的综合性皮肤病识别与检测系统，该系统集成了最新的YOLO系列目标检测算法、DeepSeek智能分析引擎和现代化的Web交互界面。系统实现了对七种常见皮肤病变的自动识别和分类，包括鲍温氏病、基底细胞癌、良性角化病变、皮肤纤维瘤、黑色素瘤、黑色素细胞痣和血管病变。通过构建前后端分离的架构，系统提供了用户友好的Web界面，支持图片、视频和实时摄像头检测等多种输入方式。系统采用