本项目设计并实现了一个集成了前沿深度学习技术与现代化Web开发框架的施工现场安全智能检测与管理系统。系统核心采用最新的YOLO系列目标检测模型（包括YOLOv8, YOLOv10, YOLOv11, YOLOv12），构建了一个高精度、高效率的施工现场安全隐患实时识别引擎。通过引入DeepSeek大语言模型的智能分析能力，系统不仅能够识别目标，更能对复杂场景进行逻辑推理与风险描述，极大地提升了安全

本项目是一个基于先进深度学习技术构建的、功能全面且用户友好的裂缝智能检测系统。系统采用现代化的前后端分离架构，前端使用Vue.js构建响应式用户界面，后端采用SpringBoot框架提供稳健的API服务。核心检测算法集成了最新的YOLO系列模型（v8/v10/v11/v12），为用户提供了灵活且高性能的模型选择。此外，系统创新性地引入了DeepSeek大语言模型，为检测结果提供智能化的分析与解释，

本文介绍了一个集成了最新计算机视觉技术与现代Web开发框架的综合性教师课堂行为识别与分析系统。该系统旨在通过非侵入式手段，自动识别和记录教师在课堂教学中的关键行为模式，为教学评估、教师专业发展与教育研究提供客观、量化的数据支持。系统的核心采用以YOLOv8为基准，并兼容至前沿的YOLOv12系列模型的目标检测算法，确保了对“翘腿”、“指导学生”、“看屏幕”、“讲授/提问”、“使用手机”、“书写”等

本系统是一个深度融合了当代最前沿的深度学习目标检测技术、大语言模型分析能力与现代企业级Web开发框架的综合型智能应用平台。系统以高性能、可迭代的YOLO系列模型（涵盖v8, v10, v11, v12） 作为其核心的视觉感知引擎，专门用于对特定杂草物种—— 进行高精度、高效率的识别与定位。通过基于SpringBoot的鲁棒后端架构，系统构建了一套完整的用户认证、数据管理，并辅以清晰明了的响应式前端

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了尖端性能。基于先前 YOLO 版本的进步，YOLOv8 引入了新功能和优化，使其成为各种应用中目标检测任务的理想选择。YOLOv8 的主要特性YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点

​。

随着智慧农业和精准农业的快速发展，利用计算机视觉技术实现水果的自动化检测与分级已成为研究热点。传统的苹果成熟度人工判定方法效率低、主观性强且成本高昂。为此，本研究设计并实现了一个基于深度学习与Web技术的苹果成熟度智能检测系统。本系统的核心在于整合了先进的YOLO（You Only Look Once）系列目标检测模型（包括YOLOv8、v10、v11及v12），构建了一个多成熟度级别的苹果检测模

系统的核心检测模块采用了基于PyTorch的YOLO系列模型（包括YOLOv8、YOLOv10、YOLOv11及YOLOv12），通过在一个包含3,713张高质量标注图像（训练集2,939张，验证集774张）的数据集上进行充分训练，模型能够精准识别草莓的三种关键成熟状态：未成熟、成熟中、已成熟。该模块提供了图片上传检测、视频流分析以及摄像头实时检测三种灵活的应用模式，满足不同场景下的检测需求。

本文提出并实现了一种基于深度学习与Web技术的智能化、高精度布料缺陷检测系统。系统核心结合了前沿的目标检测算法YOLOv8、YOLOv10、YOLOv11及YOLOv12，构建了高性能的布料缺陷识别模型。后端采用SpringBoot框架搭建了稳定、可扩展的RESTful API服务，前端则通过现代化的Web技术构建了交互友好、功能丰富的用户界面，整体架构遵循前后端分离的设计原则，确保了系统的可维护

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了尖端性能。基于先前 YOLO 版本的进步，YOLOv8 引入了新功能和优化，使其成为各种应用中目标检测任务的理想选择。YOLOv8 的主要特性YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点