随着电子制造业向高精度、高集成度发展，印刷电路板（PCB）的质量检测成为保证产品可靠性的关键环节。传统的PCB缺陷检测方法依赖人工目检或传统图像处理技术，效率低、误检率高，难以满足现代工业自动化需求。本研究基于YOLO26目标检测算法，构建了一个PCB缺陷自动识别系统，涵盖六类常见缺陷：missing_hole、mouse_bite、open_circuit、short、spur、spurious

本研究针对医学寄生虫检测需求，基于YOLO26目标检测算法开发了一套多类别寄生虫识别检测系统。系统可识别包括钩虫、蛔虫、蛲虫、肝片吸虫、膜壳绦虫、血吸虫、带绦虫和鞭虫在内的8种常见人体寄生虫。研究采用2110张显微图像构建数据集，其中训练集1484张、验证集411张、测试集215张。实验结果显示，模型在验证集上的mAP50达到0.885，mAP50-95达到0.728，单张图像推理速度仅2.8ms

森林火灾是全球面临的重大生态安全挑战，及早发现并预警火情对保护生态环境和人民生命财产安全至关重要。本研究设计并实现了一套集先进深度学习技术与现代化Web架构于一体的森林火灾烟雾智能检测系统。该系统创新性地集成YOLOv8、YOLOv10、YOLOv11和YOLOv12四种最新目标检测模型，专门针对"火焰（fire）"和"烟雾（smoke）"两类关键火情特征进行高精度识别。系统采用SpringBoo

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）

本项目旨在设计并实现一个高效、精准、用户友好的无人机自动识别与综合管理系统。系统核心采用当前最前沿的YOLOv8/YOLOv10/YOLOv11/YOLOv12目标检测算法，构建了一个高性能的无人机检测模型。项目创新性地集成了DeepSeek大型语言模型的智能分析能力，赋予系统对检测结果的语义理解和生成式描述功能。系统架构采用前后端分离的现代化设计模式，后端使用Spring Boot等框架构建稳健

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

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

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

DeepSeek智能分析是一个集成了最新目标检测技术与现代化Web开发框架的高性能、可扩展的智能视觉分析平台。该系统核心致力于解决公共卫生场景下的口罩佩戴规范检测问题，通过先进的YOLO系列算法，实现了对图像、视频及实时摄像头流中人员是否佩戴口罩的精准、高效识别。系统采用前后端分离的架构设计，后端使用稳健的SpringBoot框架构建RESTful API，负责核心业务逻辑、用户管理与AI模型调度