本项目旨在设计并实现一套集先进目标检测算法、现代化Web交互界面与智能分析于一体的“智能绝缘子缺陷检测与分析系统”。系统核心技术层采用当前YOLO系列最新模型（包括YOLOv8、YOLOv10、YOLOv11及YOLOv12），构建了一个高性能、可切换的视觉检测引擎，专门用于从复杂背景的航拍或地面巡检图像/视频中，准确识别并定位绝缘子的四种典型状态：‘绝缘子串’（正常）、‘完好单片’（无缺陷）、‘

本项目旨在设计并实现一个集成了前沿深度学习模型与现代化Web技术的综合性“小目标车辆检测与智能分析系统”。系统核心采用最新的YOLO系列模型作为检测引擎，通过集成与对比YOLOv8、YOLOv10、YOLOv11及YOLOv12四种高性能版本，为用户提供灵活、强大的小目标车辆检测能力。系统后端基于SpringBoot框架构建，采用前后端分离的架构模式，确保了系统的高内聚、低耦合与良好的可扩展性。前

本项目旨在设计并实现一个高效、准确且具备良好用户体验的智能超市商品识别检测系统。系统深度融合了前沿的计算机视觉技术与现代化的Web开发框架，以解决零售场景下海量、多品类商品的自动化识别与管理需求。系统核心采用目前性能卓越的YOLOv8、YOLOv10、YOLOv11及YOLOv12等主流目标检测模型，构建了一个包含295类常见超市商品的专用识别引擎，覆盖饮料、零食、生鲜、调味品、日用品等多个大类，

本系统采用“前后端分离”的设计范式。后端以SpringBoot为核心，负责用户管理、模型调度、数据持久化等业务逻辑，数据库采用MySQL。前端采用现代化的Web技术栈，提供了直观、交互友好的用户界面。核心检测模块则集成了YOLO系列的最新演进模型，包括YOLOv8、YOLOv10、YOLOv11以及YOLOv12，构建了一个多模型比选与切换的平台。系统专注于检测三类常见且危害严重的水稻叶部病害：细

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

杂草的精准识别与定位是实现智能农业精准施药的关键技术之一。本研究针对农田中常见的杂草“ridderzuring”（酸模），构建了一个基于YOLO26的目标检测系统。数据集共包含2486张标注图像，划分为训练集（1661张）、验证集（580张）和测试集（245张），所有图像均标注了单一类别“0 ridderzuring”。实验结果表明，模型在验证集上的平均精度均值（mAP@0.5）达到78.1%，精

本文基于YOLO26目标检测算法构建了一套花卉识别检测系统，旨在实现对13种常见花卉（包括Common Lanthana、Hibiscus、Jatropha、Marigold、Rose、champaka、chitrak、honeysuckle、indian mallow、malabar melastome、shankupushpam、spider lily、sunflower）的自动识别与定位。系

针对红外场景下无人机目标检测任务，本文基于YOLO26框架构建了一套高精度识别系统。实验采用包含5019张训练图像与1233张验证图像的红外无人机数据集，类别为单一目标drone。模型训练后，在验证集上取得了mAP50为0.981、Precision为0.986、Recall为0.949的优异性能，F1-score最高达0.97。混淆矩阵显示，无人机识别准确率达96%，背景误检率仅为4%。实验结果

道路裂缝作为路面主要病害形式之一，其自动化、高精度检测对公路养护具有重要意义。本文基于YOLO26目标检测算法构建了一套道路裂缝识别检测系统，针对横向裂缝（D00）、纵向裂缝（D10）、网状裂缝（D20）及车道线裂缝（D40）四类典型路面病害进行检测。模型在包含10000张图像的数据集上进行训练与验证（训练集8000张，验证集2000张），但对车道线裂缝及纵向裂缝仍存在一定漏检问题。本文系统为道路

车辆碰撞事故的快速、准确识别对于智能交通管理与紧急救援响应具有重要意义。本文基于YOLO26目标检测算法，构建了一个面向车辆碰撞严重程度分级（中度车祸与重度车祸）的自动识别检测系统。模型训练共使用11,780张标注图像，其中训练集9,758张，验证集1,347张，测试集675张，包含中度与重度两类碰撞实例共计1,406个。实验结果表明，模型在验证集上的整体mAP50达到0.987，整体精度为0.9