基于YOLOv8/v10/v11/v12与SpringBoot的前后端分离昆虫识别检测系统（DeepSeek智能分析+web交互界面）
一、 系统引言
随着精准农业和智慧植保的快速发展，利用计算机视觉技术对农作物病虫害进行快速、准确的识别与监测，已成为现代农业信息化的重要研究方向。昆虫作为影响农作物健康生长的关键生物因子，其早期发现与种类鉴定对于有效实施防治措施、减少农药滥用、保障粮食安全具有重要意义。然而，传统的人工田间调查方式存在效率低、主观性强、专业知识要求高等局限性。
为解决上述问题，我们设计并开发了这款“基于YOLOv8/v10/v11/v12与SpringBoot的前后端分离昆虫识别检测系统”。本系统深度融合了前沿的深度学习目标检测技术与现代化的Web开发框架，旨在为用户提供一个高效、精准、易用且功能完备的智能昆虫识别与分析平台。
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理等全套功能，为农业技术人员、科研工作者及广大农户提供了一个强有力的数字化工具。
目录
一、 系统引言
项目源码+数据集下载链接
二、 系统核心特性概述
功能模块
登录注册模块
可视化模块
更换导航栏背景颜色
图像检测模块
视频检测模块
实时检测模块
图片识别记录管理
视频识别记录管理
摄像头识别记录管理
用户管理模块
数据管理模块（MySQL表设计）
模型训练结果
YOLOv8
YOLOv10
YOLOv11
YOLOv12
项目源码+数据集下载链接
完整代码在哔哩哔哩视频下方简介内获取
基于YOLOv8/v10/v11/v12与SpringBoot的前后端分离昆虫识别检测系统（DeepSeek智能分析+web交互界面）_哔哩哔哩_bilibili
https://www.bilibili.com/video/BV1V814B2EfS
视频介绍https://www.bilibili.com/video/BV1V814B2EfS
二、 系统核心特性概述
本系统围绕智能化、可视化和易管理三大核心理念构建，主要特性如下：
先进的深度学习检测引擎
多模型支持：用户可在YOLOv8, YOLOv10, YOLOv11, YOLOv12四种先进的检测模型间自由切换，便于比较不同模型的性能或选择最适合的版本进行部署。
专注的检测目标：模型基于一个包含10类重要农业昆虫的数据集进行训练，具体包括：
army worm(粘虫)legume blister beetle(豆芫菁)red spider(红蜘蛛)rice gall midge(稻瘿蚊)rice leaf roller(稻纵卷叶螟)rice leafhopper(稻叶蝉)rice water weevil(稻水象甲)wheat phloeothrips(小麦皮蓟马)white backed plant hopper(白背飞虱)yellow rice borer(三化螟)
数据集规模：模型训练充分，共使用训练集696张、验证集199张、测试集100张图像进行迭代优化。
全面的检测与交互模式
多模态检测：全面支持图像上传检测、视频文件分析以及摄像头实时流检测，满足田间实时巡查与事后资料分析等多种应用场景。
DeepSeek智能分析：在图片检测后，系统可将检测结果（如昆虫种类、数量、位置）发送至DeepSeek API，获取关于虫害发生情况、潜在危害及防治建议的智能文本分析，极大提升了系统的实用价值。
完善的数据管理与可视化
数据持久化：所有检测记录（图片、视频、摄像头）均会连同详细结果（检测时间、目标种类、置信度等）保存至MySQL数据库，便于历史追溯与分析。
信息可视化：通过丰富的图表（如饼图、柱状图）对识别记录进行多维度数据可视化，直观展示各类昆虫的出现频率、时间分布等统计信息。
记录管理：提供独立的模块用于管理图片、视频和摄像头的历史识别记录，支持查询、浏览和删除操作。
人性化的用户与系统管理
用户体系：完善的用户登录/注册功能，支持密码强度检测，保障账户安全。
权限管理：设有用户管理模块，管理员可对系统内所有用户进行增、删、改、查操作。
个人中心：用户可随时在个人中心修改昵称、密码、头像等个人信息。
个性化设置：支持更换导航栏背景颜色，满足不同用户的审美偏好，提升用户体验。
功能模块
✅ 用户登录注册：支持密码检测，保存到MySQL数据库。
✅ 支持四种YOLO模型切换，YOLOv8、YOLOv10、YOLOv11、YOLOv12。
✅ 信息可视化，数据可视化。
✅ 图片检测支持AI分析功能，deepseek
✅ 支持图像检测、视频检测和摄像头实时检测，检测结果保存到MySQL数据库。
✅ 图片识别记录管理、视频识别记录管理和摄像头识别记录管理。
✅ 用户管理模块，管理员可以对用户进行增删改查。
✅ 个人中心，可以修改自己的信息，密码姓名头像等等。
✅ 支持更换导航栏背景颜色
登录注册模块
可视化模块
更换导航栏背景颜色
图像检测模块
YOLO模型集成(v8/v10/v11/v12)
DeepSeek多模态分析
支持格式：JPG/PNG/MP4/RTSP
视频检测模块
实时检测模块
图片识别记录管理
视频识别记录管理
摄像头识别记录管理
用户管理模块
数据管理模块（MySQL表设计）
users- 用户信息表
imgrecords- 图片检测记录表
videorecords- 视频检测记录表
camerarecords- 摄像头检测记录表
模型训练结果
#coding:utf-8 #根据实际情况更换模型 # yolon.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 # yolos.yaml (small)：小模型，适合实时任务。 # yolom.yaml (medium)：中等大小模型，兼顾速度和精度。 # yolob.yaml (base)：基本版模型，适合大部分应用场景。 # yolol.yaml (large)：大型模型，适合对精度要求高的任务。 from ultralytics import YOLO model_path = 'pt/yolo12s.pt' data_path = 'data.yaml' if __name__ == '__main__': model = YOLO(model_path) results = model.train(data=data_path, epochs=500, batch=64, device='0', workers=0, project='runs', name='exp', )