一、项目演示视频
项目简介
本项目是一个基于人工智能技术的木材缺陷智能检测分析预警系统，旨在通过先进的计算机视觉技术和深度学习模型，为木材加工与质检提供智能化的缺陷识别与预警服务。系统集成了图片检测、视频检测、实时检测、模型管理、数据集管理等多项功能，构建了一个完整的木材缺陷检测与预警服务平台。
二、技术栈
-
前端技术栈 (web-vue)
核心框架: Vue 3.5.13 (Composition API)
UI组件库: Element Plus 2.9.4
状态管理: Pinia 2.3.1
路由管理: Vue Router 4.5.0
HTTP客户端: Axios 1.7.9
图表可视化: ECharts 5.6.0
构建工具: Vite 6.1.0 + TypeScript 5.7.2
-
后端+算法端技术栈 (web-flask)
核心框架: Flask (Python)
数据库: SQLite 3
身份认证: JWT
图像处理: OpenCV + NumPy
深度学习: YOLOv8/YOLO11/YOLO12/YOLO26
视频处理: OpenCV视频流处理
大语言模型: Qwen-VL的API接口
三、功能模块
核心创新点
- 缺陷精准检测: 支持木材表面裂纹、节疤、髓心等缺陷的智能识别和定位
- 多模态检测方式: 支持图片、视频、实时摄像头三种检测模式
- YOLO模型集成: 集成YOLOv8/YOLO11/YOLO12/YOLO26等先进目标检测模型
- 智能预警分析: 基于AI的木材缺陷自动识别、定位与预警
- 分层权限管理: 支持管理员和普通用户的差异化功能访问
- 完整工作流程: 从数据集管理到模型管理再到缺陷检测预警的完整闭环
- 多模态大模型辅助分析: 使用多模态大模型根据YOLO检测识别结果和图片进一步分析并给出合理处置建议(属于图片识别功能模块)
- 模型评估系统: 支持上传YOLO格式标签与模型预测对比，自动计算Precision、Recall、mAP50等精度指标，生成GT框与预测框的可视化对比图，支持用户评分和评语
- 实时预警系统: 支持严重程度分级(可忽略/轻微/中等/严重/紧急)、LLM二次验证、处理状态管理
核心功能模块
- 用户管理: 支持用户注册、登录、权限管理、个人信息管理等功能
- 数据集管理: 支持上传ZIP格式YOLO数据集，自动验证数据集结构和完整性
- 模型管理: 支持创建模型、上传权重、训练过程图片/文件管理、模型发布等
- 图片检测: 上传图片进行缺陷检测，支持CLAHE图像增强、多模态AI分析、处置建议生成、导出Word报告
- 视频检测: 上传视频进行逐帧检测，支持帧率采样、异步处理、进度查询、关键帧截图、LLM二次验证
- 实时检测: 使用电脑摄像头进行实时检测，会话级智能去重、LLM二次验证(过滤YOLO误检)、严重程度五级分级(可忽略/轻微/中等/严重/紧急)、处理状态管理(未处理/已处理)、实时通知预警、多维度筛选(用户/严重程度/处理状态/LLM验证状态)
- 模型评估: 上传图片和标签文件评估模型性能，支持精度指标计算、可视化对比、用户评分筛选
应用场景
- 木材加工产线: 板材、原木进料与分拣环节的缺陷在线检测与预警
- 质检与分级: 按缺陷类型与密度辅助定级、抽检与追溯
- 仓储与贸易: 来料检验、出库抽检与质量记录
- 教学演示: 计算机视觉与工业质检相关课程与实训
四、项目链接
链接: https://pan.baidu.com/s/1CBIvizT4kfO1XPTiVTlXlA?pwd=hiwx 提取码: hiwx
- 完整系统源码
(1)前端源码(web-vue)
(2)后端+算法端源码(web-flask)
(3)模型训练代码(other/model_train/detect) - 项目启动教程
(1)环境安装教程(视频+文档)
(2)系统启动教程(视频+文档) - 项目介绍文档
(1)项目概述
(2)项目技术栈
(3)项目目录结构
(4)核心功能模块介绍
(5)API接口文档 - 系统PPT
(1)系统架构图、架构交互图
(2)算法模块流程图
(3)图片、视频、实时检测时序图
(4)数据流图
(5)UML类图
(6)功能模块概要图、功能模块图
(7)数据库ER图
(8)训练过程图
(9)验证指标图
(10)验证效果图 - 系统使用注意事项
- 模型训练文档
- 数据库开发文档
(1)数据库概述
(2)数据库表详细设计结构
(3)建表SQL语句 - 系统文档
(1)介绍
(2)相关技术与理论
(3)系统需求分析
(4)系统总体设计
(5)系统设计与实现
(6)模型训练与性能评估
(7)系统测试 - 木材缺陷检测数据集
(1)总样本数：21672张图像（训练集与验证、测试合计）
(2)训练集：21027张图片 (用于模型训练)
(3)验证集：495张图片 (用于模型验证和性能调优)
(4)测试集：150张图片 (用于模型最终性能评估)
(5)检测类别: 4类木材缺陷检测
0: Crack - 裂纹 - 木材表面裂纹缺陷
1: Dead_Knot - 死节 - 木材死节缺陷
2: Live_Knot - 活节 - 木材活节缺陷
3: Marrow - 髓心 - 木材髓心缺陷 - 已经训练好的模型权重，整体精度如下：
(1)precision (精确率): 0.645
(2)recall (召回率): 0.679
(3)mAP50 (IoU阈值0.5时的平均精度): 0.684
(4)mAP50-95 (IoU阈值0.5-0.95的平均精度): 0.362