一、项目演示视频b站演示视频与部署教程视频(点击这里)https://www.bilibili.com/video/BV1R75n6HEp8/?share_sourcecopy_webvd_source31c839f46a9a845dd6dd641cbd5c2ac1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 4.5.0HTTP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?pwdhiwx 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 
