基于YOLO的工业护目镜智能检测系统设计与优化

1. 项目概述：工业场景下的护目镜智能检测系统

在制造业、化工厂和建筑工地等高危作业环境中，护目镜是保护工人眼部安全的关键装备。传统的人工巡检方式存在三大痛点：一是需要专职安全员不间断盯防，人力成本高昂；二是人工检查容易因疲劳导致漏检，特别是在多人员、多班次场景下；三是事后调取监控录像核查的方式存在严重滞后性，无法实现实时预警。

这套护目镜佩戴检测系统正是为解决这些痛点而生。系统采用YOLO系列算法作为检测核心，创新性地实现了四大技术突破：

1. 多模型动态切换：集成YOLOv8至v12四个版本模型，用户可根据场景需求灵活选择精度优先或速度优先的检测策略。实测数据显示，在相同硬件环境下，YOLOv12的检测精度比v8提升约15%，而YOLOv10的推理速度比v12快40%。

2. 全流程闭环管理：从图像采集、智能分析到违规记录存储、可视化展示，形成完整的管理闭环。系统会自动记录每起违规事件的时间、位置和人员信息，为安全管理提供数据支撑。

3. 三模态输入支持：支持单张图片抽查、视频文件批量分析和RTSP视频流实时监控三种输入方式。在化工厂实测中，系统对1080P视频流的处理延迟控制在200ms以内，满足实时性要求。

4. DeepSeek智能增强：当检测到未佩戴护目镜的情况时，系统会调用DeepSeek多模态模型生成详细的违规分析报告，包括风险等级评估和整改建议，大幅提升管理效率。

2. 系统架构设计解析

2.1 整体技术栈选型

系统采用典型的前后端分离架构，技术选型经过严格验证：

• 前端：Vue3 + Element Plus构建管理界面，采用ECharts实现数据可视化。选择这套方案主要考虑三点：一是Element Plus的组件库能快速搭建合规性要求高的工业级界面；二是Vue3的Composition API更适合复杂交互场景；三是ECharts对时间序列数据的展示支持完善。

• 后端：Spring Boot 3.x + Flask双服务架构。Spring Boot负责用户管理、数据持久化等业务逻辑，Flask专司模型推理。这种设计既保证了用户系统的高可用性，又使AI服务可以独立扩展。数据库选用MySQL 8.0，其JSON字段类型非常适合存储检测结果的元数据。