2021在职mba1. 项目背景与核心价值
在智慧农业快速发展的今天，生菜生长周期的精准监测一直是温室种植的痛点。传统人工观察方式存在效率低、主观性强等问题，而基于计算机视觉的自动化监测系统正成为行业新趋势。这个项目创新性地将YOLO系列最新算法与SpringBoot框架结合，打造了一套从数据采集到智能分析的完整解决方案。
我曾在某大型农业科技公司参与过类似项目，深知这类系统在实际落地中的三大核心挑战：模型在复杂光照条件下的稳定性、不同生长阶段特征的区分度，以及系统在高并发访问时的响应速度。本方案通过多版本YOLO算法对比、前后端分离架构和智能分析模块的引入，较好地解决了这些问题。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构设计解析
2.1 整体架构设计
系统采用经典的四层架构：
- 数据采集层：支持USB摄像头、RTSP视频流等多种输入方式
- 算法服务层：YOLO系列模型提供检测能力，封装为gRPC微服务
- 业务逻辑层：SpringBoot实现生长阶段判断、报警规则等业务逻辑
- 展示交互层：Vue3+Element Plus构建的管理后台
特别值得注意的是，我们设计了模型热切换机制，可以在YOLOv8/v10/v11/v12之间动态切换，通过接口性能测试选择最优模型。
2.2 YOLO模型选型对比
在项目初期，我们对各版本YOLO模型进行了详细测试（测试环境：RTX 3090，生菜数据集5000+标注样本）：
| 模型版本 | 参数量(M) | 推理速度(ms) | mAP@0.5 | 显存占用(G) |
|---|---|---|---|---|
| YOLOv8n | 3.2 | 8.2 | 0.872 | 1.8 |
| YOLOv10s | 7.1 | 11.5 | 0.891 | 2.4 |
| YOLOv11m | 25.4 | 15.3 | 0.903 | 3.6 |
| YOLOv12l | 63.8 | 22.7 | 0.912 | 5.1 |
实测发现，YO