清风明月人间1. 项目概述：安全帽智能检测系统的全栈实现
在建筑工地、电力检修等高危作业场景中，安全帽佩戴是保障工人生命安全的基本要求。传统的人工巡检方式存在效率低、覆盖面有限等问题。我们基于YOLOv11目标检测算法，结合DeepSeek/Qwen大语言模型，开发了一套完整的智能安全检测系统。该系统采用"Python AI微服务+Java业务主服务"的混合架构，实现了从图像采集、安全帽检测到违规分析、报告生成的全流程自动化。
系统核心优势在于：
- 多模态检测：支持图片、视频流、实时摄像头三种输入方式
- 智能分析：不仅识别安全帽佩戴情况，还能通过大模型生成针对性安全建议
- 全栈可视化：基于Vue3+Echarts的前端界面直观展示检测结果和统计图表
- 企业级架构：SpringBoot处理复杂业务逻辑，Flask轻量级服务承载AI推理
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. 系统架构设计解析
2.1 分层架构设计
系统采用五层架构设计，各层技术选型如下：
| 层级 | 技术栈 | 核心职责 | 通信方式 |
|---|---|---|---|
| 前端展示层 | Vue3+TS+ElementPlus | 视频流展示、检测可视化、用户交互 | REST API |
| 业务服务层 | SpringBoot+MyBatis | 用户管理、检测调度、报告生成 | HTTP/Feign |
| AI推理层 | Flask+PyTorch+YOLOv11 | 图像目标检测、置信度计算 | HTTP JSON |
| 大模型层 | DeepSeek/Qwen API | 安全建议生成、违规分析 | HTTP JSON |
| 数据持久层 | MySQL+Redis | 数据存储、缓存加速 | JDBC |
提示：这种分层设计的关键在于Python和Java服务的解耦。AI服务可以独立升级模型版本而不影响业务系统，Java服务可以灵活更换大模型供应商。
2.2 关键技术选型理由
YOLOv11选择依据：
- 相比YOLOv8，v11在小目标检测上mAP提升约5%
- 支持更灵活的模型裁剪，便于边缘设备部署
- 官方提供的PyTorch实现成熟稳定
混合编程架构优势：
- Python在AI模型训练和推理上生态完善
- Java在企业级应用开发上更具工程化优势
- 通过HTTP接口通信，避免进程间通信的复杂性
前端技术组合考量：
- Vue3+TS提供更好的类型安全和代码维护性
- ElementPlus组件库加速管理后台开发
- Echarts满足复杂数据可视化需求
3. 核心模块实现细节
3.1 YOLOv11模型训练与优化
数据集准备
我们使用标注好的安全帽检测数据集，包含两个类别：
- helmet：安全帽（正样本）
- worker：人体（负样本）
数据集采用YOLO标准格式：
code复制dataset/
├── images/
│ ├── train/ # 训练集图片
│ └── val/ # 验证集图片
└── labels/
├── train/ # 对应标注文件
└── val/
标注文件示例（worker.txt）：
code复制0 0.543 0.712 0.125