基于YOLO与DeepSeek的白细胞智能检测系统设计与实现

1. 项目概述

在临床医学检验中，白细胞分类计数是一项基础但至关重要的检测项目。传统的人工镜检方法不仅耗时耗力（每个样本平均需要15-20分钟），而且结果受检验人员主观影响较大。我在三甲医院检验科实习期间就深有体会——连续看片2小时后，连最有经验的技师也会出现判断偏差。

这个项目正是为了解决这个痛点而设计的。我们构建了一个基于YOLO系列最新模型的白细胞智能检测系统，能够自动识别外周血涂片中的五种主要白细胞：中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞和嗜碱性粒细胞。系统采用SpringBoot+Vue的前后端分离架构，集成了YOLOv8到v12四种模型，并创新性地加入了DeepSeek大语言模型的智能分析模块。

2. 系统架构设计

2.1 整体技术栈

系统采用典型的三层架构：

• 前端：Vue3 + Element Plus + ECharts
• 后端：SpringBoot 3.1 + MyBatis-Plus + JWT
• AI服务：Python Flask + Ultralytics + DeepSeek API
• 数据库：MySQL 8.0 + Redis缓存

这种架构选择基于几个实际考量：

1. 医学影像处理需要较高的计算资源，将AI服务独立部署可以避免拖垮Web服务
2. 检验科通常使用内网环境，SpringBoot的jar包部署方式最符合医院IT基础设施现状
3. Vue3的Composition API更适合复杂交互场景的开发维护

2.2 核心模块交互

mermaid复制graph TD
    A[前端] -->|HTTP| B(SpringBoot)
    B -->|REST| C[MySQL]
    B -->|gRPC| D[Python AI服务]
    D --> E[YOLO模型]
    D --> F[DeepSeek API]
    C --> G[Redis缓存]

注意：实际部署时建议将AI服务放在GPU服务器，Web服务放在常规应用服务器，通过内网gRPC通信以保证传输效率。

3. 深度学习模型实现

3.1 数据准备

我们与某三甲医院合作，收集了9900张外周血涂片图像（6930训练/2970验证）