1. 项目背景与核心价值
安检X光危险物检测系统是现代公共安全领域的关键技术装备。传统人工判图方式存在效率低、漏检率高、人力成本大等问题,尤其在机场、地铁、高铁等大客流场景下,安检员长时间盯着X光图像容易产生视觉疲劳,导致危险品漏检风险上升。
我们这套系统采用YOLO系列最新算法(支持v8/v10/v11/v12)作为检测核心,结合SpringBoot构建的Web交互平台,实现了三大突破:
-
检测精度突破:在自建的10万张X光危险品数据集上,YOLOv8的mAP@0.5达到92.3%,比传统算法提升约15个百分点。通过集成DeepSeek智能分析模块,系统可自动学习新型危险品的特征模式。
-
工程化突破:采用前后端分离架构,后端基于SpringBoot提供RESTful API服务,前端使用Vue.js实现可视化交互,支持多人同时在线标注和复核。
-
部署灵活性突破:模型支持ONNX格式导出,可在NVIDIA Jetson、RK3588等边缘设备部署,满足不同场景的实时性要求(单帧处理时间<50ms)。
提示:实际部署时建议采用YOLOv8s(small版本),在保持90%以上精度的同时,模型体积仅14MB,更适合资源受限的边缘设备。
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
2.1 整体架构图
code复制[前端Vue.js] ←HTTP→ [SpringBoot API] ←gRPC→ [Python推理服务]
↑
[MySQL]
↓
[标注平台] ←WebSocket→ [任务调度中心] → [训练集群]
2.2 核心组件选型对比
| 组件类型 | 候选方案 | 最终选择 | 选择理由 |
|---|---|---|---|
| 目标检测框架 | YOLOv8/YOLOv10/SSD | YOLOv8n | 体积最小(5.6MB),在X光图像上FPS达120,满足实时性要求 |
| Web框架 | SpringBoot/Flask | SpringBoot 2.7.18 | 完善的生态链,与MyBatis-Plus、Spring Security等组件无缝集成 |
