懒惰de枕头1. 项目概述
在医学检验和临床诊断中，血液细胞分析是一项基础但至关重要的检测项目。传统的显微镜人工计数方法不仅耗时费力，而且结果容易受到检验人员主观判断的影响。作为一名长期从事医学影像分析的开发者，我设计了一套基于YOLO系列算法和SpringBoot的智能血液细胞检测系统，能够自动识别和统计显微镜图像中的红细胞、白细胞和血小板。
这个系统最大的特点是将前沿的深度学习技术与实用的医疗场景相结合。我们不仅实现了高精度的细胞检测，还构建了完整的Web应用系统，包括用户管理、数据可视化和智能报告生成等功能。系统支持图片、视频和实时摄像头三种检测模式，可以灵活适应不同医疗机构的检测需求。
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
2.1 整体技术栈
系统采用前后端分离的架构设计，主要技术组件包括：
- 前端：Vue3 + Element Plus构建响应式界面
- 后端：SpringBoot 2.7 + MyBatis Plus提供RESTful API
- 数据库：MySQL 8.0存储用户数据和检测记录
- AI模型：YOLOv8/v10/v11/v12多模型支持
- 智能分析：集成DeepSeek大模型生成检测报告
2.2 核心功能模块
系统主要包含以下功能模块：
- 用户管理模块：实现用户注册、登录、权限控制
- 细胞检测模块：支持图片、视频和实时摄像头检测
- 数据管理模块：检测记录存储与查询
- 可视化模块：检测结果统计图表展示
- 模型管理模块：多YOLO模型切换与管理
3. 深度学习模型实现
3.1 数据集准备
我们收集了874张血液显微图像（训练集765张，验证集73张，测试集36张），由专业医师标注了三种细胞：
- 红细胞(RBC)：标注为红色圆形细胞
- 白细胞(WBC)：标注为带有细胞核的较大细胞
- 血小板(PLT)：标注为小型不规则细胞片段
数据集经过以下预处理：
- 图像增强：旋转、翻转、亮度调整
- 归一化：将像素值缩放到0-1范围
- 数据平衡：对少数类别进行过采样
3.2 YOLO模型训练
我们对比测试了YOLOv8到YOLOv12多个版本，以下是关键训练参数：
python复制