# 基于python自动识别货源的毕业设计

**Repository Path**: zhang-bq/FireDetectionSystem

## Basic Information

- **Project Name**: 基于python自动识别货源的毕业设计
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-04-28
- **Last Updated**: 2025-05-11

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# FireDetectionSystem

## 项目简介

FireDetectionSystem 是一个基于计算机视觉和深度学习技术的火灾检测系统。该系统能够实时分析视频流或图像，自动识别出火源，并发出警报。系统采用 YOLOv8 模型进行目标检测，结合多种图像处理技术，提高检测的准确性和鲁棒性。

## 项目结构

```
FireDetectionSystem/
├── app/                    # 主应用目录
│   ├── main.py             # FastAPI 应用入口，提供 Web API
│   ├── detect/             # 检测模块
│   │   └── fire_detector.py # 火源检测核心逻辑
│   ├── train/              # 训练模块
│   │   ├── train_fire_detector.py # 模型训练脚本
│   │   └── dataset/        # 数据集配置
│   │       └── fire_dataset.yaml # 数据集配置文件
│   ├── models/             # 模型文件目录
│   │   └── best.pt         # 训练好的模型文件
│   ├── utils/              # 工具函数
│   │   └── plots.py        # 绘图工具
│   └── db/                 # 数据库模块
│       └── models.py       # 数据库模型定义
├── ui/                     # 前端应用目录
│   └── frontend/           # Vue.js 前端项目
│       ├── src/            # 源代码目录
│       ├── public/         # 静态资源目录
│       ├── package.json    # 项目依赖配置
│       ├── vue.config.js   # Vue 项目配置
│       └── babel.config.js # Babel 配置
├── dataset/                # 数据集目录
│   ├── images/             # 图像数据
│   │   ├── train/          # 训练集图像
│   │   └── val/            # 验证集图像
│   └── labels/             # 标注数据
├── requirements.txt        # 项目依赖
└── README.md               # 项目说明文档
```

## 模块说明

### 1. 主应用模块 (`app/main.py`)

- **功能**：提供 Web API 接口，接收图像或视频流，调用检测模块进行分析，并返回检测结果。
- **工作流程**：
  1. 接收用户上传的图像或视频。
  2. 调用 `fire_detector.py` 中的检测函数。
  3. 返回检测结果（是否检测到火源、置信度、边界框等）。

### 2. 检测模块 (`app/detect/fire_detector.py`)

- **功能**：核心检测逻辑，负责分析图像，识别火源。
- **工作流程**：
  1. **图像预处理**：调整图像大小，转换为模型输入格式。
  2. **模型推理**：使用 YOLOv8 模型进行目标检测。
  3. **结果分析**：
     - 统计置信度大于 0.2 的检测框数量。
     - 如果数量大于等于 10，判定为存在火源。
  4. **返回结果**：返回检测结果，包括置信度、边界框坐标等。

### 3. 训练模块 (`app/train/train_fire_detector.py`)

- **功能**：训练火源检测模型。
- **工作流程**：
  1. **数据准备**：加载训练集和验证集。
  2. **模型训练**：使用 YOLOv8 模型进行训练，优化模型参数。
  3. **模型评估**：在验证集上评估模型性能。
  4. **模型导出**：将训练好的模型导出为 ONNX 格式，方便部署。

### 4. 数据集配置 (`app/train/dataset/fire_dataset.yaml`)

- **功能**：定义数据集的路径和类别信息。
- **内容**：
  - 训练集和验证集图像路径。
  - 类别名称（火源）。

### 5. 模型文件 (`app/models/best.pt`)

- **功能**：存储训练好的模型权重。
- **用途**：在检测模块中加载模型，进行推理。

### 6. 工具函数 (`app/utils/plots.py`)

- **功能**：提供绘图工具，用于可视化检测结果。
- **用途**：在检测到火源时，绘制边界框和警告信息。

### 7. 数据库模块 (`app/db/models.py`)

- **功能**：定义数据库模型，存储检测记录。
- **用途**：记录每次检测的结果，包括是否检测到火源、检测时间等。

## 前端应用

### 1. 前端技术栈

- **框架**：Vue.js
- **构建工具**：Vue CLI
- **包管理器**：Yarn/NPM

### 2. 前端功能

- **实时监控**：显示摄像头实时画面
- **检测结果展示**：展示火源检测结果，包括置信度和位置信息
- **历史记录**：查看历史检测记录
- **系统状态**：显示系统运行状态和性能指标

### 3. 如何运行前端

```bash
# 进入前端项目目录
cd ui/frontend

# 安装依赖
yarn install
# 或
npm install

# 启动开发服务器
yarn serve
# 或
npm run serve
```

### 4. 前端开发注意事项

- 确保后端 API 服务已启动（默认端口 8000）
- 开发时注意跨域配置
- 遵循 Vue.js 项目规范进行开发

## 如何运行

### 1. 安装依赖

```bash
pip install -r requirements.txt
```

### 2. 启动 Web 服务

```bash
uvicorn app.main:app --reload --host 0.0.0.0 --port 8000
```

### 3. 访问 API

- 打开浏览器，访问 `http://localhost:8000/docs`，查看 API 文档。
- 上传图像或视频，进行火源检测。

## 检测逻辑

- **火源判定条件**：当置信度大于 0.2 的检测框数量大于等于 10 时，判定为存在火源。
- **返回结果**：包括是否检测到火源、最高置信度、边界框坐标等。

## 注意事项

- 确保在项目根目录下运行命令，避免模块导入错误。
- 确保 `app` 目录下存在 `__init__.py` 文件，使其被识别为 Python 包。
- 如果遇到 `ModuleNotFoundError: No module named 'app'`，请检查当前工作目录或设置 `PYTHONPATH`。

## 总结

FireDetectionSystem 是一个功能完整的火灾检测系统，通过深度学习技术实现实时火源识别。系统模块化设计，便于扩展和维护。即使不懂代码，也能通过 README 文档快速理解系统的工作原理和使用方法。