白街山人1. 项目背景与核心价值
去年参与某流浪动物保护组织的IT系统升级时，发现全国每年有超过4000万只流浪宠物需要救助，而传统救助站的信息化程度普遍低于12%。这个毕业设计项目正是瞄准了这个痛点——通过技术手段打通救助信息孤岛，让每只毛孩子都有被看见的机会。
这个平台本质上是个"智能匹配引擎"，核心解决三个问题：
- 救助信息碎片化（70%的领养信息仅发布在朋友圈或本地论坛）
- 领养决策缺乏数据支持（85%的领养失败源于性格/环境错配）
- 运营效率低下（志愿者60%时间耗费在重复性信息登记）
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 技术栈选型
前端采用Vue3+ECharts实现动态可视化，后端用SpringBoot构建微服务，特别说明几个关键选择：
- Neo4j图数据库：存储宠物-领养人关系网络，便于实现"朋友领养过的相似宠物"这类推荐
- TensorFlow Lite：在移动端轻量化部署性格预测模型（实测Redmi Note10 Pro上推理速度<80ms）
- GeoHash编码：将救助地点转换为7位编码，实现5km精准范围匹配
避坑提示：早期测试时使用MySQL存储地理信息，在百万级数据下邻近查询耗时超过3秒，改用PostGIS+GeoHash后降至200ms内
2.2 数据流设计
（注：实际开发中建议用Draw.io绘制）
- 救助端：志愿者APP上传宠物视频→OpenCV提取行为特征
- 领养端：用户填写问卷→BERT模型生成128维特征向量
- 匹配引擎：余弦相似度计算+规则过滤（如禁止烈性犬匹配有小孩家庭）
3. 核心算法实现
3.1 性格预测模型
训练数据来自6个救助站的3000份领养回访记录，关键特征工程：
python复制# 行为特征提取示例
def extract_video_features(video_path):
hog = cv2.HOGDescriptor((64,64), (16,16), (8,8), (8,8), 9)
frames = extract_key_fr