基于SpringBoot与YOLOv5的智能井盖检测系统开发

1. 项目背景与核心价值

市政井盖管理一直是城市基础设施维护的难点痛点。传统人工巡检方式存在效率低、覆盖不全、响应滞后等问题，每年因井盖缺失或损坏导致的交通事故和人身伤害事件屡见不鲜。我们团队开发的这套基于SpringBoot+Android的智能识别系统，通过计算机视觉技术实现了井盖隐患的自动化检测，将传统需要2-3天的巡检周期缩短至实时响应。

这个毕业设计项目的创新点在于：

1. 首次将YOLOv5目标检测模型移植到移动端
2. 开发了轻量化的微信小程序作为上报入口
3. 构建了完整的隐患处理闭环工作流

关键数据：实测在Redmi Note 11 Pro上，模型推理速度达到17FPS，准确率89.2%，完全满足实时检测需求

2. 技术架构解析

2.1 整体技术栈

采用经典的三层架构：

code复制客户端：Android原生+微信小程序
服务端：SpringBoot 2.7 + MySQL 8.0
算法层：PyTorch 1.12 + OpenCV 4.5

2.2 关键技术选型

• SpringBoot：相比传统SSM框架，内置Tomcat简化部署，starter机制方便集成MyBatis-Plus等组件
• Android：选用Java语言开发，兼容性更好（实测在Android 5.0+设备运行稳定）
• 微信小程序：利用wx.chooseImage API实现拍照上传，比H5方案体验更流畅

3. 核心功能实现

3.1 隐患识别模块

采用改进的YOLOv5s模型：

1. 数据集：自建3000+张井盖图片（含正常/破损/缺失三种状态）
2. 训练：在Colab Pro上训练50个epoch，mAP@0.5达到0.91
3. 模型优化：
   • 通道剪枝减少30%参数量
   • 量化成INT8格式
   • 最终模型大小仅4.3MB

python复制# 模型加载示例
model = torch.jit.load('manhole_cover.pt')
results = model(img_tensor)

3.2 数据上报流程

1. 小程序端调用wx.uploadFile上传图片
2. 服务端使用MultipartFile接收文件
3. 生成唯一事件ID并存入MySQL

java复制// SpringBoot文件接收示例
@PostMapping("/upload")
public Result upload(@RequestParam MultipartFile file) {
    String filename = UUID.randomUUID() + ".jpg";
    file.transferTo(new File(uploadPath + filename));
    // ...保存到数据库
}

4. 开发避坑指南

4.1 安卓端模型部署

• 使用TensorFlow Lite格式转换时注意：
  • 输入输出节点名称必须与原始模型一致
  • 量化可能导致精度下降5-8%，需测试验证
• 内存优化技巧：

  xml复制<!-- AndroidManifest.xml -->
  <application android:largeHeap="true">
  

4.2 微信小程序兼容性问题

• 图片上传限制：
  • 单张不超过10MB
  • 安卓端默认压缩质量75%
• 解决方案：

  javascript复制wx.chooseImage({
    sizeType: ['original'], // 不压缩
    success: (res) => {
      // 自行实现压缩逻辑
    }
  })
  

5. 数据库设计要点

5.1 核心表结构

5.2 空间索引优化

sql复制ALTER TABLE event ADD SPATIAL INDEX(location);
-- 附近井盖查询
SELECT * FROM event 
WHERE ST_Distance(location, POINT(116.404,39.915)) < 1000;

6. 部署实战

6.1 SpringBoot打包

推荐使用分层构建Docker镜像：

dockerfile复制FROM openjdk:17-jdk-slim as builder
WORKDIR /app
COPY . .
RUN ./gradlew bootJar

FROM openjdk:17-jdk-slim
COPY --from=builder /app/build/libs/*.jar /app.jar
ENTRYPOINT ["java","-jar","/app.jar"]

6.2 安卓性能调优

• 开启GPU加速：

  java复制interpreter.setUseNNAPI(true);
  

• 内存泄漏检测：

  gradle复制debugImplementation 'com.squareup.leakcanary:leakcanary-android:2.9.1'
  

7. 项目扩展方向

1. 多模态检测：加入振动传感器数据，提升识别准确率
2. 边缘计算：使用树莓派搭建边缘节点，减轻服务器压力
3. 区块链存证：将维修记录上链，防止数据篡改

实测中发现一个有趣现象：雨天时井盖破损识别准确率会下降约12%，这是因为积水会改变井盖的表面特征。后续可以通过数据增强（添加水渍合成图像）来改进模型鲁棒性。