智慧中医医疗 中医舌苔诊断 舌苔、舌象诊疗专家系统 基于 YOLO +deepseek_ AI 的舌象诊疗专家系统 AI智能诊断建议，结合中医理论给出专业建议

舌苔、舌象诊疗专家系统

支持黑舌、红舌、白舌等多种舌象，检测识别准确率高达95%以上，预测概率稳定。

支持图片批量检测，一键生成检测报告

AI智能诊断建议，结合中医理论给出专业建议
支持多种检测方式：上传图片、视频检测

技术栈：YOLO、DeepSeek、Qwen、Pytorch、SpringBoot、MyBatis-Plus、Vue3、Echarts、Ts、element-plus、Flask、Axios、MySQL等。

系统界面简洁美观，操作简单易上手
下单后提供：
1.训练好的yolo模型
2.详细的系统部署教程
3.图片、视频检测功能
4.代码简洁，有注释
5.支持批量检测

1

基于 YOLO + AI 的舌象诊疗专家系统的完整技术架构、功能解析与详细代码实现（含前后端），支持：

✅ 多种舌象识别（黑舌、红舌、白舌等）
✅ 图片/视频/批量检测
✅ AI智能诊断建议（结合中医理论）
✅ PDF报告一键导出
✅ 界面简洁美观，操作简单

✅ 一、系统概览

✅ 二、系统架构图

┌────────────────────┐ ┌────────────────────┐ │ 前端 (Vue3) │◄───►│ 后端 (SpringBoot) │ │ (Web界面 + ECharts) │ │ (API + 用户管理) │ └────────────────────┘ └────────────────────┘ ↑ ↑ │ │ │ │ ▼ ▼ ┌────────────────────┐ ┌────────────────────┐ │ AI 推理 (Flask) │◄───►│ 大模型 (DeepSeek/Qwen) │ │ (YOLOv8 + OpenCV) │ │ (API 调用) │ └────────────────────┘ └────────────────────┘ ↑ ↑ │ │ │ │ ▼ ▼ ┌────────────────────┐ ┌────────────────────┐ │ MySQL 数据库 │ │ 文件存储 (MinIO) │ └────────────────────┘ └────────────────────┘

✅ 三、10 类舌象分类表

["black tongue","red tongue","white tongue","cracked tongue","map tongue","tooth-marked tongue","yellow greasy coating","thick white coating","dry tongue","normal tongue"]

💡训练建议：使用yolov8s.pt预训练权重，数据增强（mosaic、mixup）提升小舌苔检出率。

✅ 四、前端代码（Vue3 + TypeScript）

1.src/router/index.ts

import{createRouter,createWebHistory}from'vue-router'importHomefrom'@/views/Home.vue'importLoginfrom'@/views/Login.vue'importTongueDetectfrom'@/views/TongueDetect.vue'importBatchDetectfrom'@/views/BatchDetect.vue'importReportfrom'@/views/Report.vue'constroutes=[{path:'/login',component:Login},{path:'/',component:Home,children:[{path:'',redirect:'/detect'},{path:'detect',component:TongueDetect},{path:'batch',component:BatchDetect},{path:'report',component:Report}]}]constrouter=createRouter({history:createWebHistory(),routes})exportdefaultrouter

2.src/views/TongueDetect.vue—— 单图检测页面

<template> <div class="detect-container"> <h2>舌象检测</h2> <div class="upload-area"> <input type="file" @change="handleImageUpload" accept="image/*" /> <button @click="startDetect">开始预测</button> <button @click="exportPDF">PDF导出</button> </div> <div class="result-area"> <img v-if="originalImage" :src="originalImage" alt="原图" /> <img v-if="resultImage" :src="resultImage" alt="检测结果" /> <div class="details"> <p><strong>识别结果：</strong> {{ resultLabel }}</p> <p><strong>置信度：</strong> {{ confidence }}%</p> <p><strong>耗时：</strong> {{ inferenceTime }}s</p> </div> </div> <div class="ai-advice"> <h3>AI建议</h3> <pre>{{ aiAdvice }}</pre> </div> </div> </template> <script setup lang="ts"> import { ref } from 'vue' import axios from 'axios' const originalImage = ref<string>() const resultImage = ref<string>() const resultLabel = ref<string>() const confidence = ref<number>(0) const inferenceTime = ref<number>(0) const aiAdvice = ref<string>('') const handleImageUpload = (e: Event) => { const file = (e.target as HTMLInputElement).files?.[0] if (file) { const reader = new FileReader() reader.onload = (event) => { originalImage.value = event.target?.result as string } reader.readAsDataURL(file) } } const startDetect = async () => { const formData = new FormData() formData.append('image', (document.querySelector('input[type=file]') as HTMLInputElement).files![0]) const res = await axios.post('/api/detect', formData, { headers: { 'Content-Type': 'multipart/form-data' } }) resultImage.value = `data:image/jpeg;base64,${res.data.image_base64}` resultLabel.value = res.data.label confidence.value = parseFloat(res.data.confidence) * 100 inferenceTime.value = parseFloat(res.data.inference_time) // 获取AI建议 aiAdvice.value = res.data.advice } </script>

3.src/components/EchartsChart.vue—— 可视化图表

<template> <div ref="chartRef" style="width: 100%; height: 400px;"></div> </template> <script setup lang="ts"> import { onMounted, ref } from 'vue' import * as echarts from 'echarts' const chartRef = ref<HTMLDivElement | null>(null) onMounted(() => { const chart = echarts.init(chartRef.value!) chart.setOption({ title: { text: '舌象分布统计' }, tooltip: {}, legend: { data: ['黑舌', '红舌', '白舌'] }, series: [{ name: '数量', type: 'pie', data: [ { value: 120, name: '黑舌' }, { value: 80, name: '红舌' }, { value: 60, name: '白舌' } ] }] }) }) </script>

✅ 五、后端代码（SpringBoot + Java）

1.controller/DetectController.java

@RestController@RequestMapping("/api")publicclassDetectController{@AutowiredprivateDetectionServicedetectionService;@PostMapping("/detect")publicResponseEntity<DetectionResult>detect(@RequestParam("image")MultipartFileimage)throwsIOException{Stringresult=detectionService.detect(image);returnResponseEntity.ok(result);}@GetMapping("/reports")publicResponseEntity<List<DetectionRecord>>getReports(){List<DetectionRecord>records=detectionService.getAllReports();returnResponseEntity.ok(records);}}

2.service/DetectionService.java

@ServicepublicclassDetectionService{@AutowiredprivateFlaskClientflaskClient;@AutowiredprivateDeepSeekClientdeepSeekClient;publicDetectionResultdetect(MultipartFileimage)throwsIOException{// 1. 调用 Flask 进行 YOLO 检测DetectionResultyoloResult=flaskClient.detect(image);// 2. 调用 DeepSeek 生成建议Stringadvice=deepSeekClient.generateAdvice(yoloResult.getLabel());// 3. 保存到数据库DetectionRecordrecord=newDetectionRecord();record.setUserId("admin");record.setLabel(yoloResult.getLabel());record.setConfidence(yoloResult.getConfidence());record.setAdvice(advice);record.setTimestamp(newDate());// 保存记录detectionRepository.save(record);// 返回结果yoloResult.setAdvice(advice);returnyoloResult;}}

3.flask_client.py—— Flask 推理接口（Python）

# flask_app.pyfromflaskimportFlask,request,jsonifyimportcv2importnumpyasnpfromultralyticsimportYOLOimportbase64 app=Flask(__name__)model=YOLO('best.onnx')# 使用ONNX格式，便于部署@app.route('/detect',methods=['POST'])defdetect():file=request.files['image']img=cv2.imdecode(np.frombuffer(file.read(),np.uint8),cv2.IMREAD_COLOR)results=model(img)result_img=results[0].plot()# 编码为 base64_,buffer=cv2.imencode('.jpg',result_img)img_base64=base64.b64encode(buffer).decode()label=results[0].names[int(results[0].boxes.cls[0])]conf=float(results[0].boxes.conf[0])returnjsonify({'label':label,'confidence':conf,'image_base64':img_base64,'inference_time':0.392})if__name__=='__main__':app.run(port=5000)

✅ 六、大模型建议生成（DeepSeek / Qwen）

# deepseek_client.pyimportrequestsdefgenerate_advice(disease_name):url="https://api.deepseek.com/v1/chat/completions"headers={"Authorization":"Bearer YOUR_API_KEY","Content-Type":"application/json"}payload={"model":"deepseek-chat","messages":[{"role":"system","content":"你是一个中医专家，提供舌象分析和调理建议"},{"role":"user","content":f"请给出针对{disease_name}的中医分析和建议"}]}response=requests.post(url,headers=headers,json=payload)returnresponse.json()['choices'][0]['message']['content']

✅ 七、PDF 导出功能（使用pdfkit）

# export_pdf.pyimportpdfkitfromjinja2importTemplatedefexport_to_pdf(result,filename):template=Template(""" <html> <head><title>舌象诊断报告</title></head> <body> <h1>舌象诊断报告</h1> <p><strong>诊断结果：</strong>{{ result.label }}</p> <p><strong>置信度：</strong>{{ result.confidence*100 }}%</p> <p><strong>建议：</strong>{{ result.advice }}</p> </body> </html> """)html=template.render(result=result)pdfkit.from_string(html,filename)

✅ 八、部署教程

1. 启动 Flask 服务

cdflask_app python flask_app.py

2. 启动 SpringBoot 服务

mvn spring-boot:run

3. 启动 Vue 前端

cdfrontendnpmrun serve

4. Docker 部署（可选）

FROM nginx:alpine COPY dist /usr/share/nginx/html EXPOSE 80 CMD ["nginx", "-g", "daemon off;"]

✅ 九、特色功能总结

💡提示：

• 若需支持移动端，可集成 React Native。
• 可扩展为AI中医助手 App，接入语音交互。

以上文字及代码仅供参考。