当前位置：首页 > news >正文

基于深度学习的口腔疾病图像识别系统(UI界面+改进算法+数据集+训练代码)

news 2026/4/20 11:10:08

摘要：口腔疾病是影响人类健康的常见疾病，传统的口腔疾病诊断依赖于专业医生的经验判断，存在效率低、主观性强等问题。随着深度学习技术的快速发展，基于计算机视觉的智能检测方法为口腔疾病的早期筛查和辅助诊断提供了新的解决方案。本文设计并实现了一个基于YOLOv8深度学习算法的口腔疾病智能检测系统，旨在提高口腔疾病检测的准确性和效率

项目简介

基于YOLOv8深度学习算法的口腔疾病智能检测系统，支持6种常见口腔疾病的自动识别与可视化分析。

系统概述

本系统采用YOLOv8目标检测算法作为核心检测引擎，能够识别牙结石（Calculus）、龋齿（Caries）、牙龈炎（Gingivitis）、牙齿缺失（Hypodontia）、口腔溃疡（Mouth Ulcer）和牙齿变色（Tooth Discoloration）等6种常见口腔疾病。在系统架构上，后端采用Django框架构建RESTful API，实现用户认证、图像上传、模型推理和结果管理等功能；前端采用Vue.js框架开发，提供友好的用户交互界面，支持图像上传、检测结果可视化、历史记录查询和数据统计分析等功能。系统采用MySQL数据库存储用户信息和检测记录，通过JWT令牌实现安全的身份认证机制。

深度学习的口腔疾病检测系统采用YOLOv8算法实现了六类常见口腔疾病的自动识别与定位。系统具备口腔图像智能检测功能，支持实时上传图像并返回检测结果，用户可选择YOLOv8或YOLOv8-CBAM模型进行检测。检测结果通过可视化方式展示，在原图上标注疾病位置、类别和置信度，直观呈现病灶区域。系统提供完善的历史记录管理功能，支持检测记录的查询、筛选和删除，方便用户追踪诊断历史。数据统计分析模块提供疾病分布、检测趋势等可视化图表，辅助医生进行数据分析和决策。系统实现了用户权限管理机制，区分管理员和普通用户角色，管理员可管理用户账户和系统数据。系统采用Django+Vue.js前后端分离架构，通过RESTf ul API实现前后端通信，支持多用户并发访问，为口腔疾病的早期筛查和辅助诊断提供了高效、准确的技术支持。

实验结果表明，该系统能够准确识别多种口腔疾病，具有良好的检测性能和用户体验，可为口腔疾病的早期筛查和辅助诊断提供有效的技术支持，具有一定的实用价值和推广前景。

系统架构

本系统采用经典的架构设计：

图1 深度学习的口腔疾病图像识别系统

核心亮点

本系统以 YOLOv8 目标检测为核心，融合深度学习推理、数据管理与可视化界面，实现了口腔疾病识别、结果分析和历史追踪的一体化智能诊断。

算法特点

本算法以 YOLOv8 目标检测为基础，融合疾病类别、置信度、检测框位置、病灶数量及类别分布等多维特征，并结合数据统计分析完成口腔健康评估，具有检测与分析一体化的特点。

性能突破

本文在口腔疾病检测数据集上开展实验，数据集共包含 3488 张图像和 3616 个标注框，其中训练集 2441 张、验证集 698 张、测试集 349 张。通过 150 轮训练，YOLOv8 模型在验证集上达到 99.4% 的 mAP@0.5 和 97.9% 的 mAP@0.5:0.95，能够准确完成六类口腔疾病检测任务，为临床辅助诊断提供了有效支撑。

图2 基线模型性能分析图

核心技术

YOLOv8 轻量级目标检测模型，结合高效特征提取与多尺度特征融合技术，在口腔疾病数据集（3,488 张图像，3,616 个标注框）上训练 150 轮，实现对牙结石、龋齿、牙龈炎、牙齿缺失、口腔溃疡、牙齿变色六类疾病的高精度智能识别，并结合 Web 可视化界面、历史记录管理和数据统计分析提升口腔健康辅助诊断能力

算法详解

YOLOv8 是 Ultralytics 推出的新一代目标检测模型，在网络结构、检测头设计、损失函数和训练策略等方面对 YOLOv5 进行了优化。该模型提供 N、S、M、L、X 等多种尺度版本，以适应不同场景需求。相比 YOLOv5，YOLOv8 将 C3 模块替换为 C2f 模块，增强了特征提取能力；采用解耦头和 Anchor-Free 机制，提高了检测精度与收敛效率；在损失计算中引入 TaskAlignedAssigner 和 Distribution Focal Loss，增强了边界框回归能力；同时在训练后期关闭 Mosaic 数据增强，进一步提升模型精度与泛化性能。

图3 YOLOv8网络架构图

基于CBAM注意力机制的模型改进

为进一步提升模型对关键特征的关注能力，本研究在YOLOv8基础上引入了CBAM（Convolutional Block Attention Module）注意力机制。CBAM通过串联通道注意力（Channel Attention）和空间注意力（Spatial Attention）两个子模块，实现对特征图的自适应加权。其中，通道注意力模块采用平均池化和最大池化双路径提取全局特征描述符，经过共享MLP网络后生成通道权重；空间注意力模块则通过对特征图进行通道维度的池化操作，利用7×7卷积核捕获空间位置的重要性。在网络结构设计上，CBAM模块被策略性地插入到Backbone的P3层输出后（layer 5）以及Neck的三个检测尺度特征层（P3、P4对应的layer 17和21），共计4个位置，在保持模型轻量化的同时（总参数量3.02M，计算量8.2 GFLOPs），有效增强了模型对口腔病变区域的特征表达能力。训练过程采用SGD优化器，初始学习率0.01，动量0.937，权重衰减0.0005，共训练150轮。

技术优势分析

CBAM注意力机制的引入为模型带来了显著的技术优势：首先，通过通道注意力和空间注意力的串联设计，实现了”关注什么特征”和 “关注哪里位置”的双重自适应筛选，相比单一注意力机制能更精准地捕获口腔病变的关键区域；其次，采用稀疏部署策略，仅在Ba ckbone P3层和Neck的三个检测尺度关键位置插入CBAM模块，新增参数量仅3,366个，在保持模型轻量化（总参数3.02M）和实时性的同时，实现了从浅层纹理到深层语义的多尺度特征增强；此外，CBAM模块采用即插即用设计，无需修改主干网络结构，通过YAML 配置文件即可灵活集成，具有良好的可扩展性和工程实用性。

系统功能

本系统集成用户登录注册、口腔图像上传检测、六类疾病智能识别、检测结果可视化、历史记录管理、数据统计分析及用户权限管理等功能。

功能概述

本系统面向口腔疾病智能筛查与辅助诊断需求，基于 YOLOv8 目标检测模型实现对口腔图像中牙结石、龋齿、牙龈炎、牙齿缺失、口腔溃疡、牙齿变色六类疾病的识别、定位与可视化展示；系统提供用户登录注册与权限管理功能，能够对检测结果进行病灶定位标注，并结合历史数据分析完成口腔健康状况评估，同时将检测记录与分析数据进行存储和展示，在数据统计模块中实现检测结果的多维度可视化呈现，为口腔医疗机构智能化诊断和患者健康管理提供一体化支持。

系统流程图

系统采用 Django + Vue.js 前后端分离架构开发，后端基于 Python 3.12 和 Ultralytics YOLOv8 框架实现口腔疾病目标检测，使用 Django REST Framework 提供 API 接口，通过 JWT 实现身份认证；前端基于 Vue.js 3 构建响应式界面，结合 Element Plus 和 ECharts 实现数据可视化；系统采用 MySQL 数据库存储用户信息和检测记录。系统面向口腔疾病智能筛查需求，集成用户登录注册、图像检测、疾病识别、结果可视化、历史管理与数据统计等功能，为口腔医疗智能化诊断提供一体化技术支持。

图4 系统总流程图

系统优势

本系统基于 YOLOv8 目标检测模型，在验证集上达到 99.4% 的 mAP@0.5，能够准确完成六类口腔疾病识别与病灶定位，并结合历史数据分析实现口腔健康状况评估，具备检测与分析一体化的特点。相比传统人工诊断方式，系统具有自动化程度高、检测效率快（推理速度 1.3ms/图）、结果客观性强等优势。与此同时，系统采用 Django + Vue.js 前后端分离架构，支持多用户并发访问、JWT 身份认证和角色权限管理，并结合 Element Plus 和 ECharts 构建响应式数据可视化界面，具备良好的交互性、可扩展性和跨平台特性，可为口腔医疗机构智能化诊断和患者健康管理提供有效支持。

运行展示

系统界面采用响应式布局设计，包含顶部导航栏、侧边功能菜单和中部内容展示区域。系统能够完成口腔图像上传、六类疾病智能检测，并对检测结果进行可视化标注展示，同时支持历史记录查询、检测详情查看、数据统计分析及用户权限管理等功能，具有界面简洁、交互友好和操作便捷等特点。

检测效果展示

登录界面：

图5 登录主界面

用户登录界面，展示系统入口

图6 注册主界面

用户注册界面，新用户创建账号

系统运行模块：

图7 首页概览

图8 图片检测

图9 图片检测：牙结石

图10 图片检测：牙龈炎

图11 图片检测：牙缺失

图12 图片检测：牙齿变色

图13 图片检测：口腔溃疡

图14 图片检测：龋齿

图15 图片CBAM注意力机制检测：龋齿

图16 图片CBAM注意力机制检测：牙结石

图17 图片CBAM注意力机制检测：牙龈炎

图18 图片CBAM注意力机制检测：牙缺失

图19 图片CBAM注意力机制检测：口腔溃疡

图20 图片CBAM注意力机制检测：牙齿变色

图21 历史记

图22 历史记录-详情

图23 历史记录-查询

图24 历史记录-删除

图25 算法对比

图26 个人中心

图27 用户管理

数据集与训练

本文构建了口腔疾病检测数据集，共包含 3488 张图像与 3616 个标注框，涵盖牙结石、龋齿、牙龈炎、牙齿缺失、口腔溃疡、牙齿变色六类疾病，其中训练集 2441 张、验证集 698 张、测试集 349 张。模型训练采用 YOLOv8n 目标检测框架，模型参数量为 3.01M，输入图像尺寸设为 640×640，batch size 为 8，优化器为 SGD（学习率 0.01，动量 0.937），训练轮数为 150，采用 Mosaic 数据增强、随机翻转和 HSV 颜色变换等策略。在 NVIDIA GeForce RTX 4070 Ti SUPER 显卡环境下完成 1.67 小时训练后，模型在验证集上取得了优异的检测效果（精确率 99.7%，召回率 99.5%，mAP@0.5 达到 99.4%，mAP@0.5:0.95 达到 97.9%，推理速度 1.3ms/图），能够满足口腔疾病智能识别与临床辅助诊断任务需求。

数据集构建

本文构建并使用口腔疾病检测数据集开展实验研究。该数据集以口腔医学影像中的病灶区域为目标对象，涵盖牙结石、龋齿、牙龈炎、牙齿缺失、口腔溃疡、牙齿变色六类常见口腔疾病，包含不同拍摄设备、光照条件和拍摄角度下采集的图像数据，具有较好的临床代表性。数据集共包含 3488 张图像和 3616 个标注框，其中训练集 2441 张、验证集 698 张、测试集 349 张，对应标注框数量分别为 2533、720 和 363。该数据集为 YOLOv8 模型训练、性能验证以及后续系统部署提供了可靠的数据基础。

图24 数据集划分及类别信息统计示意图

数据集增强

训练阶段采用Mosaic拼接、随机翻转、HSV色彩扰动、随机擦除等数据增强策略，提升模型对不同光照、角度和遮挡条件下的泛化能力。

图25 图像增强

训练流程

模型训练采用端到端的方式，首先加载训练集和验证集进行数据预处理，然后加载 YOLOv8n 预训练权重进行模型初始化，接着使用 SGD 优化器进行 150 轮迭代训练，每轮训练后在验证集上评估性能指标，系统自动保存验证集上性能最佳的模型权重，最终输出完整的性能指标和训练曲线。

图26 模型训练流程

训练流程：
1. 开始训练 → 加载训练集和验证集进行数据预处理
2. 模型初始化 → 加载YOLOv8预训练权重（yolov8n.pt），使用标准YOLOv8架构
3. 模型训练 → 使用SGD优化器进行150轮迭代训练，应用数据增强技术
4. 模型验证 → 每轮训练后在验证集上评估性能指标（Precision, Recall, mAP@0.5, mAP@0.5:0.95）
5. 最佳模型保存 → 系统自动监控验证性能，保存验证集上性能最佳的模型权重（best.pt）
6. 训练完成 → 输出完整的性能指标报告和训练曲线图

训练配置

硬件环境:

软件环境

训练超参数

学习率调度策略

学习率调度策略采用线性衰减方式，前3个epoch进行warmup预热，学习率从0线性增长到初始学习率0.01，之后按线性方式从0.01逐步衰减到最终学习率0.0001。

训练结果

训练曲线分析：

下图展示了模型在150轮训练过程中的完整性能变化，包括损失函数曲线和精度指标曲线：

图27 训练曲线分析

图中展示了10个关键指标的训练过程：训练损失（box/cls/dfl）、验证损失（box/cls/dfl）、精确率、召回率、mAP@50和mAP@50-95

（1）损失函数曲线

从训练结果可以看出，模型在训练过程中各项损失函数均呈现稳定下降趋势，说明 YOLOv8 模型能够较好地学习目标特征。其中，train/box_loss 由约 1.45 快速下降至约 0.25，train/cls_loss 由约 3.5 快速下降至约 0.2，train/dfl_loss 由约 1.7 下降至约 0.85；验证集上的 val/box_loss 由约 1.50 下降至约 0.23，val/cls_loss 由约 4.0 下降至约 0.15，val/dfl_loss 由约 2.0 下降至约 0.82，验证集损失曲线与训练集基本一致，整体曲线变化平滑、波动较小，表明模型训练过程较为稳定，未出现明显的过拟合现象。

（2）精度指标曲线

从精度指标变化情况来看，模型各项性能指标均随训练轮次增加而持续提升。Precision 曲线由初始约 0.55 快速提升至约 1.0（接近100%）并保持稳定；Recall 曲线由初始约 0.32 稳步上升至约 1.0（接近100%）；mAP@0.5 由初始约 0.15 快速提升，最终达到约 0.995（99.5%）；mAP@0.5:0.95 由初始约 0.10 持续增长至约 0.99（99%）。从整体趋势看，模型训练过程大致经历了快速提升（前20-30轮）、稳定优化和收敛趋稳三个阶段，最终在验证集上取得了接近完美的检测效果，说明所构建的 YOLOv8 模型在该目标检测任务中具有极高的精度和良好的收敛性。

（3）Precision-Recall 曲线

图28 Precision-Recall 曲线

展示模型在不同置信度阈值下的精确率和召回率关系

（4）混淆矩阵（归一化）

图29 归一化混淆矩阵

归一化混淆矩阵展示模型的分类准确性

最佳模型选择

在模型训练过程中，系统依据验证集性能指标自动保存最优模型权重，并以验证集mAP@0.5:0.95作为最佳模型判定标准。当该指标达到当前训练过程中的最高值时，对应模型权重将被保存为best.pt。本次实验中，最优模型出现在第150轮（最后一轮），其验证集mAP@0.5:0.95为0.979（97.9%），同时该轮次的其他指标也表现优异：Precision为0.997，Recall为0.995，mAP@0.5为0.994。模型文件保存于runs/train/yolov8/weights/best.pt。

训练稳定性分析

收敛速度：前20轮快速收敛（14.95% → 84.55%），20-40轮稳定提升，40轮后缓慢优化
过拟合控制：训练集与验证集损失走势一致，无过拟合
训练稳定性：损失曲线平滑，学习率逐步衰减，训练稳定
最终状态：第150轮达最优，mAP@0.5:0.95为97.94%

项目资源

我们提供项目的完整技术资源，包括源代码、训练脚本、配置文件、数据集和模型权重等全部内容。代码采用模块化设计，结构清晰，注释完善，支持完全复现论文中的所有实验结果。项目提供详细的文件清单和技术架构说明(网页已经提供)，帮助用户快速理解项目结构，便于二次开发和功能扩展。所有资源均已开源，遵循AGPL-3.0协议，用户可自由使用、修改和分发。