目标检测系统前后端搭建

简介: 目标检测系统前后端搭建

数据库


1. CREATE DATABASE /*!32312 IF NOT EXISTS*/`检测小车` /*!40100 DEFAULT CHARACTER SET utf8 */;
2. 
3. USE `检测小车`;
4. 
5. /*Table structure for table `t_plane` */
6. 
7. DROP TABLE IF EXISTS `t_plane`;
8. 
9. CREATE TABLE `t_plane` (
10.   `id` int(10) NOT NULL AUTO_INCREMENT,
11.   `create_time` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '数据插入时间',
12.   `x` float DEFAULT NULL,
13.   `y` float DEFAULT NULL,
14. PRIMARY KEY (`id`)
15. ) ENGINE=InnoDB AUTO_INCREMENT=9 DEFAULT CHARSET=utf8;
16. 
17. /*Data for the table `t_plane` */
18. 
19. insert  into `t_plane`(`id`,`create_time`,`x`,`y`) values (1,'2022-08-26 10:48:31',1,1),(2,'2022-08-27 10:48:34',2,2),(3,'2022-08-28 15:21:45',3,3),(4,'2022-08-28 17:38:24',4,4),(5,'2022-08-28 17:40:22',4,3),(6,'2022-08-28 17:41:10',4,4),(7,'2022-08-28 17:42:26',6,6),(8,'2022-08-28 17:51:06',2,2);


后端


目前后端只实现了一个接口,可以获取数据库的全部表单。

当前端发送请求时,会计算数据库最新插入的数据的插入时间和当前时间的差,如果这个差值大于一定值,就说明这条信息已经超时,不需要在前端提示,则返回的数据中一个变量设置为false,否则,设置为true。

核心逻辑


1. @CrossOrigin
2. @RestController
3. @RequestMapping("/plane")
4. public class planeController {
5. @Autowired
6. private planeService Service1;
7. 
8. @GetMapping
9. public R1 getAll() throws ParseException {
10. int count = Service1.count();
11.         System.out.println("总行数 "+count);
12. 
13.         plane users=Service1.selectById(count);
14.         System.out.println("最后插入的数据 "+users);
15. 
16. TimeZone time = TimeZone.getTimeZone("Etc/GMT-8");  //转换为中国时区
17.         TimeZone.setDefault(time);
18. 
19.         SimpleDateFormat sdf=new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
20.         Date date=new Date();
21.         String currentDate=sdf.format(date);
22.         String createDate=sdf.format(users.getCreateTime());
23. 
24. //将string格式转化为date
25. Date date1 = sdf.parse(currentDate);
26. Date date2 = sdf.parse(createDate);
27. 
28. 
29. //得到计算出时间差
30. long diff = 3600000*8+date1.getTime() - date2.getTime();
31. long diffSeconds = diff / 1000 ;
32. 
33. 
34.         List<plane> planes=Service1.getAll();
35.         Collections.reverse(planes);
36. if(diffSeconds>20) {
37. return new R1(false, planes);
38.         }
39. 
40. return new R1(true, planes);
41.     }
42. 
43. }

地址:无人机监控后端: 无人机监控后端,使用了springboot,mysql


前端


前端目前只实现了简单的表单渲染功能,核心代码


1. <template>
2. <div>
3. <!-- 卡片视图区域 -->
4. <el-card>
5. <!-- 用户列表区 -->
6. <el-table :data="message" border stripe>
7. <el-table-column type="index" label="id"></el-table-column>
8. <el-table-column label="纬度" prop="x"></el-table-column>
9. <el-table-column label="经度" prop="y"></el-table-column>
10. <el-table-column label="时间" prop="createTime"></el-table-column>
11. 
12. </el-table>
13. </el-card>
14. 
15. </div>
16. </template>
17. 
18. <script>
19. export default {
20. data() {
21. return {
22. queryInfo: {
23. data: '',
24. flag: false
25.             },
26. message:[],
27. timer:null
28.           }
29.       },
30. created() {
31. this.getUserList()
32.     },
33. methods:{
34. async getUserList() {
35. const { data:res } = await this.$http.get('plane',{params: this.queryInfo,jsonp: 'handleCallback'})
36. console.log(res)
37. this.message = res.data
38.         }
39.     },
40. mounted() {
41. // 每隔5分钟定时刷新
42. this.timer = setInterval(() => {
43. this.getUserList();
44.         }, 3000)
45.     },
46. beforeDestroy() {
47. clearInterval(this.timer);
48.     },
49. 
50. }
51. </script>
52. 
53. <style lang="less" scoped>
54. </style>

地址:init_unmaned_planesystem: 无人机识别模型初始版

目录
相关文章
|
机器学习/深度学习 计算机视觉 网络架构
改进YOLOv8:添加CBAM注意力机制(涨点明显)
改进YOLOv8:添加CBAM注意力机制(涨点明显)
7286 1
|
机器学习/深度学习 编解码 监控
目标检测实战(六): 使用YOLOv8完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
这篇文章详细介绍了如何使用YOLOv8进行目标检测任务,包括环境搭建、数据准备、模型训练、验证测试以及模型转换等完整流程。
19109 59
目标检测实战(六): 使用YOLOv8完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
|
机器学习/深度学习 自然语言处理 数据建模
三种Transformer模型中的注意力机制介绍及Pytorch实现:从自注意力到因果自注意力
本文深入探讨了Transformer模型中的三种关键注意力机制:自注意力、交叉注意力和因果自注意力,这些机制是GPT-4、Llama等大型语言模型的核心。文章不仅讲解了理论概念,还通过Python和PyTorch从零开始实现这些机制,帮助读者深入理解其内部工作原理。自注意力机制通过整合上下文信息增强了输入嵌入,多头注意力则通过多个并行的注意力头捕捉不同类型的依赖关系。交叉注意力则允许模型在两个不同输入序列间传递信息,适用于机器翻译和图像描述等任务。因果自注意力确保模型在生成文本时仅考虑先前的上下文,适用于解码器风格的模型。通过本文的详细解析和代码实现,读者可以全面掌握这些机制的应用潜力。
814 3
三种Transformer模型中的注意力机制介绍及Pytorch实现:从自注意力到因果自注意力
|
机器学习/深度学习 人工智能 算法
深度学习基础:从零开始的入门课
【8月更文挑战第21天】通过本文,我们简要介绍了深度学习的基本概念、基础框架以及入门实践。然而,深度学习是一个博大精深的领域,需要不断的学习和实践才能掌握其精髓。建议你在学习过程中,结合具体项目,通过解决实际问题来加深对理论知识的理解。同时,关注最新的研究成果和技术动态,保持对新技术的好奇心和学习热情,相信你会在深度学习的道路上越走越远。
|
人工智能 C++ 计算机视觉
AI计算机视觉笔记四:行人属性识别
本文分享了一个行人属性分析系统,能够识别并标注行人的多种属性。该项目代码源自公众号“渡码”的项目,作者在Win10环境下成功复现了整个项目,并详细记录了过程。系统通过YOLOv5识别行人,用ByteTrack跟踪同一行人,并训练一个多标签图像分类网络来识别行人的26种属性。文中详细介绍了环境搭建和测试步骤,包括安装Anaconda、创建虚拟环境、安装所需库以及测试代码等。如需完整代码或有任何问题,请联系博主。源码已上传至GitHub。
|
前端开发 安全 测试技术
逆向海淘代购集运系统客户案例:superbuy淘宝代购集运系统丨1688代采系统搭建攻略
搭建Superbuy淘宝代购及1688代采系统涉及定位分析、技术选型、API集成、支付物流、用户体验及安全部署。采用PHP、MVC架构,集成多平台商品、支付方式,确保数据同步与安全。1688代采系统着重商品代采、订单管理与物流跟踪,通过自动化流程提升效率。全面测试确保系统稳定可靠。
|
供应链 监控 调度
ERP系统中的销售订单管理与订单跟踪解析
【7月更文挑战第25天】 ERP系统中的销售订单管理与订单跟踪解析
1242 2
|
Linux 网络安全 Android开发
Termux-远程管理Linux服务器
在手机上通过termux管理Linux服务器
1609 0
|
机器学习/深度学习 计算机视觉
【YOLOv8改进】 ODConv(Omni-Dimensional Dynamic Convolution):全维度动态卷积
ODConv是一种增强型动态卷积方法,通过多维注意力机制在卷积的四个维度上学习互补注意力,提升轻量级CNN准确性和效率。与现有动态卷积不同,ODConv覆盖了空间、输入/输出通道和核数维度。在ImageNet和MS-COCO上,对MobileNetV2|ResNet等模型有显著性能提升,减少参数的同时超越传统方法。代码和论文链接可用。在YOLO系列中,ODConv改进了特征学习,优化了目标检测性能。
|
机器学习/深度学习 存储 计算机视觉
YOLOv5改进 | 2023主干篇 | EfficientViT替换Backbone(高效的视觉变换网络)
YOLOv5改进 | 2023主干篇 | EfficientViT替换Backbone(高效的视觉变换网络)
497 1