UAV-detect 复现与部署说明

项目说明

UAV-detect 是一个完整的前后端业务系统 + 缺陷检测算法模块的组合工程，旨在实现电力巡检场景下的智能化缺陷识别与管理。

技术栈构成

• 前端页面：frontend/（Vite + React + TypeScript）
• 后端服务：backend/（Java 17 + Spring Boot + Maven）
• 数据持久化：database/power_inspection.sql（MySQL）
• 核心算法：rtdetrv2_mindspore/（基于 MindSpore 框架的 RT-DETRv2 目标检测模型）

💡 架构备注：本仓库中，前后端构成业务系统底座，核心的缺陷识别能力由单独的 MindSpore 算法模块提供。

---

核心目录与香橙派部署指南

MindSpore 与香橙派（OrangePi）相关的部署代码均位于 rtdetrv2_mindspore/ 目录下：

• rtdetrv2_mindspore/：算法主目录
• rtdetrv2_mindspore/references/deploy/：👉 香橙派（NPU）部署核心参考目录
• rtdetrv2_mindspore/tools/：包含推理、导出及评测工具（如 train.py, eval_coco.py）
• rtdetrv2_mindspore/configs/：算法配置文件（如网络结构、超参数设置）

---

一、环境准备

基础开发环境 (Windows 10/11)

• Node.js: 18+ & npm: 9+
• Java: JDK 17
• Maven: 3.8+
• Python: 3.9+（建议 3.10）
• 数据库: MySQL 8.x

ModelArts 推理服务器

mindspore_ascend:mindspore_2.6.0rc1-cann_8.1.rc1-py_3.10-euler_2.10.11-aarch64-snt9b-20250628184338-b1da9c0

香橙派（OrangePi）

mindspore_2.6.0rc1   
cann_8.1.rc1             
py_3.9

---

二、快速复现步骤

建议严格按照以下顺序进行项目启动：数据库 ➔ 后端 ➔ 前端 ➔ 算法模块

Step 1. 初始化数据库

在 MySQL 中创建名为 power_inspection 的数据库，并导入数据：

mysql -u root -p power_inspection < database/power_inspection.sql

Step 2. 启动后端服务

打开终端，进入后端目录并编译运行：

cd backend
mvn clean package -DskipTests
mvn spring-boot:run

后端服务默认启动在：http://localhost:8080

Step 3. 启动前端服务

打开新终端，进入前端目录安装依赖并启动：

cd frontend
npm install
npm run dev

前端页面默认启动在：http://localhost:5173

Step 4. 运行 MindSpore 算法模块

进入算法目录，执行训练、评估或实时检测脚本（以电力线缺陷微调模型 V6 为例）：

cd rtdetrv2_mindspore

# 1. 模型训练
python tools/train.py -c configs/rtdetrv2/rtdetrv2_r50vd_finetune_powerline_v6.yml

# 2. 模型评估
python tools/eval_coco.py \
    -c /home/ma-user/work/rtdetrv2_mindspore/configs/rtdetrv2/rtdetrv2_r50vd_finetune_powerline_v4.yml \
    -r /home/ma-user/work/rtdetrv2_mindspore/weights/powerlinev2.ckpt \
    -a /home/ma-user/work/powerline/annotations_valid.json \
    -i /home/ma-user/work/powerline/images/valid/

# 3. 实时推理检测
python tools/realtime_detect.py \
    -c configs/rtdetrv2/rtdetrv2_r50vd_finetune_powerline_v4_rgb.yml \
    -r weights/final_rgb.ckpt \
    --config-2 configs/rtdetrv2/rtdetrv2_r50vd_finetune_powerline_v4_ir.yml \
    --resume-2 weights/final_ir.ckpt \
    --backend mindspore \
    --device npu \
    --source camera \
    --camera-id 0 \
    --camera-id-2 1 \
    --shared-dir results/rgb_ir_dual_camera/ \
    --threshold 0.4 \
    --time-window 0.5

---

三、服务器部署与在线访问

本项目已在远程服务器环境完成完整部署，并通过公网域名提供访问服务，可进行在线演示与功能验证。

服务器运行环境

• 操作系统：Linux (Euler / Ubuntu Server)
• 前端：Node.js + Vite + React
• 后端：Java 17 + Spring Boot
• 数据库：MySQL 8.x
• 算法模块：MindSpore 2.6 + CANN 8.1 + NPU
• 部署方式：前后端分离 + Nginx 反向代理 + 域名解析

在线访问地址

http://powerinspect.top

说明

1. 前端页面已部署至服务器，并由 Nginx 提供静态资源服务
2. 后端 SpringBoot 服务运行在服务器端口，并通过反向代理映射到域名
3. MySQL 数据库运行在服务器本地，用于存储巡检记录与缺陷信息
4. MindSpore 算法模块运行在推理服务器 / NPU 设备上，通过接口与后端通信
5. 用户可直接通过浏览器访问域名进行系统操作与缺陷检测结果查看

部署结构示意

用户浏览器
    ↓
powerinspect.top (Nginx)
    ↓
Frontend (5173 build)
    ↓
Backend (8080 SpringBoot)
    ↓
MySQL + MindSpore 推理模块

---

四、系统联调流程

完整的端到端工作流如下：

1. 数据准备：确保后端已成功连接 MySQL 数据库。

2. API 对接：前端 frontend/ 正确配置并指向后端 http://localhost:8080 的 API 地址。

3. 算法接入：将测试图片送入 rtdetrv2_mindspore 模块进行推理，输出缺陷检测结果（带边界框的图片或 JSON 结构化坐标数据）。

4. 结果回传：后端接收算法模块的输出数据，并落库保存。

5. 前端展示：用户在 Web 页面查看巡检记录与缺陷可视化结果。

---

许可证

MIT License

---

最后更新：2026-08-20
版本：v1.0