# 禾瑞思航·低代码AI模型训练系统 # 禾瑞思航·低代码AI模型训练系统 面向计算机视觉 基于深度学习的禾瑞思航·低代码AI模型训练系统，包含图像采集、智能检测、数据标注、模型训练四大模块。 ## 项目特点 - 实时性：单张检测耗时<2秒 - 准确性：字符识别率≥99.5% - 追溯性：所有检测记录可存储6个月 - 工业级UI：符合工业软件设计规范 - 设备集成：支持PLC/OPC UA/MES系统对接 ## 核心功能 - 实时视频流预览与检测 - 检测结果瀑布流展示 - 质量统计看板 - 历史记录查询与管理 - 标注数据管理与样本库版本控制 - 模型训练与性能监控 ## 技术栈 - 前端：Vue 3 + Vite + Quasar - 可视化：ECharts工业大屏版 - 图像处理：OpenCV - 深度学习：TensorFlow/PyTorch/ONNX - 数据存储：IndexedDB - 设备通信：WebSocket + OPC UA ## 启动方式 第一步启动服务端；第二步启动客户端（npm run dev） ### 1. 双击 start.bat ![alt text]() ![alt text]() ### 2. 启动客户端(npm run dev) ![alt text]() 成功啦！简单吧！点击设置语言 ![alt text]() ### 3. 修改语言 ![alt text]() 相机等硬件会自动连接，也可在设置中自行添加。 ### 4. 数据标注 ![alt text]() 红框内图片是为了训练模型正确找到文本区域 蓝框内图片是为了训练模型正确识别文本内容 ### 6. 图像处理 ![alt text]() ### 7. 模型调用 ![alt text]() 复制模型ID ![alt text]() 调用模型 ### 8. 实时图像处理 ![alt text]() 在实时图像处理页面可以选择刚才设置的单步处理或流水线处理来对图像进行修改 本项目基于[工业低代码计算机视觉系统](https://www.gitpp.com/chatwike/project-gpp-0525002) 致谢！大家尊重原作者的成果 # 开源、共享的 AI低代码平台 本项目立志成为一个开源、共享的 AI低代码平台 # 开源协议 中国人自己的开源协议 Public Knowledge Unit Agreement PKU 开源协议 https://www.gitpp.com/pkuLicense/pku-open-source-license 小微企业、个人完全免费 大中型企业，一定要付费哦，尊重这些底层的程序员吧 ### **禾瑞思航·低代码AI模型训练系统：工业质检 通用解决方案** **系统定位**：基于深度学习的禾瑞思航·低代码AI平台，专为**工业质检**设计 本项目基于[工业低代码计算机视觉系统](https://www.gitpp.com/chatwike/project-gpp-0525002) 致谢！大家尊重原作者的成果 # 基于专有数据的AI训练 如果有专有数据，这个平台可以做任何事情：智慧农业虫害检测、火灾检测、道路检测，只要你有专有数据 同时支持**垃圾分类、火警预测**等计算机视觉任务。 通过模块化设计降低AI开发门槛，加速AI在工业与公共安全领域的落地。 --- ### **一、系统核心能力与价值** #### **1. 四大核心模块** | **模块** | **功能描述** | **工业质检/垃圾分类/火警预测应用示例** | |------------------|------------------------------------------------------------------------------|----------------------------------------------------------------------------------| | **图像采集** | 支持摄像头、IPC、工业相机、无人机等设备接入，实时采集图像/视频流。 | 工业质检：采集生产线零件图像；垃圾分类：采集垃圾桶内图像；火警预测：采集厂区监控视频。 | | **智能检测** | 基于预训练模型或自定义模型，实时分析图像，输出缺陷类型、垃圾类别、火焰/烟雾位置。 | 工业质检：检测零件划痕、裂纹；垃圾分类：识别塑料、金属；火警预测：定位火源与烟雾。 | | **数据标注** | 提供可视化标注工具，支持多人协作标注，生成训练数据集。 | 工业质检：标注“划痕”“毛刺”等缺陷；垃圾分类：标注“可回收物”“有害垃圾”；火警预测：标注“火焰”“烟雾”区域。 | | **模型训练** | 支持迁移学习、增量训练，优化模型性能，输出训练日志与评估指标。 | 工业质检：微调ResNet检测模型；垃圾分类：训练YOLOv8分类模型；火警预测：训练火焰检测模型。 | #### **2. 核心功能亮点** - **实时视频流预览与检测** - 支持多路摄像头实时预览，AI模型同步分析，检测结果叠加在视频画面（如缺陷位置高亮、垃圾类别标注）。 - **检测结果瀑布流展示** - 以时间轴形式展示检测结果（如最近100条质检记录），支持筛选与导出（如导出缺陷零件批次）。 - **质量统计看板** - 通过ECharts工业大屏版展示关键指标（如缺陷率、分类准确率、火警误报率），支持数据钻取（如按生产线、时间分析）。 - **历史记录查询与管理** - 所有检测记录存储6个月，支持按设备ID、时间戳、类别等字段查询，便于追溯问题（如定位缺陷零件生产批次）。 - **标注数据管理与样本库版本控制** - 支持多人协作标注，记录标注历史版本，避免数据冲突（如不同质检员标注同一零件）。 - **模型训练与性能监控** - 实时监控训练过程（如损失函数曲线、验证集准确率），支持早停（Early Stopping）防止过拟合。 --- ### **二、技术优势与性能指标** 1. **实时性** - 单张图像检测耗时<2秒，满足工业质检（如生产线速度≥10件/秒）与火警预测（需快速响应）需求。 2. **准确性** - 字符识别率≥99.5%（如零件编号识别），目标检测mAP（平均精度均值）≥90%（如缺陷检测）。 3. **追溯性** - 所有检测记录存储6个月，支持按设备、时间、类别等维度查询，便于审计与优化。 4. **工业级UI** - 符合工业软件设计规范（如暗黑主题、高对比度图标），支持24小时稳定运行，适配工业环境。 5. **设备集成** - 支持PLC（可编程逻辑控制器）、OPC UA（工业通信协议）、MES（制造执行系统）对接，实现AI与工业设备联动（如质检不合格自动停机）。 --- ### **三、典型应用场景与解决方案** #### **1. 工业质检** - **场景痛点**：人工质检效率低、漏检率高；传统机器视觉依赖规则，无法处理复杂缺陷。 - **系统解决方案**： - **图像采集**：在生产线部署工业相机，实时采集零件图像。 - **智能检测**：训练缺陷检测模型（如识别划痕、裂纹、变形）。 - **设备联动**：通过PLC控制机械臂剔除不合格品，或通过MES记录缺陷数据。 - **质量统计**：分析缺陷类型分布，优化生产工艺。 - **价值**：缺陷检测准确率≥95%，减少人工成本50%以上，提升产品良率。 #### **2. AI垃圾分类** - **场景痛点**：传统垃圾分类依赖人工，效率低、易出错；分类错误导致资源浪费或污染。 - **系统解决方案**： - **图像采集**：在垃圾桶或分拣线部署摄像头，实时采集垃圾图像。 - **智能检测**：训练垃圾分类模型（如识别“塑料瓶”“纸张”“厨余垃圾”）。 - **设备联动**：通过PLC控制机械臂，将分类后的垃圾投入对应容器。 - **数据追溯**：记录分类结果与错误案例，优化模型与流程。 - **价值**：分类准确率≥90%，减少人工成本30%-50%，提升资源回收率。 #### **3. AI火警预测** - **场景痛点**：传统烟雾报警器误报率高，无法定位火源；火灾初期难以发现。 - **系统解决方案**： - **图像采集**：在厂区、仓库部署热成像摄像头，实时采集温度分布与视频流。 - **智能检测**：训练火焰/烟雾检测模型（如YOLOv8），结合温度阈值分析。 - **设备联动**：通过OPC UA通知消防系统，自动启动喷淋或报警。 - **质量统计**：分析火警误报率与漏报率，优化模型参数。 - **价值**：火警检测准确率≥90%，响应时间缩短至10秒内，降低火灾损失。 --- ### **四、技术栈与扩展性** | **技术类别** | **技术选型** | **优势** | |------------------|------------------------------------------------------------------------------|--------------------------------------------------------------------------| | **前端** | Vue 3 + Vite + Quasar | 组件化开发，支持PC/移动端适配，工业UI风格。 | | **可视化** | ECharts工业大屏版 | 支持实时数据监控、多维度分析，符合工业场景需求。 | | **图像处理** | OpenCV | 支持图像预处理（如去噪、增强）、特征提取。 | | **深度学习** | TensorFlow/PyTorch/ONNX | 支持迁移学习、模型导出（如ONNX格式），兼容多硬件平台（如NVIDIA Jetson）。 | | **数据存储** | IndexedDB（本地缓存） + MySQL（云端存储） | 支持6个月历史记录追溯，数据安全可靠。 | | **设备通信** | WebSocket + OPC UA | 支持工业设备实时通信，兼容PLC、MES系统。 | **扩展性**： - **模型兼容性**：支持自定义模型导入（如用户已有训练好的模型）。 - **API集成**：提供RESTful API，支持与第三方系统（如ERP、CRM）集成。 - **硬件适配**：支持NVIDIA Jetson、华为Atlas等边缘计算设备，降低云端依赖。 --- ### **五、系统价值与用户收益** 1. **降低AI开发门槛** - 低代码设计，无需深度学习背景，通过可视化界面完成模型训练与部署。 2. **加速AI落地** - 模块化设计，支持快速适配不同场景（如工业质检→垃圾分类仅需更换数据集与模型）。 3. **提升工业效率** - 实时检测与设备联动，减少人工干预，降低误报/漏报率。 4. **数据驱动优化** - 历史记录与质量统计，支持持续优化模型与流程。 --- ### **六、总结与建议** 1. **适用场景** - **工业质检**：零件缺陷检测、表面质量分析。 - **垃圾分类**：智能垃圾桶、分拣线自动化。 - **火警预测**：厂区、仓库、公共场所火灾预警。 2. **用户群体** - 制造企业、环保机构、消防部门、AI开发者。 **立即开启低代码AI之旅，让AI赋能工业质检与公共安全！**