业务和功能介绍
业务亮点和立项原因：随着人口老龄化，我国眼科疾病患病人数攀升，医疗资源分布不均问题突出。高水平医院眼科医生工作负担重，漏判、误诊等问题频发，且专业医生培养周期长、数量有限。传统诊断模式依赖肉眼观察眼底图像，耗时耗力且易受主观因素影响。基于此，本项目借助深度学习技术，开发眼科疾病智能诊断系统，以实现对多种常见眼科疾病及正常眼底的准确识别，提升诊断效率和准确性，减轻医生负担，降低误诊漏诊率，缓解医疗资源紧张问题。
立项过程和沟通过程：项目团队与眼科专家、医生、医疗机构管理人员及患者深入交流，收集各方需求。了解医生诊断痛点、医疗机构对系统功能的期望以及患者对诊断流程的需求。同时调研市场现有系统优缺点及行业趋势，明确项目方向。与潜在合作的医疗机构沟通，介绍项目理念和技术优势，探讨合作可能性，根据其反馈优化项目方案，最终确立项目。
具体功能模块及使用者功能
图像处理功能：对眼底图像进行轮廓裁剪、CLAHE 处理和双目拼接，提取视盘区域，消除光照不均干扰，增强血管纹理细节，实现左右眼图像空间对齐，为诊断提供清晰统一的图像。
疾病检测功能：支持单张或批量图像上传，通过多标签分类能力判别 7 类眼科疾病与正常类别，允许单张图像存在多个病理标签，精准诊断复杂病例。
报告生成功能：快速生成详细诊断报告，支持打印和 PDF 格式导出，方便医生查看、存档及与患者沟通。
历史记录查询功能：便捷查询历史检测记录，包括时间、诊断结果和 AI 建议，便于病情复核与长期存档。
诊断建议功能：集成医疗大模型，依据诊断结果生成个性化治疗建议和健康管理方案，提升患者依从性和诊疗效率。
疾病科普功能：提供常见眼病的详实介绍，包括示意图和文字说明，点击 “了解更多” 可跳转至百度百科获取更多资料。
主要功能路径：用户上传眼底图像，系统对图像进行预处理（轮廓裁剪、CLAHE 处理、双目拼接），然后通过深度学习模型进行疾病检测，生成诊断结果，基于诊断结果生成诊断建议和报告，同时将检测记录存储以便用户查询。用户还可通过疾病科普功能了解相关眼病知识。
立项过程和沟通过程：项目团队与眼科专家、医生、医疗机构管理人员及患者深入交流，收集各方需求。了解医生诊断痛点、医疗机构对系统功能的期望以及患者对诊断流程的需求。同时调研市场现有系统优缺点及行业趋势，明确项目方向。与潜在合作的医疗机构沟通，介绍项目理念和技术优势，探讨合作可能性，根据其反馈优化项目方案，最终确立项目。
具体功能模块及使用者功能
图像处理功能：对眼底图像进行轮廓裁剪、CLAHE 处理和双目拼接，提取视盘区域，消除光照不均干扰，增强血管纹理细节，实现左右眼图像空间对齐，为诊断提供清晰统一的图像。
疾病检测功能：支持单张或批量图像上传，通过多标签分类能力判别 7 类眼科疾病与正常类别，允许单张图像存在多个病理标签，精准诊断复杂病例。
报告生成功能：快速生成详细诊断报告，支持打印和 PDF 格式导出，方便医生查看、存档及与患者沟通。
历史记录查询功能：便捷查询历史检测记录，包括时间、诊断结果和 AI 建议，便于病情复核与长期存档。
诊断建议功能：集成医疗大模型，依据诊断结果生成个性化治疗建议和健康管理方案，提升患者依从性和诊疗效率。
疾病科普功能：提供常见眼病的详实介绍，包括示意图和文字说明，点击 “了解更多” 可跳转至百度百科获取更多资料。
主要功能路径：用户上传眼底图像，系统对图像进行预处理（轮廓裁剪、CLAHE 处理、双目拼接），然后通过深度学习模型进行疾病检测，生成诊断结果，基于诊断结果生成诊断建议和报告，同时将检测记录存储以便用户查询。用户还可通过疾病科普功能了解相关眼病知识。
项目实现
参与人数：团队共 5 人，包括算法工程师、前端开发工程师、图像处理工程师、产品设计师和数据分析师。
开发周期：从 2025 年 1 月 1 日开始，到 2025 年 4 月 14 日结束，约 3 个半月。
我的任务：负责 AI 诊断模型的设计与调优，选用 EfficientNet-B4 和 Vision Transformer 模型，通过加权融合策略提升模型性能，处理类别不平衡问题，调整超参数，优化模型准确率、精确率和召回率，确保模型在测试集上达到预期性能指标。
技术栈、架构、亮点及难点
技术栈
后端：Flask 框架、PyTorch 深度学习框架、MySQL 数据库、Redis 缓存。
前端：HTML/CSS/JavaScript、Vue.js。
图像处理：OpenCV、NumPy。
模型训练监控：TensorBoard。
架构：采用前后端分离架构，后端负责数据处理、模型推理和业务逻辑，前端负责用户交互和数据展示，通过 RESTful API 接口实现前后端数据交互。
亮点
模型采用 EfficientNet-B4 和 Vision Transformer 加权融合策略，结合两者在细节提取和全局关联建模的优势，提升分类精度和鲁棒性。
针对类别不平衡问题，引入类别权重和 Focal Loss 损失函数，提高模型对少数类疾病的识别能力。
系统功能丰富，集成图像处理、疾病检测、报告生成等多种功能，满足医疗机构、医生和患者的多样化需求。
难点
眼底图像预处理：需要解决亮度不均、噪声去除、双目图像对齐等问题，确保输入数据质量。
模型训练：处理类别不平衡问题，优化超参数，提高模型泛化能力，确保在测试集上达到高精度。
系统集成：将前端、后端和模型训练部分集成，确保系统稳定运行，响应速度快。
开发周期：从 2025 年 1 月 1 日开始，到 2025 年 4 月 14 日结束，约 3 个半月。
我的任务：负责 AI 诊断模型的设计与调优，选用 EfficientNet-B4 和 Vision Transformer 模型，通过加权融合策略提升模型性能，处理类别不平衡问题，调整超参数，优化模型准确率、精确率和召回率，确保模型在测试集上达到预期性能指标。
技术栈、架构、亮点及难点
技术栈
后端：Flask 框架、PyTorch 深度学习框架、MySQL 数据库、Redis 缓存。
前端：HTML/CSS/JavaScript、Vue.js。
图像处理：OpenCV、NumPy。
模型训练监控：TensorBoard。
架构：采用前后端分离架构，后端负责数据处理、模型推理和业务逻辑，前端负责用户交互和数据展示，通过 RESTful API 接口实现前后端数据交互。
亮点
模型采用 EfficientNet-B4 和 Vision Transformer 加权融合策略，结合两者在细节提取和全局关联建模的优势，提升分类精度和鲁棒性。
针对类别不平衡问题，引入类别权重和 Focal Loss 损失函数，提高模型对少数类疾病的识别能力。
系统功能丰富，集成图像处理、疾病检测、报告生成等多种功能，满足医疗机构、医生和患者的多样化需求。
难点
眼底图像预处理：需要解决亮度不均、噪声去除、双目图像对齐等问题，确保输入数据质量。
模型训练：处理类别不平衡问题，优化超参数，提高模型泛化能力，确保在测试集上达到高精度。
系统集成：将前端、后端和模型训练部分集成，确保系统稳定运行，响应速度快。
示例图片视频
相似推荐
基于Web的模拟电路三维虚拟实验与故障检测平台-模拟电路虚拟实验平台
面向电子信息、自动化等专业的模拟电路教学与实训，开发一套可在浏览器运行的三维虚拟实验平台。平台涵盖单管及多级放大、运算放大、滤波、比较、波形发生、振荡、整流稳压、功率放大等21类实验及多个子实验。用户可在三维实验板上选择端子完成交互连线，使用重置、故障检测和一键布线等功能；系统能够识别缺失连接和多余连接，并根据当前实际连线自动生成SPICE网表，调用ngspice完成电路仿真，再通过可缩放、平移和导出的示波器波形展示输入输出结果，适用于课前预习、课堂演示、实验训练和故障排查。
远程设备控制系统-设备控制
本远程设备控制系统面向物联网智能设备管控场景，配套网页管理端与微信小程序双载体，实现全流程设备远程可视化管控：
设备数据实时采集：在线读取温湿度、电量、设备运行状态等传感数据，数据实时刷新展示；
远程控制操作：支持远程开关设备、调节灯具亮度、继电器通断、参数阈值自定义配置；
设备资产管理：设备分组管理、在线离线状态监测、历史运行数据存储与查询；
告警提醒机制：设备异常、超温断电等场景自动推送消息提醒，方便运维人员及时处置；
权限分级管控：区分管理员、普通操作员账号，限定设备操作与数据查看权限。
遥感影像处理软件框架搭建
底层架构与跨平台编译：独立负责软件整体框架的 CMake 构建系统配置，解决 Windows/Linux 下第三方库（Qt5、QGIS Core、GDAL）的依赖链接与版本冲突问题，实现了项目的自动化跨平台构建。基于Qt5开发软件框架，集成QGis进行二次开发，算法接口设计与解耦：针对后续算法人员（深度学习/点云处理）的需求，设计并封装了标准化的 插件接口
面向中国星网打造的卫星运维一体化管控平台-中国星网综合管控平台
面向中国星网打造的卫星运维一体化管控平台，整体分为四大分系统，集成卫星运维管理、实时故障监测、故障溯源、AI 算法模型训练、数据管理等能力，服务卫星日常运维与智能研判工作，障知识图谱功能落地，大幅缩短卫星故障定位与排查耗时；综合管理模块采用配置化设计，支持算法、模型快速新增配置；解决大屏大数据渲染卡顿问题，系统稳定性与迭代效率显著提升。
无人机智巡智检系统
立项背景和目标
随着我国电力线路总里程突破200万公里、光伏装机容量连年跃升，传统人工巡检模式已难以为继。巡检人员需翻山越岭、登高作业，不仅效率低下（人均每日仅能巡检5~8公里），更面临高空坠落、触电、中暑等严重安全风险。与此同时，存量设备老化加速，缺陷漏检、误检时有发生，导致非计划停运事件频发，经济损失巨大。国家“十四五”规划明确要求加快工业互联网与能源基础设施深度融合，推动巡检作业向无人化、智能化转型。无人机技术、5G通信、AI视觉识别和数字孪生等前沿技术的成熟，为这一转型提供了坚实的技术底座。
基于此，本项目立项建设一套“无人机智巡智检系统”，总体目标如下：一是实现巡检作业全流程自动化，通过预设航线自主巡航，将单次巡检耗时从平均2小时压缩至20分钟以内，效率提升6倍；二是依托深度学习算法对可见光、红外热成像等多源数据进行实时分析，缺陷识别准确率不低于92%，误报率控制在5%以下；三是构建从任务规划、数据采集、智能诊断到工单派发、整改反馈的完整业务闭环，消除信息孤岛；四是利用数字孪生技术，在三维实景地图上叠加巡检数据，实现空间态势感知与历史数据对比分析，为运维决策提供直观支撑。最终，系统将覆盖输电线路、变电站、光伏场站、石油管道等多种场景，助力企业降本增效、本质安全。
2. 软件功能、核心功能模块介绍
系统共包含六大核心功能模块，各模块协同运转，形成完整能力矩阵：
（1）无人机飞控与航线管理模块：支持多品牌、多机型无人机设备的统一注册、健康状态监控及固件升级管理；内置航线库，支持KML/KMZ等标准格式导入，并提供可视化航点编辑工具，可在二维GIS或三维地球上进行航线规划，模拟飞行轨迹，预判碰撞风险。
（2）巡检任务管理模块：提供日常巡检、特殊巡检、应急巡检等多种任务类型；支持单次、周期性、触发式任务调度；任务执行过程中实时接收无人机回传的经纬度、高度、电量、速度等遥测数据，并以动态仪表盘呈现；任务结束后自动归档影像、日志和识别结果。
（3）AI智能识别与分析模块：基于YOLOv8和ResNet等深度网络模型，针对绝缘子破损、导线断股、销钉缺失、鸟巢、树障、异常发热等十余类典型缺陷进行自动检测；支持模型在线更新和增量学习；分析结果附带置信度分数和定位框，并支持人工复核标注，形成闭环优化数据。
（4）数字孪生与三维可视化模块：基于倾斜摄影和激光点云技术构建巡检场景的高精度三维模型（厘米级），在地图上融合显示无人机实时位置、历史航迹、缺陷标注点；支持多期数据对比，通过卷帘工具直观展示设备前后变化；支持空间量测、剖面分析等高级功能。
（5）缺陷管理与工单闭环模块：统一展示所有识别出的缺陷，按严重等级（危急、严重、一般）分级高亮；每个缺陷可一键生成工单，自动关联位置、影像和识别结果，派发给指定的运维班组；支持工单状态追踪（待处理、处理中、已完成）
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服