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
政企数字可视化大屏系列
包含环卫保洁专题、城管驾驶舱、济南 3D 数字孪生等多个大屏项目。实现地图点位展示、热力图、摄像头视频轮询巡检；支持 3D 模型展示、传感器打点；对接后端实时业务数据，完成多维度筛选统计，可对接大模型流式输出，支持 PDF、二进制文件批量导出，服务政府部门指挥调度查看。
学生综合素质测评系统-学生综合素质测评系统
面向高校、职业院校，用于落实学生综合素质评价改革，替代传统纸质填表、人工汇总打分模式。
1. 学校教务处/学工处：统一制定综合素质评价指标、发布测评任务、审核学生申报材料，汇总全院测评数据，导出报表用于评奖评优、推优入党、毕业鉴定。
2. 辅导员/班主任：查看班级学生申报记录，审核学生提交的活动证明、奖惩材料，给学生打分评语，快速统计班级测评结果。
3. 在校学生：线上填报个人综合素质材料，上传获奖证书、社会实践、志愿活动、文体活动等佐证，查看测评得分与排名。
4. 二级学院：对本学院学生测评数据进行统计分析，掌握学生德育、实践、文体发展情况，辅助学生管理工作。
文昌超级工厂
本项目服务卫星总装测试现场。计划、工艺、物料、检验和物流原来分散在不同系统，工位执行靠人工传递，结果不能及时回到工单上。立项目标是在制造执行平台上建成 MES：按工单、工序、工步组织作业，把仓储、试验检验和审批接进来，使任务可接收、过程可采集、结果可追溯。
核心功能分八块。一是基础数据，接收物料、设备、工具工装和制造 BOM。二是计划与工单，接收生产计划并按站点、工位下发。三是作业准备，包括人员资质、工艺附件、环境数据和设备点检。四是工序执行，覆盖开工、工步采集、物料装配与拆卸、工装和辅料、完工检查。五是检验回传，包括通用检验、力学、站点、热实验、电测和拍照声像，支持附件。六是仓储物流，包括叫料、配送、转运、入库、退库、临时补料、整星和工装出入库、空托盘回库。七是异常，现场填报确认，并接收环境系统异常。八是审批提醒，通过飞书卡片通知待办。
业务路径按一张工单走通：外部下发计划和 BOM 并生成工单；站点接收时若存在多个接驳位，先选定起点和终点，再向仓储下发配送或转运；准备完成后工序开工，工步采集并完成装配；试验或检验系统回传结果，关键检推送审批；完工前核对采集、物料、工装、辅料四类实绩；仓储回写执行结果后关闭物流任务。
数字孪生数据质量校验平台
数字孪生数据质量校验平台
业务与功能：本项目是电信运营商 IP 骨干网数字孪生工程的数据质量校验后端平台。各省网络采集数据（设备、链路、BGP/VPN/SRv6 路由、流量等 30 余类）以 Excel/CSV 按批次上报，平台负责解析入库、自动化质量校验、生成核查报告，并将问题回标到源 Excel 单元格，保障进入孪生库的数据准确、完整、一致。
背景与目标：数据质量决定孪生仿真精度，而人工核对数万行多表数据效率低、易遗漏，且问题难以精确定位。项目目标是实现“解析→校验→报告→标注→打包下载”全链路自动化，校验结果精确到单元格，规则可配置（100+ 复杂校验器），基于 Spark 支撑大数据量，并按省份、批次隔离管理。
核心模块：①文件解析模块（UnifiedFileParserController 统一编排，多引擎解析）；②规则校验模块（数据库规则驱动 + 跨表关联、唯一性、格式等复杂校验器）；③结果输出模块（Excel 回标、HTML 报告、数据分类统计与质量评分）；④批次与文件管理模块（批次信息、ZIP 打包下载、按批次删除）。
业务流程：各省提交批次文件 → 解析入 Spark/MySQL → 执行规则校验并落库 validation_result（含行列定位）→ 统计评分并判定“通过/不通过” → 导出核查报告 → 在源 Excel 上标注问题 → 打包 ZIP 并回写下载路径 → 用户下载报告与标注文件，修复后重新上报。
数字孪生平台
本项目是一套面向智慧城市、智慧海洋、智慧交通、智慧文旅及智慧园区等行业的数字孪生低代码可视化大屏开发平台，主要解决传统数据可视化项目开发周期长、组件重复开发率高、交互逻辑复杂、维护成本高以及跨项目复用性不足等问题。
平台采用低代码、组件化和配置化的设计理念，将数据图表、二维地图、三维场景、业务数据接口及交互事件等能力进行统一封装，为开发人员和项目实施人员提供一站式可视化大屏搭建工具。用户通过组件拖拽、属性配置、数据源绑定和交互事件编排，即可快速完成数据可视化页面的设计与开发，减少重复编码工作。
核心功能包括：
1. 可视化画布编辑： 支持组件拖拽、缩放、位置调整、图层排序、画布设置及样式配置，实现所见即所得的大屏设计。
2. 可视化组件管理： 提供柱状图、折线图、饼图、表格、文本、图片、地图及三维场景等组件，支持动态配置与复用。
3. 数据源管理： 支持对接后端 REST API，实现业务数据获取、解析、绑定及可视化展示。
4. 事件交互编排： 提供事件配置和蓝图编辑能力，实现组件点击、数据切换、地图联动及跨组件交互。
5. 数字孪生场景展示： 集成二维地图和三维可视化能力，实现地理空间信息与业务数据的融合展示。
6. 大屏项目管理： 支持项目配置保存、读取、编辑及预览，实现大屏配置的持久化与重复使用。
7. 动态视觉展示： 支持组件动画、背景样式、主题属性及多种可视化效果配置，满足不同业务场景的展示需求。
平台能够应用于城市运行监测、海洋环境监控、旅游数据分析、交通运行监管、园区设备监测及企业运营管理等场景，将分散的业务数据集中展示，为运营监控、业务分析和辅助决策提供直观的数据支持。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服