业务和功能介绍
核心业务（ToB 为主，ToG 为辅）
1. 缺陷检测服务
- 线路级：为工务段/地铁公司提供“检测车+算法+报告”整套外包，按公里计费。
- 设备级：向轨道巡检机器人厂商出售嵌入式算法授权（SDK），按台数授权。
- 云端SaaS：上传图片/视频即可在线检测，生成带坐标、置信度、缺陷类型的JSON报告，按调用量计费。
2. 数据增值服务
- 缺陷趋势预测：基于历史检测数据，预测未来3-6个月裂纹扩展趋势，指导换轨计划。
- 全生命周期档案：为每根钢轨建立“电子身份证”，融合超声、涡流数据，形成数字孪生。
3. 软硬一体产品
- 边缘盒子：Jetson Xavier + 5G，直接装在检测车/隧道壁，30ms内完成识别，只回传报警。
- 车载GPU服务器：单台覆盖双向8车道，巡检速度≥60km/h，不影响运营。
核心功能（软件/云端）
1. 多输入支持
- 图片、视频、RTSP相机流、本地摄像头、批量文件夹。
2. 实时检测
- 单图32ms，30FPS不掉帧；支持1080p-4K分辨率。
3. 六类缺陷识别
- 裂纹、磨损、剥离、掉块、弹性夹断裂、鱼尾板异常；mAP≥90%。
4. 小目标优化
- 0.1mm裂纹可检；引入CBAM+SPD-Conv+FPN-P2层，小目标召回率提升8%。
5. 复杂环境鲁棒
- 夜间/隧道/雨迹/油污/锈蚀场景下，误检率＜2%。
6. 结果可视化
- 边缘框+类别+置信度；一键生成Excel统计表+缺陷热力图。
7. 轻量化部署
- 模型≤30MB；CPU(i7)亦可跑，GPU最高162FPS；支持Windows/Linux/国产麒麟。
8. 一键升级
- 在线OTA：新缺陷类型、新精度版本后台推送，5分钟完成热更新。
典型落地场景
- 高铁天窗点：检测车1小时扫完20km，次日出具报告，替代30人·天人工巡检。
- 地铁日常巡检：夜间收车后，手推巡检小车+边缘盒子，3小时完成全线筛查。
- 重载货运专线：巡检机器人挂装在轨道梁，24h不间断监测，异常实时推送到值班室大屏。
1. 缺陷检测服务
- 线路级：为工务段/地铁公司提供“检测车+算法+报告”整套外包，按公里计费。
- 设备级：向轨道巡检机器人厂商出售嵌入式算法授权（SDK），按台数授权。
- 云端SaaS：上传图片/视频即可在线检测，生成带坐标、置信度、缺陷类型的JSON报告，按调用量计费。
2. 数据增值服务
- 缺陷趋势预测：基于历史检测数据，预测未来3-6个月裂纹扩展趋势，指导换轨计划。
- 全生命周期档案：为每根钢轨建立“电子身份证”，融合超声、涡流数据，形成数字孪生。
3. 软硬一体产品
- 边缘盒子：Jetson Xavier + 5G，直接装在检测车/隧道壁，30ms内完成识别，只回传报警。
- 车载GPU服务器：单台覆盖双向8车道，巡检速度≥60km/h，不影响运营。
核心功能（软件/云端）
1. 多输入支持
- 图片、视频、RTSP相机流、本地摄像头、批量文件夹。
2. 实时检测
- 单图32ms，30FPS不掉帧；支持1080p-4K分辨率。
3. 六类缺陷识别
- 裂纹、磨损、剥离、掉块、弹性夹断裂、鱼尾板异常；mAP≥90%。
4. 小目标优化
- 0.1mm裂纹可检；引入CBAM+SPD-Conv+FPN-P2层，小目标召回率提升8%。
5. 复杂环境鲁棒
- 夜间/隧道/雨迹/油污/锈蚀场景下，误检率＜2%。
6. 结果可视化
- 边缘框+类别+置信度；一键生成Excel统计表+缺陷热力图。
7. 轻量化部署
- 模型≤30MB；CPU(i7)亦可跑，GPU最高162FPS；支持Windows/Linux/国产麒麟。
8. 一键升级
- 在线OTA：新缺陷类型、新精度版本后台推送，5分钟完成热更新。
典型落地场景
- 高铁天窗点：检测车1小时扫完20km，次日出具报告，替代30人·天人工巡检。
- 地铁日常巡检：夜间收车后，手推巡检小车+边缘盒子，3小时完成全线筛查。
- 重载货运专线：巡检机器人挂装在轨道梁，24h不间断监测，异常实时推送到值班室大屏。
项目实现
项目已实现为 “可落地的三段式交付物”，源码 + 模型 + 部署包** 全部到位，
① 源码交付（Git 仓库结构）
rail-yolo/
├─ data/ ← 数据集、yaml、标签
├─ models/ ← 改进 YOLOv8 网络定义（yaml）
├─ runs/ ← 训练日志、权重、曲线
├─ ui/ ← PyQt5 可执行界面
├─ deploy/
│ ├─ edge/ ← Jetson Xavier 启动镜像
│ ├─ docker/ ← x86 GPU Docker 镜像
│ └─ http/ ← Flask 在线 API
├─ weights/
│ ├─ rail_yolo8s_cbam.pt ← 最终 30 MB 权重
│ └─ rail_yolo8n.pt ← 超轻 13 MB 权重
├─ requirements.txt
└─ README.md ← 一行命令复现
② 一键复现（3 分钟跑通）
1. 装好环境：
```bash
conda create -n rail python=3.12 -y
conda activate rail
pip install -r requirements.txt
```
2. 直接推理：
```bash
python detect.py --weights weights/rail_yolo8s_cbam.pt --source data/test/001.jpg
```
→ 结果保存在 `runs/detect/exp/001.jpg`
边缘框 + 置信度 + 类别。
3. 启动界面：
```bash
cd ui && python rail_gui.py
```
→ PyQt5 窗口 → 支持 图片 / 视频 / 摄像头 / 批量文件夹 → 实时 30 FPS。
③ 模型性能（已训练 800 epoch，可复训）
| 版本 | 大小 | mAP@0.5 | 推理时间 | 硬件 |
|---|---|---|---|---|
| rail_yolo8s_cbam.pt | 30 MB | 93.2 % | 32 ms | i7-127
① 源码交付（Git 仓库结构）
rail-yolo/
├─ data/ ← 数据集、yaml、标签
├─ models/ ← 改进 YOLOv8 网络定义（yaml）
├─ runs/ ← 训练日志、权重、曲线
├─ ui/ ← PyQt5 可执行界面
├─ deploy/
│ ├─ edge/ ← Jetson Xavier 启动镜像
│ ├─ docker/ ← x86 GPU Docker 镜像
│ └─ http/ ← Flask 在线 API
├─ weights/
│ ├─ rail_yolo8s_cbam.pt ← 最终 30 MB 权重
│ └─ rail_yolo8n.pt ← 超轻 13 MB 权重
├─ requirements.txt
└─ README.md ← 一行命令复现
② 一键复现（3 分钟跑通）
1. 装好环境：
```bash
conda create -n rail python=3.12 -y
conda activate rail
pip install -r requirements.txt
```
2. 直接推理：
```bash
python detect.py --weights weights/rail_yolo8s_cbam.pt --source data/test/001.jpg
```
→ 结果保存在 `runs/detect/exp/001.jpg`
边缘框 + 置信度 + 类别。
3. 启动界面：
```bash
cd ui && python rail_gui.py
```
→ PyQt5 窗口 → 支持 图片 / 视频 / 摄像头 / 批量文件夹 → 实时 30 FPS。
③ 模型性能（已训练 800 epoch，可复训）
| 版本 | 大小 | mAP@0.5 | 推理时间 | 硬件 |
|---|---|---|---|---|
| rail_yolo8s_cbam.pt | 30 MB | 93.2 % | 32 ms | i7-127
示例图片视频
相似推荐
skill插拔驱动多元Agent
### 多 Agent 智能协作
6 个专业 Agent（Sisyphus、Code Analyzer、Programmer、Refactor Master、Test Expert、Librarian）通过 4 种协作模式（Sequential、Parallel、Debate、Main-with-Helpers）智能协作。基于意图识别自动选择 Agent，并行执行提升效率，自动综合多专家意见。
### 深度代码理解
集成 LSP（Language Server Protocol）、AST（抽象语法树）分析和语义代码搜索。支持 Python、JavaScript、TypeScript 等主流语言，提供类型推导、引用分析、基于向量的语义检索。自动识别代码结构和依赖关系。
### 智能编排系统
7 种编排策略（Simple、ReAct、Multi-Agent、Parallel、Conditional、Workflow、Sisyphus）自动选择最优方案。ReAct 模式支持推理-行动循环，条件分支实现动态决策，并行执行提升性能。
### 完整工具链
34+ 专业工具，包含项目理解（文档发现、结构分析、代码地图）、代码搜索（文本、正则、语义、AST）、LSP 工具（诊断、跳转、引用、重命名）、文件操作（读写、批量操作、补丁）、Git 工具（状态、差异、日志）。
### 智能记忆系统
分层存储架构（会话级、用户级、全局级），对话树结构支持多分支，智能压缩和摘要，相关性检索。多轮对话保持上下文，记住用户偏好和习惯，跨会话知识复用。
### Skill 配置系统
14+ 预置技能，灵活的 Prompt 模板，工具和编排器配置，可扩展的技能定义。YAML 配置驱动，Jinja2 模板引擎，动态加载和热更新。
微信自动抢红包助手-快抢
基于Auto.js开发的微信自动抢红包脚本，通过监听系统通知实时响应红包消息，自动点击横幅进入聊天界面，并利用固定坐标快速点击红包和“开”按钮。脚本支持多次重试机制，确保红包被及时抢到，无需人工干预，极大提升抢红包成功率。
RPA的SAP BW运维监控-SAP
本项目旨在解决 SAP BW 系统运维中人工监控效率低、响应滞后、易遗漏异常的痛点，通过 RPA 机器人替代人工，实现对 SAP BW 数据加载、任务执行、系统状态的 7×24 小时自动化监控。
核心功能模块包括：
SAP BW 监控模块：RPA 自动登录 SAP 系统，定时检查 BW 进程、数据加载任务、系统日志及关键指标，识别任务失败、数据异常、系统告警等问题。
智能通知模块：当监控到异常时，RPA 触发微信消息推送，将异常详情、影响范围、建议处理措施实时推送给运维人员；同时可调用 Python 接口，通过电话语音或系统声音输出进行二次告警，确保关键问题不被遗漏。
辅助识别模块：集成 Python OCR 图片文字识别能力，自动解析 SAP BW 监控截图中的关键信息，补充到告警内容中，提升问题定位效率。
业务流程为：RPA 定时巡检→发现异常→触发多渠道告警→运维人员接收并处理→RPA 记录处理结果并归档，形成闭环运维监控体系，大幅降低人工成本，提升运维响应速度和系统稳定性。
tools box
针对用户需要多个软件处理图片文档的痛点，打造免费在线工具平台，无需安装即可使用，注重隐私保护。
图片工具（去水印、压缩、证件照、抠图）、实用工具（文档转换、屏幕录制、二维码、OCR识别）、AI助手（图片视频生成、写作翻译、旅行规划）。
访问网站→选择工具→上传文件→系统处理→预览结果→下载保存。浏览器端本地处理，无需注册，保护隐私安全。
军事agent-ugv_agents
在无人作战/军事仿真场景中，需智能体系统协调多无人平台（UAV、UGV、机器狗等）完成复杂任务。传统方案依赖人工指令与固定流程，难以应对动态任务和自然语言交互。本项目构建基于 LLM 的多 Agent 协同系统，实现自然语言驱动的任务规划、调度与执行。核心目标：支持自然语言任务输入并自动分解为可执行动作序列；多 Agent 协同（任务规划、调度、会议助手、状态检查等）；WebSocket/MQTT 双通道与上位机通信；通过 MCP 协议动态扩展工具能力；Docker 容器化部署，兼容 x86/ARM64。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服