给排水工业设计智能识别与统计-Pipeline AI system
2026-03-10 16:38:58
行业：智慧数字孪生
载体：Windows应用
技术：Python、Electron、OpenCV
业务和功能介绍
1.针对给排水工程设计中人工统计图纸材料耗时巨大，极易出错等行业痛点，本项目旨在构建一套“开箱即用”的桌面端可视化智能系统，实线从图纸输入到材料表输出的全流程自动化，极大提高工作效率也保证了准确性。
2.系统继承了高精度图纸解析，智能图例识别、管线网络拓扑构建三大核心能力。
2.1.预处理模块：支持 DWG/PDF 导入，自动进行 1500 DPI 高清光栅化与比例尺校准。
2.2.AI 识别引擎：内置定制化YOLO模型，精准识别阀门、仪表等微小图例。
2.3.交互工作台：提供基于 OpenLayers 的大图交互预览，支持“所见即所得”的属性修正与实时重算。
3.流程：用户拖拽上传图纸 -> 系统自动执行“双流掩膜”去噪与切片 -> AI并行推理识别组件 -> 几何算法提取管线并构建连接关系 -> 生成可视化结果供用户预览校对 -> 一键导出标准Excel BOM表。
2.系统继承了高精度图纸解析，智能图例识别、管线网络拓扑构建三大核心能力。
2.1.预处理模块：支持 DWG/PDF 导入，自动进行 1500 DPI 高清光栅化与比例尺校准。
2.2.AI 识别引擎：内置定制化YOLO模型，精准识别阀门、仪表等微小图例。
2.3.交互工作台：提供基于 OpenLayers 的大图交互预览，支持“所见即所得”的属性修正与实时重算。
3.流程：用户拖拽上传图纸 -> 系统自动执行“双流掩膜”去噪与切片 -> AI并行推理识别组件 -> 几何算法提取管线并构建连接关系 -> 生成可视化结果供用户预览校对 -> 一键导出标准Excel BOM表。
项目实现
1. 整体架构与设计思路：采用 Electron + Vue3 构建现代化的桌面应用前端，确保跨平台兼容性与流畅的用户体验；后端封装为 Python (FastAPI) 本地服务，利用 PyTorch 和 OpenCV 处理繁重的计算任务。两者通过 RESTful API 通信，实现了“轻量级界面”与“重量级算力”的平衡。
2.负责模块与成果：我主要负责核心算法引擎的设计与实现，包括但不限于：
2.1.双流预处理架构:设计了 Stream A（单色几何流）与 Stream B（全彩语义流）并行处理机制，有效解决了复杂图纸背景干扰问题。
2.2.工程红线规则引擎:实现了“法线优先”的标注关联算法，解决了斜向管线标注错乱的难题；实施了“文本优先”的识别策略，确保阻火器等非标件识别准确率接近 100%。
3. 遇到的难点、坑及解决方案
3.1.难点一：大图细节丢失。传统 300 DPI 导出导致小阀门模糊。
方案 ：强制建立 1500 DPI 光栅化标准，并引入重叠切片策略，确保微小目标清晰可辨。
3.2.难点二：图例与文字干扰严重 。表格线、说明文字常被误检为管线。
方案 ：利用 PaddleOCR 提取文字层生成掩膜，在检测前将干扰区域“掩盖”，显著降低了误检率。
3.3.难点三：标注关联错位 。密集管线区域，标注文字常匹配到错误的管线。
方案 ：摒弃传统的中心距离算法，设计“法线投影距离”算法，优先计算文字中心到管线骨架的垂直距离。
2.负责模块与成果：我主要负责核心算法引擎的设计与实现，包括但不限于：
2.1.双流预处理架构:设计了 Stream A（单色几何流）与 Stream B（全彩语义流）并行处理机制，有效解决了复杂图纸背景干扰问题。
2.2.工程红线规则引擎:实现了“法线优先”的标注关联算法，解决了斜向管线标注错乱的难题；实施了“文本优先”的识别策略，确保阻火器等非标件识别准确率接近 100%。
3. 遇到的难点、坑及解决方案
3.1.难点一：大图细节丢失。传统 300 DPI 导出导致小阀门模糊。
方案 ：强制建立 1500 DPI 光栅化标准，并引入重叠切片策略，确保微小目标清晰可辨。
3.2.难点二：图例与文字干扰严重 。表格线、说明文字常被误检为管线。
方案 ：利用 PaddleOCR 提取文字层生成掩膜，在检测前将干扰区域“掩盖”，显著降低了误检率。
3.3.难点三：标注关联错位 。密集管线区域，标注文字常匹配到错误的管线。
方案 ：摒弃传统的中心距离算法，设计“法线投影距离”算法，优先计算文字中心到管线骨架的垂直距离。
示例图片视频
相似推荐
情绪检测
本工具基于 Python 开发，通过人脸识别与情感分析算法，精准识别用户面部情绪状态，实现高效的情绪检测能力。该工具应用场景广泛：在心理咨询领域，可辅助咨询师洞察来访者的真实情绪变化，提升沟通与干预效果；在校园安防方面，可实时监测学生情绪波动，及时发现异常状态并预警，守护校园安全。系统采用轻量化架构，运行高效、部署灵活，便于集成到现有业务平台中，为心理健康关怀与安全防护提供智能化、数据化的有力支撑。
基于神经网络的游戏动画系统
MotionWeaver 是一套面向 Unreal Engine 游戏开发的 AI 驱动角色动作生成系统，旨在解决传统游戏动画制作成本较高、动画资产复用困难、复杂动作衔接不自然，以及角色运动与动画表现难以协调等问题。
项目以神经网络动作生成技术为核心，结合游戏引擎的角色运动系统，实现从动画数据采集、模型训练到动作推理与引擎集成的完整技术流程。
主要功能包括：
动画数据采集与处理： 支持从 Unreal Engine 动画资产中提取骨骼姿态、位置、旋转及时间序列信息，完成骨骼映射、数据清洗、质量审核与训练数据集构建。
AI 动作模型训练： 提供基于深度学习的动作表示学习、姿态预测与生成模型训练功能，支持模型检查点管理、训练指标记录及实验评估。
条件动作生成： 利用角色根运动轨迹、历史动作状态及参考姿态等条件，生成连续骨骼动作，研究不同运动条件下的动画生成效果。
复杂动作约束： 针对跑酷、跨越障碍等复杂场景，支持参考姿态引导及关键帧约束，改善动作准确性与空间匹配效果。
UE 动画集成与验证： 提供模型推理与 Unreal Engine 动画系统的集成和实验验证能力，支持生成动作的预览、重建、测试及效果分析。
模型评测与对比： 通过骨骼位置误差、运动连续性、关键帧约束误差等指标，对不同模型及优化方案进行定量分析。
项目主要面向游戏角色动画生成、AI 动画技术研究和游戏开发工具链建设，为智能角色运动与游戏动画自动化提供技术基础。
基于 n8n 的社区团购订单自动归集与对账系统 - 飞书多维表格
立项背景和目标：
社区团购商家通常同时运营多个小区的团购业务，订单分散在各处，
每天需要人工汇总到表格、再逐个小区生成对账单。三个小区的情况下，
人工处理约需 1.5-2 小时/天，且极易出现漏单、金额对不上。
目标是让这套流程全自动跑：订单自动归集 → 自动生成分小区对账单
→ 异常自动告警，把每天 2 小时的人工压到 0。
软件功能、核心功能模块：
1. 定时触发模块：每天固定时间自动启动，无需人工干预
2. 多源数据读取：对接飞书多维表格开放 API，分页拉取三个小区的订单表
3. 数据清洗与合并：统一字段口径，合并去重，处理缺失值
4. 分类汇总：按小区维度聚合，计算应收、已付、差额
5. 异常检测：金额不一致、状态异常、重复订单自动标记
6. 结果写回：汇总结果写回多维表格，供商家和团长直接查看
7. 失败告警：任一步骤失败自动重试 3 次，仍失败则推送群告警
业务流程、功能路径：
每天 20:00 定时触发 → 读取运行参数 → 换取 tenant_access_token
→ 逐小区分页读取订单 → 展开为明细行 → 批量写入汇总表
→ 生成分小区对账单 → 判断是否启用对账推送 → 异常则发群告警
多端AI问答系统（SSE流式输出）
立项背景：随着大语言模型的普及，传统企业与用户对智能对话的需求激增。旨在构建一个前后端完全解耦的 AI 问答系统，支持多端接入，提供流畅的流式对话体验。
核心功能：支持 SSE 全链路流式对话（包含start/content/reasoning/done/error五类事件）；多会话管理（新建、切换、重命名、置顶、逻辑删除）；Markdown 渲染、思考过程折叠展示、多模型切换、Token 用量统计与 API 调用日志，以及四维 IP 限流。
业务流程：前端发起对话请求 → 后端校验限流 → 组装历史消息并调用大模型 API → SSE 逐字返回前端实时渲染 → 消息落库并记录 Token 与耗时。
基于RAG的多租户AI客服SaaS-wali-ai
立项背景和目标: 小微企业客服人力有限、游戏规则分散、夜间无人值守, 重复咨询淹没客服; 通用大模型不了解业务规则, 会张冠李戴甚至编造规则和价格. wali-ai的目标是让运营者用自己的知识库, 7x24自动回答玩家问题, 答不上来就兜底或转人工, 以及记录，绝不编造.
软件功能与核心模块: 多租户SaaS控制面(注册即获默认租户与工作空间、两级角色权限、按套餐的对话条数/知识库数量/容量/席位/Token额度五维配额); 知识库管理(文件导入, 切片可视化编辑与检索测试); 自研RAG引擎(向量+关键词混合检索、RRF融合、Rerank重排、置信度评估); Agent编排(意图判断、会话上下文、人设提示词、闲聊/固定兜底双模式); 多渠道接入(游戏内Lua桥接、QQ群NapCat、网页悬浮球SDK、开放API); 会话管理与人工接管; 未回答问题沉淀反哺知识库; 运营统计与全量审计.
业务流程: 注册登录->创建游戏服与机器人->建知识库导入文档->自动切分并向量化索引->配置渠道->玩家在游戏内/QQ群/网页提问->统一网关验签、幂等、路由->Agent意图判断->RAG混合检索->大模型生成带来源引用的回答->写回会话、用量与审计->低置信度时兜底或转人工, 管理员在管理端查看会话、反馈、用量与配额.
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服