Boss岗位智能分析平台

基于传统算法与YOLO的手机壳缺陷检测系统 一、立项背景与目标 手机壳生产环节中，划痕、气泡、毛边、色差等缺陷直接影响产品良率与用户体验。传统人工检测效率低、误检率高，难以满足大规模产线需求。本项目融合传统图像处理算法与YOLOv8目标检测模型，构建高精度、高效率的自动化缺陷检测系统，实现手机壳表面缺陷的实时识别、定位与分类，目标将检测准确率提升至98%以上，检测速度控制在0.5秒/件以内，显著降低人工成本与漏检率。 二、软件功能与核心模块 图像采集模块：支持工业相机实时采集手机壳多角度图像，自动触发拍照与图像预处理（灰度化、去噪、增强对比度）。 传统算法模块：基于OpenCV实现边缘检测、形态学操作、模板匹配等算法，用于快速筛查明显缺陷（如毛边、缺角）。 YOLOv8缺陷识别模块：训练专用缺陷数据集，实现对划痕、气泡、凹陷、印刷偏移等复杂缺陷的精准识别与定位，支持多类别输出。 结果融合与决策模块：综合传统算法与YOLO结果，通过置信度加权与规则引擎输出最终判定，支持缺陷类型、位置、严重等级标注。 人机交互界面：提供实时检测画面、缺陷热力图、统计报表、历史数据查询、报警推送等功能，支持参数配置与模型更新。 三、业务流程与功能路径 图像输入：工业相机采集手机壳图像 → 图像预处理 → 输入检测系统。 双路并行检测： 传统算法路径：边缘检测 → 形态学处理 → 缺陷初筛。 YOLO路径：图像输入 → YOLOv8推理 → 缺陷定位与分类。 结果融合：双路结果比对 → 置信度加权 → 最终判定（合格/不合格+缺陷类型）。 输出与反馈：显示缺陷位置与类型 → 生成检测报告 → 触发分拣机构 → 数据存入数据库 → 支持历史追溯与模型迭代优化。

为解决企业内部知识分散、检索困难的问题，基于 MaxKB 构建私有化智能问答系统。需整合 OA 系统与 KMS 系统中的异构数据（约 4000+ 篇文档），涵盖 Word、PDF、PPT 及视频等多种格式，对答案的准确性及来源溯源有极高要求，AI 回答准确率要求达到90%。

architect-ai/ ├── client/ # 客户端代码 │ ├── electron/ # Electron 主进程 │ │ ├── main.js # 主进程入口 │ │ └── preload.js # 预加载脚本 │ ├── src/ # React 源代码 │ │ ├── components/ # UI 组件 │ │ ├── services/ # API 调用 │ │ ├── utils/ # 工具函数 │ │ └── App.jsx # 主应用 │ └── public/ # 静态资源 ├── server/ # Python 后端 │ ├── main.py # FastAPI 服务 │ └── requirements.txt # Python 依赖 ├── docs/ # 文档 └── package.json # 项目配置 1. 图片上传 - 支持格式：JPG, PNG, BMP, TIFF - 建议分辨率：≥300 DPI - 文件大小：≤10MB ### 2. AI 识别元素 - ✅ 墙体（自动检测线条） - ✅ 门窗（基于形状识别） - 🔄 标注文字（OCR 识别，开发中） - 🔄 家具（可选，开发中） ### 3. 导出格式 - **DXF**: AutoCAD 通用格式，保留图层信息 - **SVG**: 矢量图形，可在浏览器/Illustrator 中查看 - **PDF**: 即将支持 ### 4. 比例尺校准（开发中） 1. 在图上选择两个点 2. 输入实际距离（如 3000mm） 3. 系统自动计算比例尺

打造工业信息化平台，深度融合MES（制造执行系统）、WMS（仓储管理系统）与SCADA（数据采集与监控系统），通过一体化数据集成与流程协同，为客户构建真正意义上的数字化工厂。该平台覆盖从物料入库、生产排程、工序执行、质量检验到成品出库的全制造环节，实现全过程可视化、可追溯、可优化。借助实时数据驱动，企业能够大幅提升生产计划准确性、降低库存成本、缩短交付周期，并实现质量问题的快速定位与改进，从而系统性提升制造效率与产品品质，为智能制造转型升级提供坚实支撑。

智能打磨操控系统核心是感知 - 规划 - 控制 - 执行的闭环，实现自动化、柔性化、高精度、自动化打磨： 1、3D 视觉定位与扫描：激光 / 结构光扫描工件，生成点云 / 三维模型，识别轮廓、毛刺、焊缝、余量，定位精度可达 ±0.01mm。 2、自动路径规划：基于点云 / 模型生成最优轨迹，支持曲面、焊缝、去毛刺、定点 / 全域打磨，动态避干涉。 3、工单与任务管理：工单下发、优先级调度、自动打磨生产、进度跟踪。