基于深度学习的红外皮温检测系统

● 项目介绍：本项目聚焦中医红外皮温诊疗场景，依托深度学习图像分割技术，研发一套智能化、可人工干预的红外皮温穴位检测与健康分析系统。系统针对人体正面、下肢、左胁、右胁、背面五大核心诊疗部位的红外皮温图像，实现穴位智能识别、温度精准解析、健康状态初步研判全流程自动化，同时预留医生人工校正通道，兼顾智能检测的高效性与临床诊疗的精准性，可有效辅助中医临床辨证、体质评估及健康筛查工作。
● 主要功能
1. 多部位红外图像智能检测：支持医生批量或单独上传人体正面、下肢、左胁、右胁、背面五个关键部位的红外皮温影像，系统自动完成图像解析、穴位分割识别，精准标注各部位对应穴位位置，并可视化展示在系统界面，实现全流程智能识别，大幅提升检测效率。
2. 穴位温度自动解析与健康分析：基于识别定位的穴位区域，自动提取对应区域的红外温度数据，剔除图像噪声、环境干扰等误差因素，精准计算穴位实时温度；依托预设的中医穴位温度算法模型，结合不同穴位的医学参考阈值，智能化研判人体当前健康状态，生成初步诊疗参考数据。
3. 人工校正与二次精准识别：针对复杂人体姿态、图像画质干扰、特殊体质等导致的穴位识别偏差问题，系统内置可视化画板编辑工具。医生可手动对系统识别的穴位位置、区域范围进行微调、修正、增补或删除，完成人工校正后，系统将基于修正后的穴位坐标，重新进行高精度温度解析与健康数据分析，保障检测结果贴合临床诊疗需求。

● 项目实现
本系统采用前后端分离、双后端微服务架构，各司其职、解耦业务，有效区分AI模型推理与常规数据业务，避免算力阻塞、提升系统响应速度，具体技术栈分工如下：
- 前端框架：Vue：搭建轻量化、易交互的可视化操作界面，实现红外图像上传、穴位识别结果可视化展示、画板手动编辑校正、检测数据展示、健康结果渲染等所有前端交互功能，界面简洁适配医生日常操作习惯。
- 核心AI后端：Python Flask：承担核心深度学习模型推理任务，是系统的核心算力服务。负责接收前端传输的红外皮温图像，调用训练好的图像分割模型完成穴位识别、坐标定位、区域分割，解析穴位温度数据，运行中医温度算法公式完成人体健康状态分析，并将识别结果、温度数据、健康研判结果回传至业务后端。
- 业务数据后端：Node Express：承担系统所有业务数据管理与接口调度工作。作为中间服务层，负责接收前端请求、转发AI推理任务、存储患者信息、红外图像数据、穴位检测数据、历史诊疗记录，同时管理用户操作日志、人工校正记录、二次识别数据，实现前后端数据交互、数据持久化与业务逻辑管控。

● 开发难点与解决方案
1. 前端Canvas画板绘制像素渐变失真问题
本系统核心人工校正功能依托Vue前端Canvas画板实现穴位线条绘制、区域框选等编辑操作，开发过程中发现原生Canvas绘制线段存在半像素偏移问题。由于Canvas绘图默认以像素整数坐标为绘制基准，当绘制坐标出现小数半像素偏差时，浏览器无法精准渲染单像素实线，会自动对线段边缘进行抗锯齿模糊处理，最终导致绘制线条出现颜色渐变、边缘虚化、粗细不均的问题，严重影响穴位绘制的精准度，干扰医生目视校正判断。
针对该问题，最终通过坐标偏移矫正方案解决：获取Canvas绘图上下文，在绘制线段、图形前对所有绘制坐标进行像素取整与0.5像素偏移校正，将整数坐标统一偏移0.5px，规避浏览器默认的抗锯齿模糊机制，强制像素精准渲染，彻底消除线段颜色渐变、虚化问题，保证画板绘制的穴位线条、区域边界清晰精准，匹配临床穴位标注的精度要求。