项目介绍
围绕燃气工程设计和工业厂站巡检场景，研发多类计算机视觉能力，解决设计建模效率低、人工监控覆盖不足、非远传仪表依赖人工抄表以及高危设备巡检困难等问题。
个人职责
负责业务场景分析、数据采集与标注、算法选型、模型训练、效果评估、推理服务开发及业务系统集成，推动视觉算法在实际工业场景中落地。
1. 手绘草图转 CAD/BIM
对现场手绘草图进行透视校正、二值化和线条提取，通过腐蚀、膨胀等形态学算法识别墙体轮廓，并使用 YOLO 识别门窗、燃气表、灶具及阀门等图例，完成空间拓扑恢复和 BIM 模型重建，提升工商户燃气设计效率。
PythonOpenCVNumPy形态学处理YOLOPyTorchCAD/BIM 接口
2. 生产安全检测
基于厂站监控视频识别人员跌倒、非法闯入、安全帽、安全马甲、防护面罩以及火焰烟雾等风险事件，记录告警时间、区域、截图和置信度，辅助现场安全管理和异常追溯。
PythonOpenCVYOLOPyTorch目标检测视频流处理区域入侵判断
3. 视觉读表
针对大量仪表无法远传、依赖人工定时抄表的问题，通过普通摄像头自动识别数显表、指针表、波轮表及指示灯状态，实现低成本数据采集和无人巡检。
OpenCVYOLOOCR目标检测指针角度计算图像增强
4. 储罐及管道表面缺陷检测
使用固定摄像头或无人机采集储罐、管道及高处设备图像，识别腐蚀、锈蚀、涂层脱落和保温层破损等异常，并记录缺陷位置、类别和置信度，降低人工高空巡检风险。
PythonOpenCVYOLOPyTorch目标检测图像分割无人机视觉
5. 钢板表面缺陷分割实验
基于 Severstal 公开数据集完成个人技术验证：将 RLE 掩膜转换为 YOLO 实例分割标注，使用 YOLO11s-seg 识别麻点、裂纹、划伤和氧化皮等缺陷，并补齐数据检查、训练评测与 FastAPI 推理服务。下方分别展示 300 张验证集抽样的人工标注与 24 张精选历史预测，可筛选类别、浏览原图并查看分割区域；该实验用于展示完整开发流程，不代表钢厂产线投产或验收结果。
PythonPyTorchUltralytics YOLOOpenCVNumPyFastAPILinuxCUDA
项目成果
- 形成覆盖工程设计、安全生产、设备感知、无人巡检和表面缺陷分割的工业视觉能力。
- 将传统图像处理与深度学习模型结合，适配不同视觉任务。
- 建立从数据标注、模型训练到推理集成的完整开发流程。
- 支持视觉能力接入设计、巡检、告警和设备管理系统。
技术栈
PythonPyTorchOpenCVYOLOOCRNumPyCAD/BIM 接口CUDA