智能猫砂盆猫咪健康行为与排泄物多模态分析系统产品系统Vibe Coding

随着宠物经济爆发与科学养宠普及，猫咪泌尿系统疾病（如尿闭、尿痛、便秘）的早期筛查成为养宠家庭的刚需。本项目旨在为智能猫砂盆硬件厂商提供一套部署于边缘侧服务器（如 NVIDIA L20）的高性能、高容错 AI 算法微服务。解决传统猫砂盆无法精准识别多猫身份、无法定量监测排泄物状况、无法白盒解算如厕姿态等核心产品痛点，实现猫咪如厕健康的闭环时序追踪与疾病前兆预警。

本系统完全对齐大厂级分流架构，在边缘侧提供三大核心功能模块：1. [多猫极速重识别 (ReID)]：基于 DinoV2 提取 384 维高维特征向量，通过 SQLite 本地特征底库实现 1-vs-N 极速余弦相似度匹配，24ms 内精准锁定猫咪身份，解决多猫同居的识别难题；2. [时序姿态与异常行为动力学解算]：基于 YOLOv8-Pose 提取 17 点骨骼数据，100% 严格对齐医学白皮书公式，实时结算重度蜷缩（弯曲度>45°）、轻度弓背、10s内收腹发力起伏、2s内重心高频发抖、久蹲不动等高阶健康指标，消抖后输出秒级时序警报；3. [排泄物实例分割与物理画中画裁剪]：基于微调 YOLOv8-Seg 实现粪便、尿块 2 分类，实时输出像素级 Polygon 轮廓，并在 15ms 内完成多目标物理画中画单独 Crop 裁剪写盘，无缝供下游 Qwen-VL 等多模态大模型进行高阶医学诊断。

系统采用 Python 3.10 原生 venv 虚拟环境构建，核心依托 FastAPI 异步高并发网关，运行于 Ubuntu 22.04 + NVIDIA L20 GPU 边缘生产环境，单帧多并发吞吐性能高达 104 FPS。后端引擎全线解耦：通过 YOLOv8-Pose 与 YOLOv8-Seg 进行边缘级定位分割，利用 timm 框架集成的 DinoV2 进行特征提取，数据层采用 SQLite 二进制 BLOB 高效索引。系统内建 sys.stdout.isatty 终端自适应静默器防止日志双写，并挂载 cleaner.py 后台定时磁盘轮转线程。生命周期管理配置了 POSIX 兼容的 start.sh 异步拉起与 stop.sh 父子进程强杀脚本，确保高可用、0 显存残留，完美通过全部技术审计与压力测试。