1、立项原因：药品固体制剂（丸剂、片剂、胶囊）在生产、仓储、流通中常出现缺角、裂片、色差、表面斑点等外观缺陷，传统人工目视抽检效率低、标准不统一、漏检率高，且结果难以留痕，难以满足 GMP 数据可追溯要求。
2、行业场景：面向药品出厂检验、医院药房入库验收、连锁药店收货、基层监管抽检等场景，质检员用手机拍照即可在数秒内完成“合格/不合格”初筛，并生成可下载的检测报告。
3、目标价值：把外观质检从“人眼＋经验”变为“拍照＋算法＋留痕”，降低人工成本与人为差错，为药品质量数字化监管提供轻量工具。
1、用户与权限模块：登录、注册、修改密码、个人资料、系统参数设置。
2、图像采集模块：拍照或相册选图，自选检测类型与药品类型，支持预览与重拍。
3、智能缺陷检测模块：图片上传后端推理，返回合格/不合格结论、置信度与类别，并用颜色区分结果。
4、多维度质量评估模块：输出总体评分、外观质量、外形均匀度、外形规范程度四项百分制指标，按 A/B/C/D/E（90/80/70/60 分档）给出等级与改进建议。
5、报告管理模块：一键生成含药品名称、批次号、检测时间、评分与结论的 PDF 报告，支持查看与下载。
6、历史档案模块：按批次检索历史检测药品，支撑批次追溯与复检对比。
1、我负责：构建合格/不合格药品图像数据集，完成清洗与训练/验证/测试划分。
2、我负责：基于 PyTorch 训练 YOLOv5s 主干二分类模型，做 L1 非结构化剪枝与 INT8 静态量化（fbgemm），导出 ONNX。
3、我负责：Spring Boot＋ONNX Runtime for Java 后端，实现 /api/detection/infer 与 /health 接口，含图像解码、224×224 缩放、ImageNet 标准化、Softmax 置信度后处理与异常兜底。
4、我负责：小程序端拍照上传、结果渲染、报告页交互与前后端联调。
5、亮点：Python 训练与 Java 线上推理解耦，模型经 ONNX 跨语言部署，压缩后体积与 CPU 推理耗时明显下降。
6、难点：训练与 Java 端预处理不一致（BGR/RGB、插值方式）造成精度漂移，通过统一 RGB 通道顺序、固定 224 输入与相同归一化参数解决。
评论