自动化工业质检最佳实践-阿里云帮助中心

PolarDB for AI工业质检方案集成了深度学习模型与数据库能力，用于构建自动化质检解决方案。该方案可用于构建并部署识别工件结构缺陷（如缺孔、开裂）的智能服务，实现对产线图像的实时分析与预警。该方案已在汽车制造领域完成验证，可降低超过90%的人工复检工作量。

实践效果

合格工件

缺陷工件

模型报警+辅助定位

功能简介

工作流程

PolarDB for AI工业质检方案提供了一个从数据处理、模型训练到部署应用的全链路解决方案。其核心工作流程包括以下几个阶段：

图像预处理：调用图像分割模型，从原始产线图片中自动裁剪出工件的主体部分，排除背景干扰。
模板标注：在标注平台（Label Studio）中，对一张标准工件的裁剪图进行标注，定义所有关键检测点（如孔洞）的位置，形成“标准模板”。
数据集生成：利用“标准模板”，从大量工件图片中自动裁剪出所有待检测的孔洞区域，形成模型训练所需的图像数据集。
模型训练：上传生成的孔洞数据集并进行二次标注，然后使用这些数据训练目标检测模型。
服务部署与调用：将训练好的模型部署为在线服务。业务系统通过调用API接口，传入产线实时拍摄的工件图片，获得包含缺陷定位的质检结果。

功能优势

精准高效：针对预设的关键区域实现像素级缺陷识别（如缺孔、开裂），准确率高，适用于对结构一致性要求严苛的场景。
全流程自动化：将图像处理、数据标注、模型训练和推理集成在数据库内，替代传统人工复检，消除主观误差，提升质检流程的标准化水平。
快速部署：提供标准化的流程和脚本，支持与不同型号产品的快速适配，可迅速集成至现有产线。
降本增效：已在汽车制造等领域成功落地，可降低超过90%的人工审核工作量，显著节约长期质量管控成本。

适用范围

使用本功能前，需满足以下条件：

添加至少一个GPU规格的AI节点，并设置AI节点的连接数据库账号：开启PolarDB for AI功能
说明
- 建议选择16核125 GB+ 一张GU100（polar.mysql.x8.2xlarge.gpu）规格的AI节点。
- 若您在购买集群时已添加AI节点，则可以直接为AI节点设置连接数据库的账号。
- AI节点的连接数据库账号需具有读写权限，以确保能够顺利读取和写入目标数据库。
使用集群地址连接PolarDB集群：登录PolarDB for AI

步骤一：图像预处理与分割阈值调优

通过图像分割模型，将工件从原始图像中分离出来。通过测试找到最佳的threshold（置信度阈值），以确保后续图像能被准确、稳定地裁剪。

说明

图像分割模型目前处于灰度阶段。如您有相关需求，请提交工单与我们联系，以便为您提供相关模型服务与添加模型访问白名单。

准备测试脚本：将以下Python脚本保存为01_threshold_test.py。该脚本读取本地图片，调用已部署的分割模型，并保存结果图，用于评估分割效果。

单击展开查看Python脚本示例

import base64
import requests
import os
import cv2
import numpy as np

# --- 配置区 ---
# 1. 服务端接口地址
SERVICE_ENDPOINT = "http://xxx:xxx" 

# 2. 本地图片路径
INPUT_IMAGE_PATH = "your/path/workpiece_sample.jpg"

# 3. 结果保存路径
OUTPUT_IMAGE_PATH = "your/path/workpiece_sample_segmented.jpg"

# 4. 调优参数
# 图像分割的置信度阈值，取值范围 [0, 1]。值越高，要求模型对工件区域的识别越有信心。
# 建议从 0.7 开始测试。
SEG_THRESHOLD = 0.7

# 脚本运行模式：1=测试模式（生成带框预览图），0=执行模式（仅分割，用于批量处理）
PROCESS_MODE = 1
# --- 配置区结束 ---

def image_to_base64(image_path: str) -> str:
    """将图像文件转换为Base64编码的字符串。"""
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode('utf-8')

def save_base64_to_image(base64_str: str, output_path: str):
    """将Base64字符串解码并保存为图像文件。"""
    try:
        if "base64," in base64_str:
            base64_str = base64_str.split("base64,")[1]
        image_bytes = base64.b64decode(base64_str)
        image_array = np.frombuffer(image_bytes, dtype=np.uint8)
        image = cv2.imdecode(image_array, cv2.IMREAD_COLOR)
        if image is None:
            raise ValueError("无法解码Base64字符串为图像")
        
        os.makedirs(os.path.dirname(output_path), exist_ok=True)
        cv2.imwrite(output_path, image)
        print(f"图像已成功保存至: {output_path}")
    except Exception as e:
        print(f"错误：保存Base64图像失败 - {e}")

def test_segmentation(image_path: str, output_path: str, threshold: float, process_mode: int):
    """调用分割模型并保存结果。"""
    if not os.path.exists(image_path):
        print(f"错误：输入图片不存在 - {image_path}")
        return

    base64_image = image_to_base64(image_path)
    filename = os.path.basename(image_path)
    
    api_url = f"{SERVICE_ENDPOINT}/workpiece_seg"
    payload = {
        "image": base64_image,
        "filename": filename,
        "threshold": threshold,
        "process": process_mode
    }

    print(f"正在调用API: {api_url}，阈值: {threshold}...")
    try:
        response = requests.post(api_url, json=payload, timeout=30)
        response.raise_for_status()
        result = response.json()
        
        if 'image' in result:
            save_base64_to_image(result['image'], output_path)
        else:
            print("错误：API响应中未找到'image'字段。")

    except requests.exceptions.RequestException as e:
        print(f"错误：API请求失败 - {e}。检查：\n1. SERVICE_ENDPOINT是否正确。\n2. 客户端IP是否已加入白名单。\n3. 网络连接是否正常。")
    except Exception as e:
        print(f"处理过程中发生未知错误: {e}")

if __name__ == "__main__":
    test_segmentation(INPUT_IMAGE_PATH, OUTPUT_IMAGE_PATH, SEG_THRESHOLD, PROCESS_MODE)

执行测试与调优：准备包含多种光照、角度的工件图片文件夹（建议30张以上），逐一替换脚本中的INPUT_IMAGE_PATH并调整SEG_THRESHOLD值进行测试。找到一个能让绝大多数图片中的绿色框（切割位置）都完整包裹工件主体的阈值。该阈值将用于后续所有步骤。确保分割准确率大于等于95%。
原图
切割结果图

步骤二：构建工件标准模板与部署标注平台

本步骤定义标准工件模板。通过部署在线标注平台（Label Studio），上传标准工件图，并手动框选出需要检测的关键结构（如孔洞），以形成可复用的模板。

部署数据标注平台（Label Studio）：使用PolarDB for AI的内置能力部署一个Label Studio，用于后续所有标注工作。

使用集群地址登录PolarDB集群。

执行以下SQL语句，创建用于存储标注模板和源数据的表。

-- 1. 创建标注模板表，表名固定为 'annotation_template'
-- 此表用于定义Label Studio中的标注界面和标签。
CREATE TABLE `annotation_template` (
  `id` int(11) NOT NULL AUTO_INCREMENT PRIMARY KEY,
  `tp_name` varchar(255) NOT NULL,                 -- 模板名称
  `tp_description` text,                           -- 模板描述
  `tp_schema` json NOT NULL,                       -- JSON 格式的标注 schema
  `tp_is_active` tinyint(1) DEFAULT '1',           -- 是否启用
  UNIQUE KEY `tp_name` (`tp_name`) USING BTREE
);

-- 2. 插入一条模板记录，用于工件模板标注
INSERT INTO `annotation_template` (id, tp_name, tp_description, tp_schema, tp_is_active)
VALUES (1, 'workpiece_template_schema', '用于标注工件上的孔洞结构', '{"type": "ObjectDetection", "labels": ["yuankong", "changkong", "liubianxingkong"]}', 1);

-- 3. 创建标注源数据表，表名必须以 'polardb4ai_annotation_source_' 开头
-- 此表用于存放待标注的图像数据。
CREATE TABLE `polardb4ai_annotation_source_template` (
  `id` BIGINT NOT NULL AUTO_INCREMENT PRIMARY KEY,
  `base64_data` LONGTEXT COMMENT '图片的Base64编码字符串',
  `mime_type` VARCHAR(100) NOT NULL COMMENT '图片MIME类型，如 "jpeg"',
  `original_name` VARCHAR(255) NOT NULL UNIQUE COMMENT '显示在Label Studio中的任务名称',
  `created_at` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
  `updated_at` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  `annotation_data` JSON DEFAULT NULL COMMENT '存储标注结果（JSON）',
  `annotation_create_at` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP,
  `annotation_update_at` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  `annotation_count` INT DEFAULT 0 COMMENT '标注数量',
  `annotation_uid` VARCHAR(255) DEFAULT NULL COMMENT '标注者ID'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='工件模板标注源数据表';

将一张标准工件的图像（建议经过图像分割算法预处理，背景清晰）转换为Base64编码，并插入到polardb4ai_annotation_source_template表中。您可通过Python脚本或其他工具将本地图片转为Base64字符串插入。

INSERT INTO polardb4ai_annotation_source_template
    (id, base64_data, mime_type, original_name)
VALUES
    (1, '/9j/4AAQSkZJRgABAQEAYABgAAD...', 'jpeg', 'pic_1');

单击展开查看Python脚本示例

import os
import base64
# 需安装pymysql库，安装命令示例pip install pymysql
import pymysql

# 数据库配置（请根据你的环境修改）
DB_CONFIG = {
    'host': '<your_polardb_host>',
    'port': 3306,
    'user': '<your_polardb_username>',
    'password': '<your_polardb_user_password>',
    'database': '<your_polardb_database>'
}

# 图片文件夹路径（请修改为你的文件夹路径，脚本将上传文件夹下所有图片）
IMAGE_DIR = '<your_pic_path>'
# 输入写入的表名，例如polardb4ai_annotation_source_animal
target_table = '<your_table_name>'

def get_mime_type(filename):
    """根据文件扩展名返回 MIME 类型"""
    ext = filename.lower().split('.')[-1]
    if ext in ['jpg', 'jpeg']:
        return 'jpeg'
    elif ext == 'png':
        return 'png'
    else:
        raise ValueError(f"Unsupported file type: {ext}")

def insert_images_to_db(image_dir):
    connection = pymysql.connect(**DB_CONFIG)
    cursor = connection.cursor()
    id_counter = 1
    for filename in os.listdir(image_dir):
        file_path = os.path.join(image_dir, filename)
        if not filename.lower().endswith(('.jpg', '.jpeg', '.png')):
            continue
        try:
            with open(file_path, 'rb') as f:
                image_data = f.read()
            base64_str = base64.b64encode(image_data).decode('utf-8')
            mime_type = get_mime_type(filename)
            original_name = filename
            sql = f"""
                INSERT INTO {target_table}
                (id, base64_data, mime_type, original_name)
                VALUES (%s, %s, %s, %s)
            """
            cursor.execute(sql, (id_counter, base64_str, mime_type, original_name))
            print(f"Inserted: {filename} (ID: {id_counter})")
            id_counter += 1
        except Exception as e:
            print(f"Error processing {filename}: {e}")
            break
    connection.commit()
    cursor.close()
    connection.close()

if __name__ == "__main__":
    insert_images_to_db(IMAGE_DIR)

执行以下命令部署Label Studio。

/*polar4ai*/DEPLOY MODEL `Label-Studio` WITH (
    annotation_template_id = '1',
    annotation_source = 'polardb4ai_annotation_source_template',
    deployment_name = 'label_studio'
);

监控部署状态，直到部署状态变为Serving。
```
/*polar4ai*/ SHOW DEPLOYMENT `label_studio`;
```
部署成功后，会返回Label Studio的公网访问地址（request_path）。

标注工件模板：在Label Studio中，框选出标准工件上的所有关键结构。
1. 为保障安全，服务默认禁止所有外部IP访问。您需先配置当前网络的访问白名单。
```
/*polar4ai*/UPDATE WHITEIPS `model_label_studio` WITH (ips='118.178.XXX.XXX');
```
  说明
  - model_mark_animal需替换为SHOW DEPLOYMENT命令返回的white_ip_name值。
  - 118.178.XXX.XXX需替换为实际客户端公网IP地址。
  - 白名单支持配置多个 IP（使用英文逗号,分隔）以及CIDR格式的IP网段（如192.168.100.0/24）。
2. 访问上一步获取的Label Studio公网访问地址（request_path）。
3. 在界面中，使用目标检测模板（yuankong、changkong或liubianxingkong）为标准工件图上的每一个孔洞创建标注框。
4. 完成所有标注后，单击Submit提交标注。标注结果会自动同步回集群的polardb4ai_annotation_source_template 表中的annotation_data字段。

步骤三：构建缺陷检测数据集

利用上一步创建的工件模板，从大量工件图片中裁剪出各个孔洞的独立图像，然后对这些孔洞图像进行合格或缺陷的标注，从而构建用于训练最终分类模型的数据集。

批量裁剪孔洞图像：生成用于训练的孔洞图像数据集。

说明

裁剪服务目前处于灰度阶段。如您有相关需求，请提交工单与我们联系，以便为您提供相关服务与添加模型访问白名单。

准备一个包含大量待处理工件图像的文件夹，如input。
在Label Studio中，导出模板标注任务。导出格式必须选择COCO with Images。将下载的result.json文件和对应的图片文件，放置于同级目录下。

将以下脚本保存为03_batch_crop.py。该脚本读取模板标注，遍历 input 文件夹下的所有工件图，调用裁剪服务，并将生成的孔洞小图保存到output文件夹。

单击展开查看Python脚本示例

# 脚本：03_batch_crop.py
import base64
import requests
import os
import json
import cv2
import sys

# --- 配置区 ---
# 1. 裁剪服务接口地址
SERVICE_ENDPOINT = "http://xxx:xxx"

# 2. 使用流程一确定的最佳分割阈值
SEG_THRESHOLD = 0.7

# 3. 文件与目录路径
# 确保目录结构如下：
# your_project/
# |- 03_batch_crop.py
# |- template/
#    |- result.json  (从Label Studio导出的COCO格式标注)
#    |- images/
#      |- image.jpg    (与result.json对应的原始模板图)
# |- input/
#    |- workpiece_001.jpg
#    |- workpiece_002.jpg
#    |- ...
# |- output/ (脚本会自动创建)
TEMPLATE_DIR = "template"
INPUT_DIR = "input"
OUTPUT_DIR = "output"
# --- 配置区结束 ---

def parse_coco_label(json_file_path: str) -> dict:
    """解析COCO格式的标注文件。"""
    with open(json_file_path, 'r', encoding='utf-8') as f:
        data = json.load(f)

    category_id_to_name = {cat['id']: cat['name'] for cat in data.get('categories', [])}
    result = {"labels": [], "boxes": []}

    for annotation in data.get('annotations', []):
        category_id = annotation.get('category_id')
        label = category_id_to_name.get(category_id)
        if not label: continue

        bbox = annotation.get('bbox', [])
        if len(bbox) != 4: continue

        x0, y0, width, height = bbox
        result["labels"].append(label)
        result["boxes"].append([x0, y0, x0 + width, y0 + height])
    return result


def process_images(api_url: str, threshold: float, label_info: dict, template_img_shape: tuple, input_dir: str,
                   output_dir: str):
    """遍历输入目录，调用API处理每张图片。"""
    height, width = template_img_shape

    for filename in os.listdir(input_dir):
        if not filename.lower().endswith(('.jpg', '.jpeg', '.png')):
            continue

        file_path = os.path.join(input_dir, filename)
        print(f"正在处理: {filename} ...")

        with open(file_path, "rb") as image_file:
            base64_image = base64.b64encode(image_file.read()).decode('utf-8')

        payload = {
            "image": base64_image,
            "file_name": filename,
            "threshold": threshold,
            "image_s_h": height,
            "image_s_w": width,
            "label_info": label_info
        }

        try:
            response = requests.post(api_url, json=payload, timeout=60)
            response.raise_for_status()
            result = response.json()

            if "output_images" in result:
                for img_data in result["output_images"]:
                    out_filename = img_data["filename"]
                    out_base64_image = img_data["image"]
                    out_path = os.path.join(output_dir, out_filename)

                    image_bytes = base64.b64decode(out_base64_image)
                    with open(out_path, "wb") as f:
                        f.write(image_bytes)
                print(f"  -> 成功处理并保存 {len(result['output_images'])} 个裁剪图。")
            else:
                print(f"  -> 警告: API未返回任何裁剪图。")

        except requests.RequestException as e:
            print(f"  -> 错误: API请求失败 - {e}")
        except Exception as e:
            print(f"  -> 错误: 处理失败 - {e}")


if __name__ == "__main__":
    # 路径和文件校验
    label_json_path = os.path.join(TEMPLATE_DIR, 'result.json')

    # 1. 构建模板图片所在的子目录路径
    template_images_dir = os.path.join(TEMPLATE_DIR, 'images')

    # 2. 在该子目录中查找第一张图片
    template_image_path = next((os.path.join(template_images_dir, f) for f in os.listdir(template_images_dir) if
                                f.lower().endswith(('.jpg', '.jpeg', '.png'))), None)

    if not all([os.path.isfile(label_json_path), template_image_path, os.path.isdir(INPUT_DIR)]):
        print("错误：检查 'template' 和 'input' 目录是否配置正确，并包含所需文件。")
        sys.exit(1)

    os.makedirs(OUTPUT_DIR, exist_ok=True)

    # 解析模板信息
    label_info = parse_coco_label(label_json_path)
    template_image = cv2.imread(template_image_path)
    template_shape = template_image.shape[:2]  # (height, width)

    api_url = f"{SERVICE_ENDPOINT}/seg_images_with_json"
    process_images(api_url, SEG_THRESHOLD, label_info, template_shape, INPUT_DIR, OUTPUT_DIR)
    print("\n批量裁剪完成！结果已保存至 'output' 目录。")

二次部署Label Studio并标注缺陷：对裁剪出的孔洞图像进行分类标注（例如，合格、缺孔、开裂）。

参考步骤二：构建工件标准模板与部署标注平台的方法，创建一个新的标注源表，如polardb4ai_img_source_workpiece。

-- 创建一个新的标注源表
CREATE TABLE `polardb4ai_img_source_workpiece` (
  `id` BIGINT NOT NULL AUTO_INCREMENT PRIMARY KEY,
  `base64_data` LONGTEXT COMMENT '图片的Base64编码字符串',
  `mime_type` VARCHAR(100) NOT NULL COMMENT '图片MIME类型，如 "jpeg"',
  `original_name` VARCHAR(255) NOT NULL UNIQUE COMMENT '显示在Label Studio中的任务名称',
  `created_at` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
  `updated_at` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  `annotation_data` JSON DEFAULT NULL COMMENT '存储标注结果（JSON）',
  `annotation_create_at` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP,
  `annotation_update_at` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  `annotation_count` INT DEFAULT 0 COMMENT '标注数量',
  `annotation_uid` VARCHAR(255) DEFAULT NULL COMMENT '标注者ID'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='工件模板标注源数据表';

将上一步output文件夹中的所有孔洞图像上传到新创建的源表中。
使用/*polar4ai*/ DROP DEPLOYMENT `label_studio`;删除先前部署的Label Studio。
等待系统删除原Label Studio后，您可以通过/*polar4ai*/ SHOW DEPLOYMENT `label_studio`;命令查看是否已删除。如果提示Unknown deployment 'label_studio'则代表已完成删除。

部署一个新的Label Studio，关联新的源表和模板。

/*polar4ai*/DEPLOY MODEL `Label-Studio` WITH (
    annotation_template_id = '1',
    annotation_source = 'polardb4ai_img_source_workpiece',
    deployment_name = 'label_studio',
    min_replica='1',
    max_replica = '1'
);

配置当前网络的访问白名单，访问新的Label Studio，然后对所有孔洞图像进行分类标注。完成后，标注信息会自动同步到数据库。

步骤四：训练并部署一体化质检模型

使用上一步标注好的缺陷数据集训练一个目标检测模型。然后，将这个模型与之前的工件分割、裁剪逻辑打包成一个名为Workpiece-Quality-Inspection的一体化部署，对外提供API接口。

训练目标检测模型：训练一个能识别孔洞是否合格的AI模型。
1. 执行以下SQL命令，使用polardb4ai_img_source_workpiece表中的数据创建并训练一个目标检测模型。
```
/*polar4ai*/ CREATE MODEL my_object_detection_model WITH (
model_class = 'object_detection',
x_cols = 'base64_data, mime_type, original_name',
y_cols = 'annotation_data',
model_parameter = (batch_size=4,max_epochs=800, annotation_template_id = '1'))
AS (SELECT * FROM polardb4ai_img_source_workpiece);
```
2. 创建后，您可以通过/*polar4ai*/SHOW MODEL my_object_detection_model;查看创建模型结果。若model_status = saved_oss代表已经创建成功。
部署目标检测模型：
1. 将上一步训练好的my_object_detection_model部署为一个在线服务。
```
/*polar4ai*/ DEPLOY MODEL my_object_detection_model;
```
2. 部署后，通过/*polar4ai*/SHOW MODEL my_object_detection_model;查看部署结果，若状态变为Serving表已经部署成功。

部署内置的Workpiece-Quality-Inspection编排模型：这个模型会自动串联所有步骤，等待部署状态变成Serving。

/*polar4ai*/DEPLOY MODEL `Workpiece-Quality-Inspection` WITH (
threashold = 0.8, 
object_detection_deployment_name = 'my_object_detection_model', 
annotation_template_id = '1',
annotation_source = 'polardb4ai_img_source_workpiece',
deployment_name = 'my_workpiece_checkbot'
);

获取API调用地址：使用/*polar4ai*/ SHOW DEPLOYMENT my_workpiece_checkbot;命令获取API调用地址request_path 。

+------------------------------+-----------------------+-------------------+---------------------+---------------------+-------------------------------------+--------------+----------+----------+---------------+
| model_name                   | deployment_name       | deployment_status | start_time          | ready_time          | request_path                        | api_key      | username | password | white_ip_name |
+------------------------------+-----------------------+-------------------+---------------------+---------------------+-------------------------------------+--------------+----------+----------+---------------+
| Workpiece-Quality-Inspection | my_workpiece_checkbot | Serving           | 2025-12-05 15:09:09 | 2025-12-05 15:11:00 | http://xxx.com/v1/api/predict       | xxx          |          |          |               |
+------------------------------+-----------------------+-------------------+---------------------+---------------------+-------------------------------------+--------------+----------+----------+---------------+

步骤五：调用服务并验证结果

测试部署的质检模型，验证其功能。向my_workpiece_checkbot部署的API地址发送POST请求。

请求参数

参数	类型	是否必选	说明
`image`	String	是	待检测工件图像的Base64编码字符串。
`label`	String	否	基准标签，用于自动化测试。传入"Y"（有缺陷）或"N"（无缺陷），API会返回模型判断是否与此标签一致。

返回参数

参数	类型	说明
`r`	String	模型对工件的判断结果。"Y"表示检测到缺陷（报警），"N"表示合格（不报警）。
`r_image`	String	标注后的结果图像（Base64编码）。如果检测到缺陷，图像上会框出缺陷位置。
`result`	String	仅当请求中包含`label`参数时返回。值为"正确"或"错误"，表示模型判断结果`r`是否与传入的`label`一致。

调用示例

输入产线图片image（如图1）：

如果为合格工件，则返回N（不报警）以及裁切后的工件图片r_image（如图2）。
如果工件存在孔结构缺失，则返回Y（报警），同时r_image会框出缺失孔位（如图3）。

实践效果

合格工件

缺陷工件

模型报警+辅助定位

功能简介

工作流程

功能优势

适用范围

步骤一：图像预处理与分割阈值调优

原图

切割结果图

步骤二：构建工件标准模板与部署标注平台

步骤三：构建缺陷检测数据集

步骤四：训练并部署一体化质检模型

步骤五：调用服务并验证结果

图1

图2

图3