# indu-vision

**Repository Path**: thinkinapp/indu-vision

## Basic Information

- **Project Name**: indu-vision
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-06-23
- **Last Updated**: 2026-09-23

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# indu-vision — 工业产品异常检测系统

基于 MVTec AD 数据集的工业异常检测系统，使用深度学习特征提取 + 向量相似度检索，实现异常检测和解决方案推荐。

## 功能特点

- **向量相似度检索**: 基于 ResNet34 特征提取 + Milvus Lite 向量数据库
- **异常类型识别**: 支持瓶子、螺丝等多种工业产品类别的异常分类
- **解决方案推荐**: 检测到异常后自动给出处理建议
- **纯本地架构**: Milvus Lite + SQLite，无需安装任何外部服务
- **双界面支持**: Streamlit Web 可视化界面 + FastAPI 接口
- **批量导入**: 一键导入 MVTec AD 数据集
- **中英文双语**: 界面默认英文，侧边栏可一键切换为中文（语言状态通过 URL `?lang=` 持久化）

## 系统架构

```
indu-vision/
├── app.py                  # Streamlit Web 主应用
├── api.py                  # FastAPI 接口 (uvicorn)
├── i18n.py                 # 中英文双语（默认英文）
├── encoder.py              # ResNet34 图像特征提取
├── milvus_utils.py         # Milvus 向量数据库操作
├── pg_utils.py             # SQLite 数据库操作 (异常类型/解决方案)
├── batch_process_mvtec.py  # MVTec AD 数据集批量导入脚本
├── gpu_start.bat           # GPU 模式一键启动
├── import_mvtec.bat        # 数据导入一键脚本
├── .env.example            # 环境变量模板
└── requirements.txt        # Python 依赖
```

## 环境要求

- Python 3.10+
- pip 依赖见 `requirements.txt`
- 12GB+ 磁盘空间（含 MVTec AD 数据集和模型缓存）

## 快速开始

### 1. 安装依赖

```bash
pip install -r requirements.txt
```

### 2. 配置环境变量

```bash
cp .env.example .env
```

`.env` 内容（无需修改即可使用）:

```
MILVUS_ENDPOINT=data/milvus.db      # Milvus Lite 本地数据库
COLLECTION_NAME=my_image_collection  # 向量集合名称
MODEL_NAME=resnet34                   # 特征提取模型
MODEL_DIM=512                         # 特征向量维度
DB_PATH=data/indu_vision.db          # SQLite 数据库路径
```

### 3. 导入 MVTec AD 数据集

#### 方式一: 一键脚本（Windows）

```cmd
import_mvtec.bat
```

#### 方式二: 命令行

```bash
# 设置 HuggingFace 镜像（国内必需）
set HF_ENDPOINT=https://hf-mirror.com
set HF_HOME=models/huggingface

# 导入 bottle + screw 两类数据
python batch_process_mvtec.py --dataset_path data/mvtec_images --categories bottle,screw
```

数据集目录结构应为:

```
data/mvtec_images/
├── bottle/
│   ├── train/good/*.png
│   └── test/{broken_large,broken_small,contamination,good}/*.png
└── screw/
    ├── train/good/*.png
    └── test/{manipulated_front,thread_side,thread_top,scratch_head,scratch_neck,good}/*.png
```

### 4. 启动系统

```cmd
gpu_start.bat
```

或手动启动:

```bash
streamlit run app.py --server.headless true
```

浏览器自动打开 `http://localhost:8501`。

### 5. API 模式（可选）

```bash
uvicorn api:app --host 0.0.0.0 --port 8000
```

## 支持的异常类型

| 产品 | 异常类型 | 说明 |
|------|----------|------|
| 瓶子 (bottle) | broken_large | 大面积破损 |
| 瓶子 | broken_small | 小面积破损 |
| 瓶子 | contamination | 表面污染 |
| 螺丝 (screw) | manipulated_front | 前端异常 |
| 螺丝 | thread_side | 侧螺纹异常 |
| 螺丝 | thread_top | 顶部螺纹异常 |
| 螺丝 | scratch_head | 头部划痕 |
| 螺丝 | scratch_neck | 颈部划痕 |

## 效果图

### 系统界面
![系统界面](./demo_images/system_interface.png)

### 检测结果
![检测结果](./demo_images/detection_result.png)

## 依赖项

| 包 | 用途 |
|----|------|
| streamlit | Web 界面 |
| torch + timm | ResNet34 模型与特征提取 |
| pymilvus + milvus-lite | 嵌入式向量数据库 |
| Pillow + opencv-python | 图像处理 |
| fastapi + uvicorn | API 服务 |

## 注意事项

- 首次运行会自动下载 ResNet34 模型到 `models/huggingface/`（约 85MB）
- 国内用户需设置 `HF_ENDPOINT=https://hf-mirror.com` 以正常下载模型
- 数据库和向量数据存储在 `data/` 目录下，不提交到 Git
- MVTec AD 数据集可从 [官方网站](https://www.mvtec.com/company/research/datasets/mvtec-ad) 下载

## 版本基线 / Baselines

| Tag | 说明 |
|-----|------|
| `cvic2026-paper-baseline` | **CVIC2026 论文基线** — RetriVision 免标注工业视觉检测，6 页会议投稿（docx + pdf，4 表 8 图，GB/T 7714-2015 参考文献 16 条），含全部实验脚本与指标 JSON |
| `v1.2-baseline` | 同上（版本序列命名，与上一个 tag 指向同一提交） |
| `V1.2-fixbug-stable` | V1.2 bug 修复稳定版 |
| `v1.1-stable` | v1.1 稳定版 |

> Tag 说明（annotated message）与提交可用 `git show <tag>` 查看；tag 消息模板留档于
> `paper/scripts/_tag_msg.txt`。

> **CVIC2026 paper baseline (English).** RetriVision: annotation-free visual inspection for
> industrial assets, submitted to CVIC 2026. MVTec AD visible light: mean image-level AUROC
> **0.919** over the 10 representative categories; PVEL-AD near-infrared evaluated with a
> 1,200-image normal bank; CPU-only inference at **21.4 ms/image** (no GPU required).
> Authors: Jun Tang\*, Caixian Ye, Jinwei Luo — School of Computing and Artificial
> Intelligence, Guangzhou Xinhua University, Guangzhou, 510520, China.
>
> Datasets (`paper/data`, 6.1 GB MVTec AD + PVEL-AD) and `paper/backup` are excluded from
> version control; see `.gitignore`.

## License

MIT