跳到主要内容

C0726K13-论文大纲

1. 引言

1.1 项目背景​

  1. 船只穿舱件需要维护 - 传统维护耗时耗力 - 利用图像识别代替人眼识别
  2. 医疗图像识别被证明可以加大诊疗效率，因此穿舱件维护是必要的
  3. 船级社和其他行业机构在信息化转型过程中加速，推荐智能化
  4. 国家推行AI+战略，项目是AI+船舶制造业的案例

1.2 研究意义​

  1. 图像识别技术落地，可以增加效率
  2. 因为没有使用传统的瀑布开发，可以在开发路径上创新，那么在研究过程中积累的经验可以帮助未来类似软件开发
  3. 系统研发过程中大量使用云技术，可以证实国家数字经济和相关战略对于产业的促进作用

2. 研究现状

2.1 国外研究现状​

  • 图像识别在工业领域的应用
  • 国外在船舶维修、航运数字化方面的进展
  • AI+工业（如航空、汽车）的经验借鉴

2.2 国内研究现状​

  • 国内图像识别在制造业、交通、医疗中的落地情况
  • 国内船舶制造业信息化现状与不足
  • 政策推动下的研究与产业化趋势

2.3 研究现状小结​

  • 国内外研究的差距与优势
  • 本研究的创新点与必要性

3. 相关基础

3.1 图像识别技术​

  1. 深度学习与卷积神经网络（CNN）
  2. 特征提取与ANN（Approximate Nearest Neighbor）检索
  3. 向量化表示与向量数据库（如FAISS、Milvus）

3.2 现代Web技术​

  • 后端：FastAPI、Redis、MySQL、MongoDB
  • 前端：HTML、CSS、JS、ES5/ES6、webpack
  • 跨端：uniapp、小程序技术

3.3 容器化技术​

  1. 虚拟化与KVM-云服务器和云管理相关技术
  2. Docker容器化部署及其优势

3.4 云原生技术​

  1. 云端开发与测试
  2. CloudBeaver云数据库管理
  3. MinIO文件对象存储
  4. DevOps自动化工作流

3.5 信息安全技术​

  1. 数据传输加密（HTTPS、TLS/SSL）
  2. API网关与OpenResty
  3. 内网穿透与远程接入
  4. 零信任网络与权限管理

4. 系统建模

  1. 系统整体架构图
  2. 数据流转过程，用户输入的数据是如何在系统和组件之间流传和处理的
  3. 各子系统之间的交互关系
  4. 数据库与文件存储的关系建模

5. 系统设计

详见

https://wiki.c0726.greenshadecapital.com/docs/tech-docs/C0726K01%E7%B3%BB%E7%BB%9F%E6%80%BB%E4%BD%93%E8%AE%BE%E8%AE%A1

6. 系统实现

6.1 xxx系统实现​

该部分需要依赖代码文档，相关工作正在进行中

7. 系统测试与结果分析

7.1 测试环境与方法​

  • 硬件环境与软件环境
  • 测试数据集与测试指标

7.2 功能测试​

  • 模块功能验证
  • 系统整体功能验证

7.3 性能测试​

  • 响应时间
  • 并发能力
  • 系统稳定性
  • SLA

7.4 测试结果与分析​

  • 与传统方式的效率对比
  • 实验结果总结

8. 结论与展望

8.1 研究结论​

  1. 系统实现了船舶穿舱件的智能图像识别
  2. 提高了维修效率与智能化水平
  3. 证明了AI+船舶制造业的可行性
  4. 证明云技术对于相关产业的促进作用

8.2 不足与改进方向​

  1. 图像识别模型的精度与泛化能力仍待优化
  2. 系统在大规模并发环境下的性能挑战
  3. 数据有限，作者技术有限

8.3 未来展望​

  1. 引入更先进的深度学习模型
  2. 与船厂MES/ERP系统的集成
  3. 推广到其他船舶部件与工业场景