基于 ResNet34 的混凝土坍落度智能预测系统

君安QAQ

363人浏览 · 2026-06-06 16:19:42

君安QAQ · 2026-06-06 16:19:42 发布

基于 ResNet34 的混凝土坍落度智能预测系统（前后端分离架构）

项目地址：https://github.com/crazyjack44/Concrete_Slump_Test_System

一、项目背景

在混凝土生产和施工过程中，坍落度（Slump）是衡量混凝土工作性最关键的指标之一。传统坍落度测试依赖人工现场操作，耗时耗力，且结果受人为因素影响较大。随着深度学习和工业视觉技术的发展，利用摄像头实时采集混凝土图像，通过AI模型自动分类坍落度状态，已成为一种高效、客观的替代方案。

本项目正是基于这一思路，使用 ResNet34 卷积神经网络对混凝土坍落度进行三分类预测（合适 / 偏干 / 偏稀），并构建了完整的 Web 应用系统，实现从图像采集、AI推理、数据标注到模型微调的全流程闭环。

二、系统功能一览

功能模块	说明
实时视频采集	支持本地USB摄像头和海康威视RTSP工业相机
AI智能预测	ResNet34三分类，GPU加速推理，毫秒级响应
数据采集管理	图像自动保存，元数据编码入文件名，支持人工标注
模型在线微调	一键启动训练，自动组织数据集，训练进度实时反馈
Web界面	暗色工业风UI，前后端分离，浏览器即开即用

[占位符：功能流程图]

三、技术架构

系统采用 前后端分离 的 B/S 架构，后端提供 RESTful API，前端通过 AJAX 调用接口，职责清晰、便于维护和扩展。

┌─────────────────────────────────────────────────┐
│                   浏览器前端                      │
│          (HTML + CSS + 原生JavaScript)           │
└──────────────┬──────────────────┬────────────────┘
               │  RESTful API     │
               ▼                  ▼
┌──────────────────────┐  ┌───────────────────────┐
│   Flask API 层       │  │   ML 模块层            │
│  ┌────────────────┐  │  │  ┌─────────────────┐  │
│  │ /api/camera/*  │  │  │  │ classifier.py   │  │
│  │ /api/predict/* │  │  │  │ (单例推理引擎)   │  │
│  │ /api/train/*   │  │  │  ├─────────────────┤  │
│  └────────────────┘  │  │  │ trainer.py      │  │
│                      │  │  │ (微调训练器)     │  │
└──────────────────────┘  │  ├─────────────────┤  │
                          │  │ resnet34.py     │  │
                          │  │ (模型定义)       │  │
                          │  └─────────────────┘  │
                          └───────────────────────┘

3.1 后端架构

后端基于 Flask 框架，按功能拆分为 4 个 Blueprint：

Blueprint	URL前缀	职责
`main`	`/`	页面路由，渲染前端HTML
`camera`	`/api/camera`	摄像头开关、帧获取、RTSP配置
`predict`	`/api/predict`	AI预测、图片上传预测、结果保存
`train`	`/api/train`	数据组织、训练启动、进度查询

核心设计决策：

UI与API完全分离：前端不依赖后端模板渲染逻辑，所有数据交互通过 JSON API 完成，未来可轻松替换为 Vue/React 前端或对接移动端
ML模块独立：模型定义、推理、训练各自为独立模块，不依赖 Flask，可单独作为 Python 包使用
线程安全：相机状态、模型单例、训练任务均使用 threading.Lock 保护，避免并发问题
优雅降级：缺少 PyTorch 时 Flask 仍能正常启动，API 返回友好错误信息而非崩溃

3.2 前端设计

前端采用纯 HTML/CSS/JS 实现，无需 Node.js 构建流程，一个浏览器即可运行。

设计要点：

全屏Flex布局：html,body 固定100%高度不滚动，三列面板各自 overflow-y:auto 独立滚动，避免页面级滚动导致操作区被遮挡
暗色工业风：深蓝黑底色配亮蓝强调色，贴合工业视觉系统的使用场景
实时反馈：视频帧 100ms 轮询、训练进度 1.5s 轮询、Toast 通知，操作状态一目了然
响应式适配：三列 → 双列 → 单列自动响应

[占位符：前端界面三列布局截图]

3.3 ML 模块设计

这是本项目的技术核心，也是相比原版改进最大的部分。

模型单例加载

class ModelManager:
    """模型单例管理器，线程安全"""
    _instance = None
    _lock = threading.Lock()

    def __new__(cls):
        with cls._lock:
            if cls._instance is None:
                cls._instance = super().__new__(cls)
                cls._instance._model = None
        return cls._instance

    def load_model(self):
        if self._model is not None:
            return self._model  # 已加载则直接返回
        self._device = torch.device(...)
        self._model = resnet34(num_classes=3).to(self._device)
        self._model.load_state_dict(torch.load(...))
        self._model.eval()
        return self._model

为什么需要单例？ 原版代码每次调用 predict_() 都会重新创建模型并加载权重文件，这意味着：

每次推理都要从磁盘读取 85MB 的 .pth 文件
每次都要将模型参数拷贝到 GPU 显存
推理延迟从亚毫秒级暴涨到秒级

单例模式下，模型只加载一次，后续推理直接复用 GPU 上的模型实例，推理耗时回归正常水平。

训练模块修复

原版训练代码存在一个严重 bug —— 优化器在每个 batch 中重新创建：

# 原版代码（有bug）
for batch, (x, y) in enumerate(train_dataloader):
    optimizer = optim.Adam(model.parameters(), lr=0.001)  # 每个batch重建！
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

这导致 Adam 优化器的一阶矩和二阶矩估计在每个 batch 被重置，动量机制完全失效，训练效果退化为普通 SGD。修复后：

# 修复后
optimizer = optim.Adam(model.parameters(), lr=0.001)  # 只创建一次
for batch, (x, y) in enumerate(train_dataloader):
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

此外还增加了：

数据增强（RandomHorizontalFlip、RandomRotation），提升泛化能力
shuffle=True 的 DataLoader，避免批次偏差
训练完成后自动保存模型并热重载推理引擎
训练进度回调机制，前端可实时显示 epoch/loss/acc

四、完整API接口文档

4.1 摄像头接口

接口	方法	请求体	说明
`/api/camera/open`	POST	`{"type":"local"\|"rtsp","index":0}`	打开摄像头
`/api/camera/close`	POST	-	关闭摄像头
`/api/camera/status`	GET	-	获取摄像头状态
`/api/camera/config`	POST	`{"user":"","password":"","ip":""}`	配置RTSP参数
`/api/camera/frame`	GET	-	获取当前帧（base64 JPEG）
`/api/camera/capture`	POST	-	截取当前帧

4.2 预测接口

接口	方法	请求体	说明
`/api/predict/analyze`	POST	-	对当前帧进行AI预测
`/api/predict/analyze_upload`	POST	multipart文件	上传图片预测
`/api/predict/save`	POST	`{"concrete_type":"0","slump":"180","human_label":"0","pred_label":"0","timestamp":"..."}`	保存结果
`/api/predict/count`	GET	-	获取采集次数

4.3 训练接口

接口	方法	请求体	说明
`/api/train/organize`	POST	-	组织采集数据到训练/测试集
`/api/train/start`	POST	`{"epochs":10,"lr":0.001}`	启动训练（后台线程）
`/api/train/status`	GET	-	查询训练进度

五、项目目录结构

Concrete_Slump_Test_System/
├── run.py                  # 启动入口
├── config.py               # 全局配置
├── requirements.txt        # Python依赖
├── README.md               # 项目说明
├── resNet34.pth            # 模型权重（需自行放置）
├── app/
│   ├── __init__.py         # Flask应用工厂
│   ├── api/                # API接口层
│   │   ├── main.py         # 页面路由
│   │   ├── camera.py       # 摄像头API
│   │   ├── predict.py      # 预测API
│   │   └── train.py        # 训练API
│   ├── ml/                 # 机器学习模块
│   │   ├── resnet34.py     # ResNet模型定义
│   │   ├── classifier.py   # 推理引擎（单例）
│   │   └── trainer.py      # 训练器
│   ├── templates/
│   │   └── index.html      # Web前端
│   └── static/
└── data/
    ├── saved_frames/       # 采集图像
    └── dataset/
        ├── train/          # 训练集
        └── test/           # 测试集

这种分层结构的优势：

api/ 与 ml/ 完全解耦，ML模块可以独立于Web服务使用
配置集中管理在 config.py，修改设备/路径/端口一处搞定
数据目录与代码目录分离，便于 .gitignore 管理

六、使用流程

6.1 安装与启动

# 克隆项目
git clone https://github.com/xxx/Concrete_Slump_Test_System.git
cd Concrete_Slump_Test_System

# 安装依赖
pip install -r requirements.txt

# 放置模型权重文件 resNet34.pth 到项目根目录

# 启动服务
python run.py
# 访问 http://localhost:5000

6.2 操作步骤

打开摄像头：选择相机类型，点击"打开摄像头"，视频画面实时显示
截取帧：点击"截取视频帧"，捕获当前画面到分析区
AI预测：点击"开始预测"，模型返回分类结果、置信度和推理耗时
标注与保存：选择混凝土标号、输入坍落度值、勾选人工标注，点击"保存结果"
模型训练：积累足够数据后，点击"训练模式"一键微调，训练进度实时更新

6.3 预测结果展示

模型输出三分类结果，界面以不同颜色高亮显示：

分类	颜色	含义
合适	绿色	坍落度符合标准
偏干	橙色	混凝土偏干，坍落度不足
偏稀	青色	混凝土偏稀，坍落度过大

七、相比原版的改进

本项目由一个 PySide6 桌面应用重构而来，主要改进如下：

维度	原版（PySide6桌面端）	重构版（Flask Web端）
界面技术	PySide6/Qt，需本地安装	Web浏览器，零安装
架构	UI与业务逻辑混在main.py	前后端分离，API与ML独立
模型加载	每次预测重建模型+加载权重	单例模式，一次加载持续复用
训练bug	optimizer每batch重建，动量失效	optimizer正确初始化，新增数据增强
跨平台	需配置Qt环境	浏览器即可访问，支持远程部署
可扩展性	紧耦合，难扩展	API标准化，可对接移动端/其他前端
代码质量	冗余文件多，命名混乱	规范目录结构，完整文档和配置
依赖管理	无	requirements.txt + .gitignore