工业异常检测平台 是一个基于多模态模型的缺陷检测系统。它利用先进的多模态模型，通过自然语言提示词（如“划痕”、“裂纹”）即可直接检测工业产品图像中的异常区域，无需针对特定产品进行任何训练。系统完全离线运行，保障工业数据安全，并提供了直观的 Web 界面，支持结果可视化与一键下载。
🎯 适用于快速验证、小批量多品种产品质检、以及需要保护数据隐私的工业场景
- 🔌 完全离线：模型本地加载，无需联网，保障生产数据不外泄。
- 🖼️ 多种输入：支持从本地文件夹选择预设图片或手动上传图片。
- 📊 结果可视化：
- 原始图像
- 缺陷热力图（红色区域表示异常概率高）
- 缺陷边界框（自动筛选高置信度区域并绘制红框）
- ⬇️ 一键下载：所有结果图均可直接下载，便于存档与报告。
- 🌐 交互式界面：基于 Streamlit 构建，操作简单，响应迅速。
- 前端/框架：Streamlit
- 深度学习模型：Hugging Face Transformers(注:后期会更新多模态训练模型来提高检测准确率)
- 后端推理：PyTorch, OpenCV, PIL, NumPy等
industrial-ad-web/
├── app.py # 主程序（Web 界面）
├── download_model.py # 模型下载脚本（首次运行需要）
├── core/ # 核心算法模块
│ ├── __init__.py
│ ├── model_handler.py # 本地模型加载（带缓存）
│ └── inference.py # 缺陷检测推理逻辑
├── models/ # 存放下载的模型文件（运行 download_model.py 后生成）
│ └── clipseg/ # 模型文件（以后新建文件夹，可以上传更新的训练模型）
├── sample_images/ # 示例图片文件夹（用户可自行添加）
│ ├── bottle_defect.jpg
│ ├── leather_scratch.jpg
│ └── ...
└── README.md # 本文件
pip install streamlit transformers torch torchvision opencv-python pillow matplotlib numpy下载模型（仅首次需要）
python download_model.py准备示例图片（可选） 将您的测试图片放入 sample_images/ 文件夹，支持 .jpg, .jpeg, .png 格式。
启动Web应用
streamlit run app.py- 在侧边栏配置产品名称
- 输入产品的英文名称（例如：bottle, metal nut, leather, pill），这将作为文本提示词的一部分。
- 选择图片来源
-
使用系统预设图片：从 sample_images/ 下拉列表中选择一张测试图。
-
手动上传本地图片：点击上传按钮选择您自己的图片。
- 执行检测
- 确认图片预览无误后，点击 “开始智能检测” 按钮。
- 查看与下载结果
-
系统将展示三列对比视图：原始图像、缺陷热力图、缺陷边界框。
-
每张结果图下方均有 “下载” 按钮，点击即可保存为 JPEG 文件。
在 core/inference.py 的 detect_universal_anomaly 函数中，可以修改 prompts 列表，添加或删除您关心的缺陷类型。例如：
prompts = [
f"scratch on {product_name}", # 划痕
f"crack on {product_name}", # 裂纹
f"stain on {product_name}", # 污渍
f"dent on {product_name}", # 凹痕（自定义）
f"corrosion on {product_name}" # 腐蚀（自定义）
]
- 首次运行前必须执行 python download_model.py 下载模型，否则应用会报错。
- 项目完全离线运行，模型文件一旦下载完毕，即可在无网络环境下使用。
- 当前模型文件较大（约 600 MB），请确保网络稳定