Bridge Defect Detection & Quantification Case Study

桥梁病害检测与量化系统案例研究

This is a non-code case study. Source code, datasets, model weights and internal project files are not included due to data, licensing and collaboration boundaries.
本仓库为非源码型 case study，不包含原始源码、数据集、模型权重、内部配置或真实实验资产。

Overview / 项目概览

本案例研究梳理一个桥梁表观病害检测与量化系统的工程思路。系统将视觉分割、双目深度、几何计算和 Web 业务流程组合起来，尝试把图像中的病害区域转化为结构化检测信息和尺寸估算结果。

案例涉及的病害语义包括裂缝、混凝土剥落和钢筋外露。本文档关注系统架构理解、数据流分析、算法能力边界和后续验证方法，不提供可运行实现。

Why this case study / 为什么整理这个项目

一个工程 AI 系统不能只回答“模型能否识别目标”，还需要回答：

• 输入数据如何进入算法服务？
• 分割 mask 如何参与后续几何计算？
• 像素结果如何获得真实尺度？
• 结构化结果如何进入业务记录？
• 模型指标与工程测量可信度有什么区别？
• 哪些能力已经具备原型，哪些仍需验证？

整理本案例的目的，是学习如何从工程需求出发分析视觉算法、系统接口和验证方案。

System Architecture / 系统架构

Frontend Presentation Layer
        |
Business Service Layer
        |
Python Algorithm Service
   |             |
Segmentation   Stereo Depth
   \             /
 Geometry Quantification
        |
Structured Results + Visualizations + Business Records

系统可抽象为：

• 前端展示层：输入、参数选择和结果呈现。
• 业务服务层：请求编排、文件与记录管理。
• 算法服务层：分割检测、深度估计和量化计算。
• 数据记录层：保存任务和结构化结果。

详见 技术架构。

Technical Workflow / 技术流程

桥梁图像或双目图像
  -> 图像检查与预处理
  -> 病害实例分割
  -> 类别、置信度、mask
  -> 双目匹配与深度恢复
  -> mask + depth + camera parameters
  -> 长度、宽度或面积估算
  -> JSON、可视化与业务记录

Detection and Quantification / 检测与量化

检测模块使用 YOLO segmentation 思路获得病害类别、置信度和像素级区域。量化模块再结合双目视差、相机参数和几何计算，尝试恢复裂缝长度/宽度以及其他病害区域面积。

检测准确不代表尺寸准确。尺寸结果还需要相机标定、深度质量、真值测量和误差分析支持。

• 检测链路
• 量化链路
• 系统数据流

Current Boundaries / 当前边界

本案例明确不声称：

• 独立训练了桥梁病害模型。
• 已获得经过验证的桥梁模型指标。
• 病害量化误差已经通过真值实验验证。
• 系统已经完成生产部署。
• 系统符合桥梁检测规范或能够直接输出养护建议。

当前重点是架构理解、流程梳理、风险识别和验证路线设计。完整公开边界见 公开说明。

What I Learned / 学习收获

• 目标检测、实例分割和工程量化是不同层次的问题。
• Segmentation mask 为轮廓分析提供基础，但不能直接提供真实尺寸。
• 双目深度可以恢复尺度，其可靠性依赖标定和视差质量。
• 模型指标与工程测量误差必须分开评估。
• 工程 AI 需要同时考虑算法、接口、数据记录和责任边界。

详见 学习笔记。

Documentation / 文档目录

• Technical Architecture / 技术架构
• Detection Pipeline / 检测链路
• Quantification Pipeline / 量化链路
• System Dataflow / 系统数据流
• Public Release Notes / 公开说明
• Learning Notes / 学习笔记

English Summary

This repository documents a non-code engineering AI case study for bridge surface defect detection and geometric quantification. The conceptual system combines instance segmentation, stereo depth estimation, geometric measurement, service-oriented integration, visualization, and business records.

The case study focuses on architecture, data flow, validation requirements, and capability boundaries. It does not claim independently trained bridge models, validated model metrics, verified measurement accuracy, production deployment, or compliance with bridge inspection standards.