第1篇：GrainServer — 基于AI的金属晶粒分析后端服务总览

第1篇：GrainServer — 基于AI的金属晶粒分析后端服务总览

1. 项目背景：金属材料显微图像分析的行业需求

在材料科学领域，晶粒尺寸是衡量金属材料力学性能的重要指标之一。晶粒的大小、形状和分布直接影响材料的强度、韧性、延展性等关键性能。传统的晶粒分析方法依赖人工在显微镜下观察和测量，效率低下且主观性强。

随着深度学习技术的发展，利用语义分割算法自动识别晶粒边界成为可能。然而，将AI模型部署到工业环境中，构建稳定、高效的后端服务，仍然面临诸多挑战：

• 模型推理效率：大分辨率图像（如2752×2208像素）的推理速度
• 多金属适配：不同金属材料需要不同的模型和参数
• 人工修正：AI识别结果不完美时需要人工干预并重算
• 系统稳定性：7×24小时运行的工业级服务可靠性

GrainServer 正是为解决这些问题而诞生的后端服务系统。

2. 第一性原理：什么是晶粒分析后端服务

2.1 核心问题分解

从第一性原理出发，晶粒分析系统需要回答三个根本问题：

问题一：图像里有什么？
→ 语义分割模型识别晶粒边界

问题二：晶粒有多大？
→ 图像处理算法提取尺寸信息

问题三：结果怎么交付？
→ 后端服务与客户端交互

2.2 后端服务的本质

后端服务的本质是：接收请求 → 处理数据 → 返回结果。

在晶粒分析场景下：

• 接收的请求：客户端通知"图像已保存，请分析"
• 处理的数据：金属显微图像 → 模型推理 → 后处理统计
• 返回的结果：粒径数据、分布图表、标注图像

2.3 为什么用 Socket 而不是 HTTP

从第一性原理思考通信方式选型：

在本项目中，服务端与前端/中间件部署在同一台机器或局域网内，数据交互频繁且需要低延迟，因此选择 TCP Socket 更为合适。

3. 项目定位与核心功能

3.1 项目定位

GrainServer 是一个基于 Python 的金属材料晶粒分析后端服务，具有以下特征：

• 类型：后端服务（Server-side）
• 通信方式：TCP Socket
• 核心功能：金属晶粒图像的 AI 分割与粒径统计分析
• 部署方式：Windows 可执行文件（PyInstaller 打包）

3.2 四大核心功能

功能一：AI 语义分割
使用深度学习模型（ConvNeXt架构）对金属显微图像进行像素级分割，自动识别晶粒边界。

功能二：骨架化与粒径统计
对分割结果进行骨架化处理，通过截线法计算晶粒尺寸分布，输出平均粒径、最大/最小粒径、标准差等统计量。

功能三：人工修正重计算
支持人工修正后的图像重新计算粒径，跳过模型推理环节，提高效率。

功能四：多金属材料支持
支持8种金属/合金材料：Ta（钽）、Ti（钛）、Al（铝）、Al-Cu（铝铜合金）、Al-Si（铝硅合金）、Al-Si-Cu（铝硅铜合金）、Cu（铜）、W（钨）。

4. 整体架构鸟瞰

4.1 双 Socket 服务器架构

GrainServer 采用双端口架构，分别处理不同类型的任务：

┌─────────────────────┐ │ 客户端/前端 │ └─────────┬───────────┘ │ ┌───────────────┴───────────────┐ │ │ ┌───────