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：
| 对比维度 | HTTP | Socket |
|---|---|---|
| 连接方式 | 短连接，每次请求建立/断开 | 长连接，一次建立多次交互 |
| 协议开销 | 请求头+响应头，开销大 | 纯数据，开销小 |
| 实时性 | 轮询或长轮询 | 双向实时通信 |
| 适用场景 | Web应用、RESTful API | 工业设备、本地中间件 |
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 │ └─────────┬───────────┘ │ ┌───────────────┴───────────────┐ │ │ ┌───────