CatHealth · 技术原理与算法设计

一、技术原理与算法设计

系统不直接把图片交给大模型判断，而是先用确定性的视觉算法提取可解释指标，再将指标组合成 0–100 综合分。DeepSeek 只负责把结构化结果转换为面向宠物主人的文字解读，不能替代视觉检测和兽医诊断。

GrabCut分离粪便主体，减少背景、猫砂和地面颜色对结果的影响。

HSV + GLCM分别分析颜色异常和灰度纹理，输出阈值可追踪的检测指标。

加权健康分五个维度按 35%/25%/15%/10%/15% 合成总分。

二、流程图

浏览器选择 JPG / PNG / BMP（≤ 16MB）
          ↓
Flask POST /api/detect
          ↓
高斯模糊 → HSV 粗分割 → 形态学开闭运算
          ↓
最大轮廓 + 20px 边界 → GrabCut 5 次迭代
          ↓
┌─────────┬─────────┬─────────┬─────────┬─────────┐
│形态纹理 │颜色 HSV │血丝像素 │黏液高光 │杂质轮廓 │
│GLCM     │平均 H/S/V│红色比例 │亮度比例 │面积阈值 │
└─────────┴─────────┴─────────┴─────────┴─────────┘
          ↓
健康评分 calculate_health_score()
          ↓
标注图 + JSON 结果 → 前端报告 → 可选 DeepSeek 解读

三、软件基础设置信息

项目	当前设置
后端框架	Flask + Gunicorn，systemd 服务 `cat-poop.service`
部署目录	`/data/cat-poop/`
本地监听	`127.0.0.1:5080`
公网入口	`https://cdqtech.online/cat-poop/`
上传限制	16 MB；支持 JPG、JPEG、PNG、BMP
API	`GET /api/health`、`POST /api/detect`、`POST /api/ai-report`
反向代理	nginx 将 `/cat-poop/` 转发到 127.0.0.1:5080

四、软件系统设计

模块	文件	职责
Web 接入	`app.py`	接收图片、生成 UUID 文件名、调用处理流水线、返回 JSON 和标注图。
预处理	`src/preprocessing.py`	中文路径读取、HSV 初筛、形态学处理、最大轮廓定位和 GrabCut。
五维检测	`src/detector.py`	颜色、血丝、黏液、GLCM 纹理、杂质检测。
评分引擎	`src/health.py`	把五个子分数按配置权重合成总分和健康等级。
配置中心	`config.py`	Purina 1–7 级、HSV/面积阈值、健康评分权重和上传目录。
AI 解读	`call_deepseek()`	将结构化检测结果组织成提示词，调用 DeepSeek 返回自然语言报告。

服务状态与容错

systemd 设置为自动启动和异常重启；图片未检测到主体时返回 detected=false，单条坏 JSON/外部 AI 请求失败不会改变检测主流程的视觉结果。

五、参数配置

图像分割参数

参数	数值	用途
HSV 粗定位	H 3–40，S 15–255，V 20–255	从背景中筛选疑似粪便区域
边界扩展	最大轮廓外扩 20 px	为 GrabCut 保留边缘上下文
GrabCut	5 次迭代	精细分离前景与背景

血丝与黏液参数

检测项	阈值	判定
血丝 HSV	H 0–10 或 170–180；S > 80；V > 40	红色面积比例 > 2% 报警；> 5% 为严重
黏液高光	灰度 > 200	高光面积 > 5% 视为存在黏液；> 15% 为高风险
杂质面积	冻干 > 100 px；猫粮 > 150 px；白色碎片 > 80 px	轮廓满足颜色范围和面积后计入

综合评分权重

维度	权重	满分条件
Purina 形态评分	35%	3、4 级为 100 分
颜色	25%	normal=100，medium=60，high=30，critical=10
血丝	15%	normal=100，medium=70，high=30，critical=5
黏液	10%	normal=100，medium=60，high=25，critical=5
杂质	15%	normal=100，medium=60，high=30，critical=10

六、五个检测阶段

Stage 1：形态评分（Purina 1–7 级）

目标：判断粪便干湿、成形和质地。
方法：对 ROI 灰度图量化为 16 个灰度级，计算四方向 GLCM 的 contrast、homogeneity、energy、correlation，再映射到 1–7 级。3–4 级为理想区间，1–2 偏干，5–7 偏软或水样。

Stage 2：颜色分析（HSV）

目标：筛查黑色、红色、黄色、灰白和绿色等异常颜色。
方法：在 mask 内计算平均 H/S/V；V<60 判为黑色风险，H<8 且 S>80 判为鲜红风险，H 25–40 且 S>50 判为黄色风险，S<30 且 V>150 判为灰白风险。

Stage 3：血丝检测

目标：检测 ROI 中红色像素占比。
方法：合并 H 0–10 与 170–180 两个红色区间，统计红色像素 / mask 像素；比例 <2% 正常，2–5% 警告，>5% 严重。

Stage 4：黏液检测

目标：通过高光面积和 Laplacian 平滑度识别湿润黏液特征。
方法：灰度 200–255 作为高光候选，计算其在 ROI 的占比，并统计 Laplacian 标准差辅助判断表面平滑度。

Stage 5：杂质检测

目标：发现未消化冻干、猫粮碎屑和白色异物。
方法：按每类 HSV 范围分割，开运算去噪，提取外轮廓并执行最小面积过滤，输出数量和面积占比。

七、边界与使用说明

本系统是宠物健康筛查和观察工具，不构成兽医诊断。光照、拍摄角度、猫砂遮挡、样本过小都会影响图像分割；出现持续腹泻、血便、黑便、精神差或食欲下降时，应及时咨询兽医。

AI 解读仅对已经计算出的检测指标进行文字化说明；视觉评分主流程不依赖 AI 服务。建议在相近光照和拍摄距离下连续记录多次结果，而不是依据单张图片做结论。