面向工业现场的安卓移动端 AI 视觉检测平台。支持多产品模块灵活配置，集成级联检测（粗定位+细识别）与步骤化图像处理链路，拍照即可判定产品是否合格。检测数据实时上传氚云，实现从零件扫码到结果追溯的全链路数字化管理。
两阶段模型架构：第一阶段粗定位 ROI，第二阶段细识别缺陷。避免高分辨率图像压缩导致的细节丢失，小目标检出率显著提升。
支持 1D/2D 码扫描，按项目规则驱动（零件号→SN 序列号）。防误扫机制：安全延迟与短时抑制，避免连续误识别。
HCP4 网关通讯、48V 支架卡扣、48V 大小钉等多个检测模块，云端统一配置，App 自动拉取，现场零代码切换产品类型。
拍照 → EXIF 归一 → 裁剪 → 步骤化旋转 → 推理。支持 ROTATE_POST_CROP 等 5 种步骤类型，云端配置角度，本地实时生效。
检测结果、现场照片、判定依据实时上传氚云。工程师可按 SN 查询历史记录，实现从零件到成品的全链路质量追溯。
Admin/Engineer/Operator 三级角色权限，设备绑定（最多 3 台）。支持云端强制版本更新，确保现场始终运行最新检测逻辑。
工业现场质检长期依赖固定式相机，存在覆盖死角、部署成本高、切换不灵活等问题。VisionQC 将复杂的级联视觉检测算法迁移至移动端，质检员只需一部手机即可完成多产品类型的灵活抽检。目前已支持 HCP4 网关通讯模块、48V 支架卡扣、48V 大小钉等多个检测场景，实现从零件扫码到结果追溯的全链路数字化管理。
第一阶段使用轻量级 YOLO 模型在全图上快速定位目标 ROI，第二阶段对裁剪后的高分辨率子图进行精细缺陷识别。避免将整张高分辨率图像压缩到 640×640 造成的细节丢失，小目标检出率显著提升。
扫描零件条码 → 拍摄照片 → EXIF 方向归一 → ROI 裁剪 → 步骤化旋转 → AI 推理 → 结果判定。支持 5 种步骤类型（DETECT_COUNT、DETECT_CROP、ROI_CROP、ROTATE_POST_CROP、MANUAL_CONFIRM），云端配置实时下发。
基于 PyTorch 训练 YOLOv8 模型，经自研转换工具导出 TFLite 格式（支持 FP16/FP32）。安卓端集成 NNAPI 加速推理，自动兼容 [1,N,C] 与 [1,C,N] 两种输出格式，确保模型即插即用。
检测结果、现场照片、判定依据按 ModuleCode+PointCode 行级 Upsert 上传氚云。工程师可在氚云平台按 SN 序列号查询历史检测记录与图片，实现从零件扫码到结果判定的全链路数字化追溯。