# 桥梁技术状况评定系统

**Repository Path**: lrt99/qiaoliang

## Basic Information

- **Project Name**: 桥梁技术状况评定系统
- **Description**: 自己用AI写的桥梁技术状况评定系统，功能较完善，源码。大家可以自行下载然后根据需求定制修改
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-08-19
- **Last Updated**: 2026-08-21

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 公路桥梁技术状况评定在线应用

依据《公路桥梁技术状况评定标准》**JTG/T H21—2011** 的桥梁技术状况评定 Web 应用。
支持向导式录入、下拉联动、病害记录、5 类控制指标校核、自动评分与 Excel 导出，
并预留缺陷图片 AI 甄别接口，便于后期扩展。

## 技术栈

- **服务端**：Node.js（内置 `node:sqlite`，无需原生编译）+ Express + Multer
- **数据库**：SQLite（`data/bridge.db`），单文件，便于迁移与后期移植 APP
- **前端**：原生 HTML/CSS/JS 单页应用（`public/`），无构建步骤
- **导出**：Node.js + [exceljs](https://www.npmjs.com/package/exceljs) 生成 Excel（**纯 Node，无任何 Python 依赖**，便于 Node-only 部署/移植 APP）

## 目录结构

```
app/
├── server.js            # Express 入口：路由、评分、导出、图片与 AI 接口
├── templates.js         # 桥型/部件/病害配置（下拉联动数据源）
├── assess.js            # JTG/T H21 评分计算（构件→部件→部位→全桥）
├── vision.js            # 缺陷图像 AI 甄别（OpenAI 兼容多模态模型）
├── db.js                # SQLite 数据库层（建表 + 兼容性迁移）
├── export_bridge.js     # Excel 导出（Node 原生，exceljs，含 DP 自动公式与样式）
├── package.json
├── public/              # 前端静态资源
│   ├── index.html
│   ├── styles.css
│   └── app.js
├── data/                # SQLite 数据库文件（自动生成）
├── uploads/             # 缺陷图片（自动生成）
└── exports/             # 导出的 Excel（自动生成）
```
![输入图片说明](image.png)
![输入图片说明](image2.png)
## 运行

```bash
先安装nodejs 然后在项目目录下打开CMD运行下面命令
npm install          # 安装 express、multer、exceljs
之后每次启动在项目目录下打开CMD运行下面命令
node server.js       # 默认端口 3000，或 PORT=8080 node server.js
```

浏览器打开 http://localhost:3000

> 整个应用仅依赖 Node.js 运行时与浏览器，导出 Excel 也使用纯 Node（exceljs），
> 不再需要任何 Python 环境，适合 Node-only 部署与后期打包为 APP。

## 交互设计（效率优先）

- **桥型联动**：新建时选择“桥梁类型”（梁式桥 / 各类拱桥 / 悬索桥 / 斜拉桥），
  系统按标准表 4.2.x 自动生成该桥型对应的**部位→部件**结构及权重、主要/次要标记。
- **下拉选择最大化**：部件、缺陷类型、缺陷标度、五类指标等均以下拉提供，
  选缺陷类型后自动带出“最高标度类别”，无需记忆标准表号。
- **局部↔整体关联**：填完各部件构件数 n 与病害后，系统按公式自动向上汇总：
  构件评分 → 部件评分（含主要部件最差构件控制）→ 部位评分 → 全桥评分 Dr，并判定 1~5 类。
- **五类控制指标**：14 条危机桥梁安全的情形逐条勾选，命中即整桥判 5 类。
- **Excel 导出**：一键导出含概况、构件数量、缺损记录（DP 自动查表）、
  五类指标、自动评分结果的评定报告。

## 图片 AI 甄别（已接入真实多模态模型）

把构件缺陷照片交给视觉大模型，自动识别 **缺陷类型 + 缺陷标度(1~5) + 定量描述 + 置信度**，
回写后一键“采用”即可填充病害录入表单（类型/标度/描述），并自动重算 DP 扣分值。

### 工作流
未配置真实视觉模型 API 时，页面只提供 **上传照片**，识别、重识别和采用 AI 建议均不可用。
配置成功后：

1. 在「病害录入」卡片点击 **＋ 上传并识别**（或新增病害时附图）→ 图片上传并自动调用模型；
2. 卡片显示 **🤖 AI 建议**（类型 / 标度 / 置信度 / 描述）；
3. 点击 **采用** → 写入该缺陷并自动重算 DP；或 **忽略** / **重识别**。

### 接入真实模型（OpenAI 兼容协议）
复制 `.env.example` 为 `.env`，填写后重启：

```bash
VISION_PROVIDER=openai          # OpenAI 兼容协议
VISION_API_KEY=sk-xxx           # 你的 API Key
VISION_BASE_URL=https://api.openai.com/v1   # 见下方可选端点
VISION_MODEL=gpt-4o-mini        # 视觉模型名
```

该接口采用 **OpenAI 兼容协议**，可一键切换以下（及本地）服务商，无需改代码：

| 服务商 | VISION_BASE_URL | 常用模型 |
|--------|-----------------|----------|
| OpenAI | `https://api.openai.com/v1` | `gpt-4o` / `gpt-4o-mini` |
| 阿里通义千问 | `https://dashscope.aliyuncs.com/compatible-mode/v1` | `qwen-vl-max` / `qwen-vl-plus` |
| 智谱 GLM | `https://open.bigmodel.cn/api/paas/v4` | `glm-4v-plus` |
| DeepSeek | `https://api.deepseek.com/v1` | `deepseek-vl2` |
| Moonshot | `https://api.moonshot.cn/v1` | 视觉模型 |
| 本地 LM Studio | `http://127.0.0.1:1234/v1` | 视所加载模型 |
| 本地 Ollama(视觉) | `http://127.0.0.1:11434/v1` | 视所加载模型 |

> `VISION_PROVIDER` 不是 `openai`，或 `VISION_API_KEY` 为空时，后端会以 HTTP 503 拒绝识别请求，避免产生模拟识别结果。

### 识别质量
`vision.js` 内置了基于 JTG/T H21—2011 的强提示词：限定模型只能从**该构件允许的病害类型**
中选择、按 1~5 类标度定义判定、要求中文定量描述（裂缝长宽、锈蚀/剥落面积占比等），
并对返回 JSON 做健壮解析与标度钳制（不允许超过该缺陷的“最高标度类别”）。

## 主要 API

| 方法 | 路径 | 说明 |
|------|------|------|
| GET | `/api/templates` | 桥型/部件/病害/五类指标配置 |
| GET/POST | `/api/bridges` | 桥梁列表 / 新建（自动生成部件） |
| GET/PUT/DELETE | `/api/bridges/:id` | 桥梁详情 / 更新（含五类指标）/ 删除 |
| PUT | `/api/components/:id` | 更新部件构件数 n |
| POST/PUT/DELETE | `/api/components/:id/defects`、`/api/defects/:id` | 病害增改删 |
| POST | `/api/defects/:id/photos` | 上传缺陷图片 |
| GET | `/api/photos/:filename` | 读取图片 |
| GET | `/api/vision/info` | 当前视觉模型供应商/配置状态 |
| POST | `/api/photos/:id/assess` | AI 甄别：调用多模态模型识别缺陷类型/标度 |
| POST | `/api/photos/:id/apply` | 采用 AI 建议，写入缺陷并重算 DP |
| POST | `/api/photos/:id/status` | 标记 AI 建议状态（ignored 等） |
| GET | `/api/bridges/:id/assessment` | 计算评分 Dr 与等级 |
| GET | `/api/bridges/:id/export` | 导出 Excel |
| GET | `/api/bridges/:id/export-docx` | 导出 DOCX 评定报告（含缺陷照片） |

## 移植为 APP 的路径

当前架构为「静态前端 + REST API + 服务端 SQLite」，天然适合改造为移动端：

1. **前端**：`public/` 为纯静态 SPA，可用 [Capacitor](https://capacitorjs.com/) 直接打包为 iOS/Android 应用。
2. **API**：REST 接口可部署到云端或局域网服务，APP 通过 HTTPS 调用。
3. **数据库**：移动端本地存储改用 `@capacitor-community/sqlite`（同样是 SQLite），
   复用本项目的表结构与 `assess.js` 评分逻辑（可改写为前端/原生计算）。
4. **图片甄别**：移动端拍摄的缺陷照片直接 POST 到 `/api/photos` 接口，由服务端统一调度 AI 模型。

## 评分算法（JTG/T H21—2011）

- 构件评分：公式 4.1.1，多缺陷扣分值 DP 从大到小排序后按 √(x) 递减叠加；任一 DP=100 则该构件为 0。
- 部件评分：公式 4.1.2，用构件均值与最差值按 t 值表（表 4.1.2）折减；
  **主要部件**初算部件评分 P_ci 位于 [0,40) 时，取最差构件评分（最差构件控制）。
- 部位评分：公式 4.1.3，各部件按权重加权（未设置部件权重按比例分配）。
- 全桥评分：公式 4.1.4，`Dr = BDCI×0.20 + SPCI×0.40 + SBCI×0.40`。
- 等级：表 4.1.5（1 类≥95 … 5 类<40）；命中 5 类控制指标（第 4.3 节）直接判 5 类。
![输入图片说明](shot5_result.png)