## 项目概述 这是一个基于机器学习随机森林分类算法的尿检试纸识别和结果检测程序。 **程序启动和初始化**:启动时读取试纸描述和算法描述文件ml.json,获得试纸的描述定义,及每个检测项目对应的随机森林分类算法文件,这些算法文件是通过opencv ML训练出来的。ml.json解析完成后,需要通过 OpenCV ML 的算法 预先加载好,供后续的运行时使用。 除了算法初始化之外,程序需要启动一个http端口,接受尿检算法调用者的HTTP POST请求。 **程序的输入**:输入数据有两类,一类是json格式的含各个尿检试纸检测项的颜色值(通过opencv提取的色块H,S,V, L,A,B这6个颜色分量),含多组数据;另外一类是试纸图片的原始数据(图片通过base64格式传输,可以含多个图片),需要通过opencv python库进行试纸的定位,并获取每个色块的颜色值(H,S,V, L,A,B), 然后再通过随机森林分类算法,获得尿检的本定量结果。 尿检试纸可以4,7,8,11,14联的试纸等。 **程序的输出**:通过json格式返回结果。结果可能会成功,也可能失败。成功的结果含有每个检测项目的本定量结果。 ### 试纸定义 干化学检测的原理是化学反应色块和尿液中的成分进行化学反应,呈现不同颜色从而得到不同的档位信息(如蛋白++、+++等),本文描述的算法,并不直接返回++,+++这样的结果,而是返回一个本定量数字,如后文所描述,HTTP请求的调用者需要将半定量数字映射到具体的++,+++这样的结果给用户看。 - 干化学试纸的规格。从设计和生产制造环节上,试纸高度始终是5毫米。但通过拍照出来的图片,肯定就不一定是5毫米,这个好理解。本文以下的试纸宽度和高度描述,都是基于设计和生成的高度,程序中计算相应的数据时,需要注意这一点。算法实现上肯定不是基于这种厘米毫米单位来计算距离的,而是通过本文描述的这种长宽比率之类算相对值。 - 我们的产品支持多个规格的试纸,可能包括14联,11联,10联,8联多种试纸,这些数字对应于后文描述的配置文件中的items数字。 - 为了更好的找到每个检测项目,试纸设计了两个定位块,一大一小。检测项和定位块的高度都是一样的,并且都是顶部对齐的,在一条线上的。两个定位块处在两边,检测项夹在中间。 - 定位块的颜色有3种,即后文配置文件中的color,分别对应red(1),green(2),blue(3) - 试纸的每个检测项目就是一个色块,色块是5毫米 X 5毫米的正方形。 - 小的定位块的宽3毫米,高5毫米,高度都和试纸的高度一致。 - 大的定位块,有两种规格,一个是10毫米,一个15毫米。大定位块的高度也是5,和试纸高度一样。分别对应于后文配置文件中的locator, 10毫米的定位块locator为2,15毫米的为3。 - 大定位块,检测项色块,小定位块,它们之间的空白间隔是2毫米。例如,假设8联试纸的大定位块宽带10毫米。那么这个试纸的总长度是这么计算出来的,3(小定位块宽) + 10(大定位块宽) + 5 * 8(检测项总宽) + 9 * 2 (8个色块,对应着9个间隔) = 71毫米。 - 用户在使用试纸的时候,摆放顺序可能比较随意,可能平放也可能不是完全平放。可能是小定位块放左边,也肯能放右边。 - 从小定位块和大定位块的中心点,画一条直线,那么理论上肯定是穿过所有检测项目的中心点。在找到每个检测项中心点后,基于每个中心点,以中心点为中心,做5X5的矩形,取这个矩形25个像素的颜色值的均值,作为每个检测项目的色块颜色。取出的颜色值可能是RGB,需要通过opencv的颜色转换函数得到HSV和LAB颜色。 我们的用户,有几种使用这个尿检试纸的方式: 其中之一是通过app的摄像头扫描试纸,通过定位块找到每个尿检检测项目的色块,通过opencv计算色块的HSV和LAB 的颜色值。这个过程需要进行多次,从而获取到多组检测数据。将检测数据拼装成json,作为本文描述的程序的**输入数据**之一。 无论用户用户怎么摆放试纸,通过app或其他工具采集和识别出的颜色数据,json数据中的(参考post_req_data_1.json),data中的i参数索引值始终是从小端定位块旁边的第一个检测项目的颜色值。可以从配置文件ml.json中看到,linxian_red14这个类型的试纸,小定位块旁边第一个检测项目是glu(葡萄糖),所以采集到的linxian_red14这个类型试纸的检测数据(如 post_req_data_1.json),每组数据的第一个检测值也是glu。 用户还有一种使用试纸的方法,就是获得某一张试纸的多张图片,并通过base64编码,通过http请求发送给本程序。 **readme.txt 有一些关于试纸的描述。可以读取其中的内容,做一定的参考。** ## 程序启动和初始化 ### ml.json数据格式介绍 配置文件ml.json在Models目录下,Models目录除了这个文件外,包含了所有的随机森林分类算法文件。 > 以下摘录ml.json文件的部分内容,添加了相应的注释内容。 > > strips是一个系统支持的所有试纸类型列表 > > parameters是对应试纸的全部检测项目的配置 > > parameters下面的name是每个检测项目的名称:glu(葡萄糖),wbc(白细胞),nit(亚硝酸盐),uro(尿胆原),bil(胆红素),ket(酮体),sg(比重),bld(潜血),ph(pH值),pro(尿蛋白),mau(微量白蛋白),cre(尿肌酐),uca(尿钙),vc(抗坏血酸) > > filename是每个算法的文件,不同试纸的某个相同检测项目(如尿蛋白),可能使用了相同的算法文件,这是允许的。因此在加载算法文件的时候,应该将加载后的算法模型数据放到某个map中,k是文件名,v是加载的随机森林算法模型 > > 每一种试纸都有唯一的sid,因此可以定义一个试纸类型数组,或作为试纸类似数组的下标等。 > > **color, items, locator则是用于收到请求后匹配试纸用的参数**。 { //支持的试纸类似数组 "strips": [{ "name": "linxian_red14", //试纸名称 "sid": 1, //试纸ID,1,2,3等任意不重复的整数 "color": 1, //Red定位块值为1,Green定位块为2,Blue定位块为3 "items": 14, //尿检检测项目,14表示十四项尿检试纸,对应parameters数组数量 "locator": 2, //试纸定位块类型,2:表示小定位块宽3毫米,大定位块宽10毫米 "parameters": [{ "name": "glu", //glu表示葡萄糖 "positon": 0, //从小定位块算起的第一个检测项目 "id": 11, //glu对应的检测项目ID,结果返回时需要携带这个ID "filename": "glu-rts-M1.data", //随机森林算法文件 "indexmap": "0,1,2,3,4,5" //需解析成数组,用于结果返回的索引值, /* indexmap需解析成数组,用于结果返回的索引值, 随机森林算法返回的值是一个浮点数,通过round函数之后成为一个整数val,indexmap[val]则是返回给调用者的半定量值。 indexmap数组值,不一定是从低到高排列,有可能是乱序 */ }, { "name": "wbc", "positon": 1, "id": 13, "filename": "wbc-rts-M1.data", "indexmap": "0,1,2,3,4" }, { "name": "nit", "positon": 2, "id": 14, "filename": "nit-rts-M1.data", "indexmap": "0,1" }, { "name": "uro", "positon": 3, "id": 10, "filename": "uro-rts-M1.data", "indexmap": "0,1,2,3,4" }, { "name": "bil", "positon": 4, "id": 9, "filename": "bil-rts-M1.data", "indexmap": "0,1,2,3" }, { "name": "ket", "positon": 5, "id": 12, "filename": "ket-rts-M1.data", "indexmap": "0,1,2,3,4,5" }, { "name": "sg", "positon": 6, "id": 7, "filename": "sg-rts-M1.data", "indexmap": "0,1,2,3,4,5,6" }, { "name": "bld", "positon": 7, "id": 5, "filename": "bld-rts-M1.data", "indexmap": "0,1,2,3,4" }, { "name": "ph", "positon": 8, "id": 6, "filename": "ph-rts-M1.data", "indexmap": "0,1,2,3,4,5,6" }, { "name": "pro", "positon": 9, "id": 4, "filename": "pro-rts-M1.data", "indexmap": "0,1,2,3,4,5" }, { "name": "mau", "positon": 10, "id": 1, "filename": "mau-rts-M1.data", "indexmap": "0,1,2,3" }, { "name": "cre", "positon": 11, "id": 2, "filename": "cre-rts-M1U.data", "indexmap": "0,1,2,3,4" }, { "name": "uca", "positon": 12, "id": 3, "filename": "uca-rts-M1U.data", "indexmap": "0,1,2,3,4" }, { "name": "vc", "positon": 13, "id": 8, "filename": "vc-rts-M1.data", "indexmap": "0,1,2,3,4" } ] }, { "name": "linxian_green11", "sid": 5, "color": 2, "items": 11, "locator": 3, "parameters": [{ "name": "uro", "positon": 0, "id": 10, "filename": "uro-rts-M1.data", "indexmap": "0,1,2,3,4" }, { "name": "bil", "positon": 1, "id": 9, "filename": "bil-rts-M1.data", "indexmap": "0,1,2,3" }, { "name": "ket", "positon": 2, "id": 12, "filename": "ket-rts-M1.data", "indexmap": "0,1,2,3,4,5" }, { "name": "sg", "positon": 3, "id": 7, "filename": "sg-rts-M1.data", "indexmap": "0,1,2,3,4,5,6" }, { "name": "bld", "positon": 4, "id": 5, "filename": "bld-rts-M1.data", "indexmap": "0,1,2,3,4" }, { "name": "pro", "positon": 5, "id": 4, "filename": "pro-rts-M1.data", "indexmap": "0,1,2,3,4,5" }, { "name": "nit", "positon": 6, "id": 14, "filename": "nit-rts-M1.data", "indexmap": "0,1" }, { "name": "wbc", "positon": 7, "id": 14, "filename": "wbc-rts-M1.data", "indexmap": "0,1,2,3,4" }, { "name": "glu", "positon": 8, "id": 11, "filename": "glu-rts-M1.data", "indexmap": "0,1,2,3,4,5" }, { "name": "vc", "positon": 9, "id": 8, "filename": "vc-rts-M1.data", "indexmap": "0,1,2,3,4" }, { "name": "ph", "positon": 10, "id": 6, "filename": "ph-rts-M1.data", "indexmap": "0,1,2,3,4,5,6" } ] }, { "name": "linxian_green10", "sid": 2, "color": 2, "items": 10, "locator": 2, "parameters": [{ "name": "uro", "positon": 0, "id": 10, "filename": "uro-rts-M1.data", "indexmap": "0,1,2,3,4" }, { "name": "bil", "positon": 1, "id": 9, "filename": "bil-rts-M1.data", "indexmap": "0,1,2,3" }, { "name": "ket", "positon": 2, "id": 12, "filename": "ket-rts-M1.data", "indexmap": "0,1,2,3,4,5" }, { "name": "sg", "positon": 3, "id": 7, "filename": "sg-rts-M1.data", "indexmap": "0,1,2,3,4,5,6" }, { "name": "bld", "positon": 4, "id": 5, "filename": "bld-rts-M1.data", "indexmap": "0,1,2,3,4" }, { "name": "pro", "positon": 5, "id": 4, "filename": "pro-rts-M1.data", "indexmap": "0,1,2,3,4,5" }, { "name": "nit", "positon": 6, "id": 14, "filename": "nit-rts-M1.data", "indexmap": "0,1" }, { "name": "wbc", "positon": 7, "id": 13, "filename": "wbc-rts-M1.data", "indexmap": "0,1,2,3,4" }, { "name": "glu", "positon": 8, "id": 11, "filename": "glu-rts-M1P.data", "indexmap": "0,1,2,3,4,5" }, { "name": "ph", "positon": 9, "id": 6, "filename": "ph-rts-M1.data", "indexmap": "0,1,2,3,4,5,6" } ] } ], "desc": "it is new niaodaifu ML configuration file" } ### http服务器 无需支持HTTPS安全连接,只需要支持明文的http传输数据,http不会暴露在公网,只是内网访问。 提供两个Rest api,一个是json格式的数据,一个是一个或者多个base64格式的图片(jpg或png)。 opencv 库可能不是线程安全的,我不完全确认这一点。如果确定opencv非线程安全,那么需要http服务采用单线程模式,串行处理每一个请求。 如果算法识别成功,则返回200,并携带成功识别的结果。失败则返回合适的http status。 ### 初始化流程 - 加载ml.json配置文件:缓存strips试纸配置数据(每种试纸的color,items,locator等等多个参数,这些参数可以放在一个数据结构里),加载好每个试纸检测项目的算法文件,如通过python代码: rts_bld_M1 = cv2.ml.RTrees_load("bld-rts-M1.data"),并将rts_bld_M1放到map供后续predict使用。 ## 运行时业务流程 ### 请求Json的数据格式 post_req_data_1.json包含了一个完整的尿检检测json数据,这个数据通过http post传递给本程序。 > post_req_data_1.json文件的部分内容,添加了相应的注释内容。 > > 这个json数据里面,usertoken, member_id,sign,userid,channel,record_type 这几个参数可以忽略,无需解析. > > color参数值,Red定位块值为1,Green定位块为2,Blue定位块为3 > > items参数值,表示检测项目数量,14表示十四项尿检,对应data数组中每组检测数据数量 > > locator参数值,表示试纸定位块类型,2:表示小定位块宽3毫米,大定位块宽10毫米。locator还可能等于3或者0。0表示未定义。 > > color,items,locator这三个参数可以唯一确定试纸类型,通过这三个参数,可以到程序启动初始化的试纸列表里找到对应的试纸,并找到每个检测项目的关联算法。 { "usertoken": "eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiIsImp0aSI6IjEifQ.eyJpc3MiOiJ1cmluZS1jaGVjay1pMThuIiwiaWF0IjoxNzY0MjI1ODI3LCJhdWQiOiJ1cmluZS1jaGVjay1pMThuIiwianRpIjoiMSIsImV4cCI6MTc2NjgxNzgyNywidWlkIjoxfQ.EZL-Nld75bnMzwlnG-Q3sa42Tyl9g33k-gCGjA7eQbA", "member_id": 10, "sign": "0a8191273765db468a0afdf13bf0c566", "time": 1764225859, "userid": 0, "color": 1, //Red定位块值为1,Green定位块为2,Blue定位块为3 "items": 14, //表示检测项目数量,14表示十四项尿检,对应data数组中每组检测数据数量 "locator": 2, "record_type": 0, "channel": "android", "data": [ [{ "i": 0, //第一个检测项目的序号 "v": "26.84, 118.6, 209.51, 202.86, 119.62, 172.7" //H,S,V,L ,A ,B 颜色分量特征值 }, { "i": 1, "v": "4.71, 22.95, 222.95, 214.38, 133.27, 131.75" }, { "i": 2, "v": "9.09, 33.01, 239.63, 225.98, 133.86, 135.3" }, { "i": 3, "v": "19.76, 33.55, 245.74, 238.11, 128.11, 139.79" }, { "i": 4, "v": "22.02, 33.78, 250.76, 243.84, 126.99, 140.84" }, { "i": 5, "v": "23.85, 11.79, 161.59, 168.02, 127.4, 131.1" }, { "i": 6, "v": "24.44, 70.08, 237.53, 228.48, 124.08, 155.6" }, { "i": 7, "v": "22.81, 209.43, 234.13, 199.35, 132.06, 200.82" }, { "i": 8, "v": "22.63, 86.19, 252.43, 235.27, 125.86, 162.19" }, { "i": 9, "v": "29.47, 42.35, 231.27, 231.6, 121.92, 146.6" }, { "i": 10, "v": "24.71, 26.02, 253.29, 249.38, 126.01, 138.95" }, { "i": 11, "v": "22.41, 105.22, 216.28, 201.17, 126.83, 164.44" }, { "i": 12, "v": "22.16, 33.06, 249.09, 242.67, 126.94, 140.54" }, { "i": 13, "v": "22.44, 38.69, 239.82, 233.55, 126.64, 142.45" }, { "i": 14, "v": "0.0, 0.0, 0.0, 0.0, 0.0, 0.0" }], [{ "i": 0, "v": "25.77, 122.24, 200.72, 192.61, 121.65, 171.35" }, { "i": 1, "v": "4.54, 27.9, 214.81, 204.76, 134.47, 132.31" }, { "i": 2, "v": "7.94, 38.63, 233.42, 217.25, 135.45, 136.03" }, { "i": 3, "v": "20.14, 39.46, 238.98, 231.07, 128.15, 141.73" }, { "i": 4, "v": "23.23, 38.24, 244.81, 238.62, 126.01, 142.77" }, { "i": 5, "v": "21.36, 9.9, 152.93, 159.67, 127.92, 130.22" }, { "i": 6, "v": "23.17, 78.11, 231.24, 219.85, 125.39, 157.15" }, { "i": 7, "v": "21.75, 215.05, 229.55, 191.1, 135.59, 199.49" }, { "i": 8, "v": "22.37, 91.6, 245.41, 227.62, 126.71, 162.97" }, { "i": 9, "v": "28.52, 48.62, 225.56, 224.99, 122.13, 148.17" }, { "i": 10, "v": "25.22, 27.56, 246.58, 243.3, 125.77, 139.32" }, { "i": 11, "v": "21.08, 105.49, 208.07, 191.69, 128.9, 162.11" }, { "i": 12, "v": "23.97, 38.81, 243.05, 237.65, 125.77, 143.12" }, { "i": 13, "v": "22.7, 45.77, 233.06, 226.75, 126.35, 144.73" }, { "i": 14, "v": "0.0, 0.0, 0.0, 0.0, 0.0, 0.0" }] ] } ### 成功响应的格式 两个http rest api返回的成功响应的格式是一致的。 > data数组包含 该试纸的所有检测项目的所有半定量结果 >> id 参数,对应于ml.json配置文件中检测项的id >> index参数,对应于ml.json配置文件中,某个indexmap的值。(如随机森林识别结果经过取整后为1,则对应 "indexmap": "0,1,2,3,4"的1) > color,items,locator是从请求中读取的值,或者从图片请求中识别出的值 > message参数取ok,失败的响应则为fail > versioninfo参数取当前时间 > imgid 参数可选,如果是图片识别,则表示第一个识别成功的图片序号。(rest调用者可以存储下这个成功的图片,供以后查询用。) { "data" : [ { "id" : 1, "index" : 0 }, { "id" : 2, "index" : 0 }, { "id" : 3, "index" : 0 }, { "id" : 4, "index" : 6 }, { "id" : 5, "index" : 0 }, { "id" : 6, "index" : 0 }, { "id" : 7, "index" : 6 }, { "id" : 8, "index" : 0 }, { "id" : 9, "index" : 1 }, { "id" : 10, "index" : 4 }, { "id" : 11, "index" : 5 }, { "id" : 12, "index" : 5 }, { "id" : 13, "index" : 1 }, { "id" : 14, "index" : 0 } ], "imgid" : 3, "message" : "OK", "color" : 2, "locator" : 2, "items" : 14, "versioninfo" : "Jan 11 2026 23:43:56" } ### 失败响应的格式 失败的响应中,除了message之外,所有字段都可以为可选项。此时http status不建议使用200,而是使用400之类的响应 { "data" : [], "message" : "fail", "color" : 2, "locator" : 2, "items" : 14, "versioninfo" : "Jan 11 2026 23:43:56" } ### Json API请求的逻辑 **post_req_data_1.json文件是一个完整的json数据,请先读取和检查这个文件之后,再理解本节需求。** - 解析Json数据,存储到数据结构中。不一样非要保持Json数据那种嵌套结构,可以单独存储到几个数据结构中。 - 根据解析出来的color, locator, items查找试纸列表,看当前请求的检测数据是否合法。如果color, locator, items参数缺少任意一个,都直接返回失败400结果。 - 确认到被检测试纸数据是合法的之后,进一步检查Json数据中的data这个二维数组的有效性。 data应该有不少于5组数据。 - **对data每一组检测数据,进行随机森林算法的半定量档位计算过程。** 检测数据的每一组,都可以匹配到该试纸的某一个算法配置项。 如下**检测数据**: { "i": 2, "v": "9.09, 33.01, 239.63, 225.98, 133.86, 135.3" } 应该对应到以下的**配置数据**: { "name": "nit", "positon": 2, "id": 14, "filename": "nit-rts-M1.data", "indexmap": "0,1" } 上面的**检测数据**中的i参数,匹配下面的**配置数据**的postion参数,相等则表示匹配上了。i 和 postion都是从0开始的。 **配置数据**中的id参数,会返回给调用者,用于标识对应的检测项目。 通过**配置数据**中的filename参数,将这个参数做索引,找到程序启动时加载的随机森林算法实例。 **检测数据**中的v参数(如上例子 "v": "9.09, 33.01, 239.63, 225.98, 133.86, 135.3"),这一串数组,代表H,S,V,L,A,B这6个颜色特征分量。将作为随机森林算法的输入。 e.g. sample = [9.09, 33.01, 239.63, 225.98, 133.86, 135.3] _, result = rf.predict(sample) // 预测结果 predicted_class = int(result[0, 0])// 需要将结果取整 随机森林预测出的是浮点数,需要取整结果(例如,如果 result等于1.221433, 取整后则为1;如果 result等于1.643236, 取整后则为2 。就是c/c++的round函数 )。将整数作为索引,到对应的**配置数据**中的indexmap中找到当前检测项目的半定量结果。如果索引越界,则结果设置成0 一组data的检测数据,得到一组候选的检测结果。 因为data有多组数据,所以通过上述的若干轮计算,可以获得多组候选的检测结果。 每一组候选结果,都应该保存下来,用于计算**最终检测结果**。 - **最终检测结果**: 上面获得的多组检测结果,其中的每一个检测项目,都存在多个候选的半定量结果。 -假设data有9组数据,则每个检测项目有9个候选结果。通过对结果求众数,获得最终的结果。 例如,蛋白pro检测项,5个结果为2,3个结果为1,1个结果为1,则根据计算众数结果可知,蛋白pro的最终结果是2 - 在获得最终结果后,构建json格式的响应。前面已经讲过成功结果的json格式。 每一个检测项包含id和index两个参数,id对应于**配置数据**中的id,index对应于上一步的最终结果。如下所示: { "id" : 2, "index" : 0 }, - 在获得最终结果后,构建完整json格式的响应,并通过http 200响应发送给请求者。 ### base64图片请求的逻辑 当前目录下的paper.png 图片,是一个试纸参考。因为图片上拍照的,所以不是上述这种多少毫米规格的,肯定是可能大了,也可能小了。上述描述的规格,是实际的物料规格。 用户上传采集的图片:摄像头的本身的原因,可能是有一定的变形的;因为光照环境问题,也可能是存在反光,部分泛白;试纸图片可能不是绝对平放的,甚至放歪了;图片中也肯能存在其他杂物等等。因此实现代码,都需要考虑这些因此,从干扰因素中找到我要的红色定位块。 前文中有详细的**试纸定义**,通过先找定位块再找检测项反应色块的方式,获得每个图片的每个色块的颜色值(HSV,LAB)。一张图片获得一组类似上述json请求方式那样的一组检测数据。 所以,针对每一张图片,代码逻辑如下: * 转换base64到图片,基于opencv库实现的代码,基于**试纸定义**的描述,获得当前试纸的color,locator,items这几个参数。基于这3个参数,从启动配置里面,判断是否支持当前试纸。 * 如果当前图片不是本次http请求的第一个图片,并且前面图片的color,locator,items对应的参数跟当前图片不一样,则说明http请求上传了不同类型的图片。**那么,跳过当前图片,获取下一个图片继续处理。原则上尽可能让用户获得一个检测结果,但是本程序不能支持一个请求同时识别不同类型图片的场景** * 在color,locator,items获取后,并且图片上本程序支持的试纸,进一步获得每个检测反应色块的颜色值(建议的采集颜色的要求和方法,前文也描述了),记住:无论试纸的摆放顺序如何,数组的第一个颜色值应该是小定位块旁边的第一个检测项目的颜色。 * 获得一组颜色值后,直接通过相同于json请求一样的处理方法,获得这张图片的本定量候选检测结果。 类似于json请求的处理方法,处理完所有图片后,针对所有的候选结果,通过计算众数,获得每个检测项目的本定量数值。并通过http成功响应200携带json数据给调用者。json数据中的imgid填写第一个识别成功的图片在所有图片中的序号(前文有讲过)。 这个干化学试纸的图片,可能因为操作原因,存在环境光偏色问题。获取颜色值的时候,应该判断是否偏色,如果偏色,还需要设计一个算法,进行颜色矫正。目录下ColorCorrection.cpp文件,是一个关于颜色纠偏的实现,供参考,如果合理请使用opencv python方式,重新实现一遍并运用到本程序中去。 ## 技术栈和实现 * 基于opencv python库,进行图像图片识别,包括opencv ML python库。 * http server和json解析,请自行决定适合本项目的开源库。 ## 代码注释 * 所有的文件开头,需要有本文件功能介绍,创建日期,最好还有版本信息(每次优化,最好填写新的小版本信息)。 * 每个函数,也应该有注释。代码内部,必要时也需要有注释。 * python 代码规范 ,遵从主流规范,尽可能考虑人类阅读习惯。 * 采用英文注释。 ## 测试 * 提供本文要求的两种http Rest的测试方法和脚步。 * 当前项目下,89d1025813cf81ccc53706c1dca5ff72.jpg等几个文件作为测试文件。测试图片方式的请求,基于这些图片,base64后通过http rest localhost进行python测试和测试。 * 基于post_req_data_1.json文件,进行 http rest json方式的python测试和测试。 ## 日志 * 本程序应该具有运行日志功能,包括启动,运行,数据处理的日志等。不同类型的日志,可以分文件存储。 ## 统计 * 提供关于收到多少HTTP请求,多少失败,多少成功等。 * 成功的结果json信息,可以存储在日志中。 ## 运行状态 ,启动和重启 * 提供程序是否正常运行的脚步,重启程序的脚步 * 是否可以将这个python作为一个系统服务,运行于linux中? ## 最后的总结 AI帮我生成了项目,效果不错。 运行方式: E:\Qoder\urinepaper> .\.venv\Scripts\Activate.ps1 E:\Qoder\urinepaper> python src\urine_ml\api\server.py