布卷计数 ClothCount：把车间里数不清的布卷，变成一次快门

三句话认识它：① 面向纺织行业的布卷自动计数工具，拍照即识别；② 云端 YOLO + OpenCV 双通道检测，返回每卷各自的真实半径并按卷编号标注；③ 按「识别次数」计费，微信充值即充即用，游客与登录用户均有每日免费额度。目前版本 1.0.0。

01｜先回答一个问题：数布卷，为什么这么难？

走进任何一家纺织企业的坯布仓库或验布车间，你大概率会看到这样的画面：成卷的布匹或竖立、或平躺、或交错堆叠在货区里。盘点、入库、出库、对账，每一道环节都绕不开同一个动作——数清楚现场到底有多少卷布。

这件事听起来简单，做起来却远比想象中麻烦。布卷有大有小、有高有低；堆叠时彼此遮挡，前排挡后排；光线稍差、角度稍偏，人工点数就容易漏数或重数。更现实的是，一旦数错，后续的入库单、发货单、库存账目都会跟着错，返工的代价远不止重新点一遍。

「数布卷不是技术活，却是最不能出错的体力活。车间里忙起来，一个仓管一天要点上千卷布，点完还要复核，人很容易疲劳。」
—— 一位纺织企业仓管的工作日常

能不能让 AI 来替人做这件「枯燥但必须准确」的事？这正是布卷计数 ClothCount 立项时的出发点。

02｜ClothCount 是什么：把计数做成一条流水线

布卷计数是一款 Android 原生应用。用户不需要理解模型、不需要配置参数，整个使用路径被压缩成三个动作：拍照或选图 → 框选识别区域 → 查看结果。

与「拍完只给一个总数」的简单工具不同，ClothCount 更在意识别结果能不能被复核。每一次识别，云端都会返回图片里每一卷布的位置，以及每卷布各自的半径，结果页据此在图上逐个画出标记圈并编上序号。人一眼就能对照原图核对——圈对了没有、漏了没有、多圈了没有。

按真实半径绘制

布卷不是一样大的。检测引擎返回每卷各自的半径，标记圈大小随之变化，而不是「一刀切」的等大圆圈。

人工可修正、可回传

识别不准没关系：手动补一个圈、删一个圈、拖动调位置。修正后的标注可回传，用于持续优化模型。

03｜识别是怎么发生的：双通道，而不是单模型碰运气

常见的物体识别方案是「一个模型走到底」——检测框出来，计数就结束。但布卷有一个特殊之处：它天然是圆形截面，而圆形恰好有非常成熟的几何检测手段。ClothCount 的做法是把两种能力叠加起来，各取所长。

YOLO 检测负责从画面里把一个个布卷「认」出来——尤其是在平铺、交错这类 OpenCV 特征不明显的场景里，它靠的是长期训练出来的视觉经验；OpenCV 的圆检测则负责把每一卷的几何边界量准。两条通道的结果在后端融合，最终输出的是「每卷布的位置 + 各自的半径」，而不是一个冷冰冰的整数。

这套「先判定、后测量」的组合拳，是 ClothCount 面对密集、遮挡、光照变化等真实车间场景时，仍能保持稳定输出的底气所在。

04｜为了让「标得准」，把细节抠到了指尖

识别只是前半程；后半程是让人能看得清、改得动。布卷密集时，一个标记圈可能只有拇指盖大小。想在手机屏幕上准确对准它，光靠一张整图远远不够。为此，ClothCount 在结果页内置了一套完整的缩放标注交互，把「在放大镜下干活」变成了标准操作。

双指捏合，随心放大

以捏合点为中心缩放，最多放大 8 倍，想看的局部始终停留在手指下方，不会「放大了却找不到刚才看的地方」。

移动整图，而非画布

单指拖动即可平移整张图片；放大后再小、再密的布卷，也能把目标拖到屏幕中央慢慢处理。

放大状态下照常编辑

加圈、移圈、改半径、删圈——所有标注操作在放大视图下全部可用，点哪圈哪，误差被限制在一个像素级范围内。

拖边缘改半径

选中标记后，在外圈区域拖动即可直观调整半径大小，让圈与布卷边缘严丝合缝。

坐标换算始终以图片原始坐标系为基准：无论屏幕怎么缩放、平移，标注数据都锚定在原图上，因此修正结果可以原样保存、原样回传，不会出现「看着对齐了、导出却偏了」的坐标错位问题。

除了标注本身，ClothCount 也保留了完整的使用闭环：识别与修正结果可保存到系统相册；主屏提供历史记录，随时回看此前的每一次计数，方便对账与复盘。

05｜定价与额度：按次计费，先免费后付费

ClothCount 采用最直白的按识别次数计费模型。账号以手机号 + 密码登录（本机 SIM 号码自动预填，极大降低录入成本）；游客与登录用户各自享有每日免费额度，日常偶尔点几卷完全够用；高频场景则按需购买次数包，微信支付、实时到账。

统一约 ¥0.50 / 次 · 游客每日 5 次、登录用户每日 10 次免费额度。以上为 App 内当前档位，实际以购买页展示为准。

额度不足时，App 会在回到主屏后主动弹出购买引导；登录态失效（如 token 过期）时自动退回游客态，并保留游客可用额度——账不会锁死，人也始终能先把手头的活干完。

06｜技术架构快照：端云协同的分工

手机端负责「采集与呈现」，服务端负责「推理与计费」，各司其职。

• Android 客户端：Kotlin · Jetpack Compose · CameraX · OpenCV · OkHttp
• 识别服务端：Python · FastAPI · YOLO / ONNX · OpenCV
• 商业与账号：微信支付 v3 · 手机号账号体系 · 次数额度 · 标注回传

把模型放在云端，换来的直接好处是手机端足够轻：普通 Android 设备即可流畅运行，识别能力的升级也无需用户重新安装 App——后端模型一更新，下一次识别立刻用上新版本。

它最适合出现在哪些场景？

• 坯布仓库：入库、出库、月度盘点时快速清点布卷数量，减少人工反复核对。
• 验布车间：验布完成后的数量登记，随手一拍留档，结果可保存进相册备查。
• 生产 / 物流交接：交接班或发运前的数量确认，替代口头报数与纸笔记录。
• 经销商盘点：门店或档口的布卷库存快速盘点，一部手机即可完成。

小结

布卷计数没有试图替代整条纺织供应链，它只认真解决一个高频且痛感明确的环节——把布卷数清楚。用 AI 减少一次弯腰、一次重数、一次对不上账，这件事本身就有价值。

当前版本 ClothCount v1.0.0 · Android · 内测发放中。获取安装包或商务合作，请联系 FZERP 团队（内部渠道）。