01先回答一个问题：数布卷，为什么这么难？

一个看起来只是「数数」的场景，背后全是纺织厂真实的生产节奏。

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。

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。

02ClothCount 是什么：把计数做成一条流水线

从按下快门到拿到结果，全程不超过半分钟。

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。

03识别是怎么发生的：双通道，而不是单模型碰运气

YOLO 负责「找到像布卷的东西」，OpenCV 负责「把圆画准」。

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。

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。

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。