"use client"; import dynamic from "next/dynamic"; import { motion } from "framer-motion"; import { Cpu, CircuitBoard, Sparkles, Atom, Waves, Camera, Brain } from "lucide-react"; import Link from "next/link"; import clsx from "clsx"; const Scene = dynamic(() => import("@/components/Scene"), { ssr: false }); // 已移除浮动花哨徽章组件,保留简洁风格 const moduleLinks = [ { title: "力学实验模块", href: "#mechanics", icon: Waves, desc: "单摆精密测量 / 大摆角与阻尼修正 / 傅科摆进动 / 多参数智能拟合" }, { title: "电路实验模块", href: "#circuit", icon: CircuitBoard, desc: "YOLO 电路识别 → 拓扑重建 → 虚拟仿真 → AI 智能辅导闭环" }, { title: "电磁学实验模块", href: "#electromag", icon: Atom, desc: "气垫导轨 + 视觉测量 + 后续 BO/RL 迭代优化电磁能量转换效率" }, { title: "光学实验模块", href: "#optics", icon: Camera, desc: "分光计视觉十字像追踪 + 步骤引导提升调节精度与效率" }, ]; export default function Home() { return (
{/* 3D Background */} {/* Hero Section */}
AI视觉驱动的智慧物理实验创新平台 “AI + CV”双引擎,重构数据采集、分析、交互与反馈全链路。摆球轨迹追踪、智能电路识别、Web端轻量化、跨平台实时推理,让物理实验进入沉浸式智能时代。 展台同步视频演示 {moduleLinks.map((m) => (

{m.title}

{m.desc}

查看详情
))}
{/* Architecture Section */}
平台总体设计与核心技术架构

本平台以“AI + CV”双引擎驱动:前端浏览器侧完成数据感知、实时视觉解析与轻量推理,后端/边缘协同完成大模型问答与复杂优化计算,形成数据采集—建模拟合—智能校正—反馈交互的闭环。

{[ { t: "CV 感知", d: "Hough/轮廓/YOLO 追踪摆球、电路元件识别" }, { t: "AI 分析", d: "非线性拟合 / 符号回归 / 误差自适应校正" }, { t: "智能交互", d: "Agent 提示步骤 / 故障诊断 / 学习引导" }, { t: "可视化", d: "WebGL & 交互式参数变化动态渲染" }, ].map((b) => (

{b.t}

{b.d}

))}

“AI + CV”双引擎协同

  • CV 模块:图像序列 → 轨迹/姿态/拓扑;YOLO + 自定义滤波器优化稳定性。
  • AI 模块:特征→参数拟合→误差补偿→智能讲解;支持本地与云端混合推理。
  • 数据管线:WebAssembly/OpenCV.js 实时帧处理;TensorFlow.js / WebGPU 加速。
  • 交互体验:自然语言问答、实验步骤导航、异常检测提醒。
  • 部署形态:纯 Web / 微信小程序 / 边缘一体盒子可拓展。
{['Capture','Track','Fit','Correct','Explain','Feedback'].map(s => (
{s}
))}
{/* Module Overview Section */}
四大实验模块 & 未来拓展
{moduleLinks.map((m) => (

{m.title}

{m.desc}

内部锚点
))}
{[ { icon: Waves, t: '统一“AI + CV”技术底座', d: '共享采集 → 追踪 → 拟合 → 校正 → 交互流水线,跨力学 / 电学 / 电磁 / 光学复用。' }, { icon: Camera, t: '纯 Web 端实时推理', d: '浏览器即可完成摄像采集 + OpenCV.js 处理 + 轻量模型推理,无需本地安装。' }, { icon: Brain, t: '智能实验助手', d: '误差分析、参数解释、探索性提问引导,支持未来符号回归自动方程发现。' }, ].map(card => (

{card.t}

{card.d}

))}
{/* Mechanics Module Detail */}

力学实验模块 · 单摆 & 傅科摆

聚焦单摆高精度测量与扩展(大摆角修正 / 阻尼 / 品质因数 / 进动现象),实现从 “验证型”“探究型 + 参数发现” 转化。

  • 基础模型: 小角近似 → 解析周期 ;
  • 大摆角修正: 椭圆积分展开(振幅 时周期 +1.7%;时 +3.7%);
  • 空气阻尼: 线性阻尼模型 ,对振幅指数衰减拟合获取 γ & Q;
  • 进动效应: 初步观测傅科摆水平轨迹椭圆长轴缓慢进动,实验相对理论偏差 ≈1.9%。

AI 数据处理流水线:

  1. CV 追踪:HSV 阈值 + 轮廓 + 质心 → 轨迹 (30–240fps)
  2. 降噪:LSTM / 滤波平滑缺失帧
  3. 非线性拟合:阻尼简谐 + 大摆角修正同步反演 (A, γ, ωd, φ)
  4. 系统误差校正:大摆角 / 阻尼 / 像素标定统一补偿
  5. 结果生成:g、γ、Q、误差拆解与置信区间
{[ { k: 'g 相对误差', v: '0.43%' }, { k: 'Q 典型值', v: '≈ 900+' }, { k: '进动偏差', v: '≈ 1.9%' }, { k: 'FPS 需求', v: '≥ 60 fps' }, { k: '拟合优度 R²', v: '≈ 1.0000' }, { k: 'γ 精度', v: '1e-4 s⁻¹ 级' }, ].map(x => (
{x.k} {x.v}
))}

误差来源 & 缓解

  • 摆长测量主导:像素-长度标定引入 >50% 误差份额 → 透视校正 + 直尺仰拍。
  • 大摆角不修正: 可致 g 低估 ~0.5% → 自动角幅检测触发修正。
  • 阻尼 γ 不确定度:衰减峰值回归 + 多周期平均抑制噪声。
  • 时间戳漂移:基于浏览器高精度计时 + 丢帧插值。

拓展实验

自由落体 / 斜抛 / 弹簧振子共用“轨迹 → 拟合”管线;增加加速度二阶差分平滑与物理约束回填。

{/* Circuit Module Detail */}

电路实验模块 · 实物 → 虚拟 智能桥接

面向电路搭建“高错误率 / 低直观 / 教学成本高”痛点,平台构建 拍照识别 → 拓扑生成 → 虚拟仿真 → AI 辅导 → 诊断优化 闭环。

识别与转换流程

  1. 上传实物俯视图:对比度增强 / 去噪预处理
  2. YOLO 模型:元件类别 + 位置检测 (置信度 > 90%)
  3. 导线解析:颜色分割 + 形态学 + 拓扑推断
  4. 结构化导出:JSON(元件, 参数, 连接) → 虚拟场景重建
  5. 序列化 / 反序列化:支持再编辑 & 教学复用

AI 实验助手 (Agent)

  • 电路原理答疑:上下文相关自然语言解析
  • 故障排查:短路 / 断路 / 量程错误定位 (准确率 >85%)
  • 个性化引导:分层次提问 + 练习建议
  • 策略建议:参数调优与替代元件推荐

功能改造亮点

重构虚拟电表架构:统一量程 / 内阻抽象,支持序列化与自定义显示函数,适配直流电桥 / 复杂测量场景。

价值提升

  • 从“手工搭建”延伸到“智能反馈 + 虚实双轨”体验
  • 降低误接线风险,减少元件损耗
  • 学习路径个性化:错误模式 → 策略建议

核心数据面板

{[ { k: '识别置信度', v: '>90%' }, { k: '故障诊断', v: '>85%' }, { k: '转换延迟', v: '< 3 s' }, { k: '数据格式', v: 'JSON 标准化' }, ].map(x => (

{x.k}

{x.v}

))}
{/* Electromagnetics Module Detail */}

电磁学实验模块 · 电磁能量转换优化

围绕气垫导轨低摩擦环境 + 永磁体滑块 + 线圈 + 可编程电源构建“视觉测量 + 参数智能优化”平台,实现 加速 / 制动能量转换效率 最大化。

视觉 & 数据采集

  • 荧光标签 + HSV 阈值 + 轮廓提取 → 位移序列
  • 差分计算速度 / 加速度,功率曲线与感应电压时间同步
  • 亚像素插值提升定位至 0.1 px

优化算法闭环

  1. 参数向量:提前量 Δt,脉冲宽度 τ,强度 U/I
  2. 安全约束:V / I / dI/dt / 线圈温度限幅
  3. 奖励函数:加速 → vout/能耗;制动 → 回收能量/距离
  4. 冷启动:均匀采样 5–8 组 → 贝叶斯优化拟合响应面
  5. 迭代 30–50 次收敛至最优策略

实验价值

将传统“经验调参”转化为 数据驱动小样本优化;可扩展到多线圈同步控制与能量回收策略研究。

主要误差控制

  • 动态模糊:提升快门 / 降低曝光,结合运动补偿滤波
  • 时间量化:60 fps → 插值校正 16.67ms 间隔偏差
  • 探索噪声:RL 初期随机性通过收敛监测抑制
{[ { k: '像素精度', v: '0.1 px' }, { k: '收敛迭代', v: '≤ 50' }, { k: '参数维度', v: '3~5 可扩展' }, { k: '奖励形式', v: '可插拔' }, ].map(x => (

{x.k}

{x.v}

))}
{/* Optics Module Detail */}

光学实验模块 · 分光计智能辅助

针对分光计“调节耗时 / 精度依赖经验 / 错误代价高”痛点,引入 十字像视觉追踪 + 规则/算法混合引导 + PID 精细调节

系统能力

  • 十字像偏移检测:HSV 分割 + 卡尔曼预测补帧
  • 分步指引:载物台 → 望远镜 → 平行光管层层收敛
  • 方向纠错:若偏移增大 → 即时反向提示
  • PID 复合:P 快速靠近 + I 消除残差 + D 减少过冲

效果指标

{[ { k: '光轴垂直度误差', v: '±1′ (改进自 ±5′)' }, { k: '光谱测量误差', v: '0.8% (原 3%)' }, { k: '调节练习次数', v: '3 次 (原 8 次)' }, ].map(x => (

{x.k}

{x.v}

))}

通过“实物操作 ↔ 虚拟反馈”双通道,强化对最小偏向角 / 光路可逆性等抽象概念的可视化理解。

算法要点

  • 多源容错:反光 / 暂时遮挡 → 轨迹预测维持稳定
  • 操作建议语言模板化,降低认知负荷
  • 未来扩展:自动电机微调 + 自监督姿态估计
{/* Innovation Section */}

创新点与特色

平台特色

  • 统一 Web 前端栈:摄像 / 视觉 / 推理 / 可视化 一体化。
  • 模块化实验插件:力学 / 电学 / 电磁 / 光学按需加载。
  • AI 贯穿“采集 → 分析 → 交互 → 评估”全链路。
  • 纯浏览器运行:降低硬件门槛 & 便于推广。

技术统一性

CV 负责“看见”;AI 负责“理解 / 校正 / 解释”;Agent 负责“交互与引导”。三者协同构成可拓展物理实验智能底座。

核心创新

  1. YOLO + 物理约束拟合:替代人工计时与单一软件辅助。
  2. 多参数联测:单摆拓展至 (g, γ, Q) & 大摆角修正耦合。
  3. 虚实转换桥:电路识别 → 拓扑生成 → 仿真联动。
  4. 小样本优化:BO / RL 迭代探索最优电磁脉冲。
  5. 可扩展方程发现:预留符号回归 / 自监督接口。
  6. 统一序列化:虚拟元件 / 轨迹 / 训练日志规范输出。

拓展潜力

预期接入:衍射条纹分析、热膨胀追踪、声学驻波测量、流体可视化——形成多学科“AI 实验超集”。

{/* Outlook Section */}

总结与展望

平台验证了“AI + CV” 在物理实验 高精度测量 / 多参数挖掘 / 智能交互 / 自适应优化 多维价值:单摆 g 误差压至 0.43%;电路拓扑自动化;电磁脉冲小样本收敛;光学调节效率显著提升。

  • 技术深化: 引入自监督特征提取、符号回归 (SINDy / AI Feynman) 自动方程发现。
  • 场景拓展: 热学、流体、复杂耦合系统多源数据融合。
  • 智能调参: AI 基于学习目标与实时数据主动推荐实验条件。
  • 教育生态: 数据共享与协作分析社区,支撑探究式教学改革。

目标:建设面向未来理工教育的 “全能型 AI 实验基础设施”,让每一位学生以低门槛获得科研级观测与建模能力。

{/* Web Deployment Section */}
Web 端轻量化与跨平台
  • 跨平台:浏览器即实验室,覆盖手机 / PC / 平板 / 小程序。
  • 本地推理:TensorFlow.js / WebGPU 使 YOLO / Transformer 部分模型可端侧运行,降低延迟。
  • 实时 CV:getUserMedia + OpenCV.js 在纯前端实现图像滤波、边缘检测、轮廓拟合与运动轨迹重建。
  • 混合架构:轻量模型前端运行,大模型问答 & 复杂优化通过 API 协同。
  • 开放拓展:支持未来热学 / 声学 / 流体等模块的即插式算法集成。

端侧计算栈

{[ 'WebGL','WebGPU','WASM','OpenCV.js','TensorFlow.js','MediaPipe','YOLOv8-tiny','Edge Agent' ].map(s => (
{s}
))}
Edge Inference Core
Capture → Track → Fit → Insight
{/* Footer */}
); }