WorkBuddy 实战：通信拆除签证照片自动选图，200+ 张成品全流程复盘（真是没有做不到只有想不到）

项目送审时，照片归集是很多人的痛点

通信基站拆除工程要办"拆除签证"，每个点位需要"拆除前/拆除后"照片各一张， 且照片上的水印信息块必须与点位名称一致、成品不能带水印。项目涉及 200+ 个点位， 素材是几百个按站名命名的文件夹、数千张现场照片。靠人眼一张张翻，一周都不够。 我用 WorkBuddy 把整条链路自动化了，这篇文章把思路和踩过的坑完整写出来。

一、任务拆解：把"选图"变成流水线

拿到任务后先别急着让 AI"帮我选照片"，而是拆成六道工序：

每道工序单独下指令、单独验收，比一句"帮我挑 200 组照片"靠谱得多—— 这也是用 AI 干正事的第一条经验：任务粒度决定交付质量。

二、各工序的做法

1. 读台账，先搞懂"游戏规则"

拆除签证的 Excel 里，黄色标记的点位是已完成的，只做非黄色点位。 这里有个坑：openpyxl 默认读不到单元格填充色，要配合格式信息才能识别黄色标记。 把"跳过黄色、按 A 列顺序、每点位取前/后各一张"的规则写清楚，AI 才不会白干。

2. 素材池扫描：OCR 水印备注是钥匙

现场照片带"元道经纬相机"类水印，含时间、经纬度和备注文字——备注里经常 直接写着"XX 天线拆除前/后"，这是配对的最强证据。做法：

• 用 Python（rapidocr）批量 OCR 全部照片的备注行；
• 把识别结果落成 JSON 素材池，标注每个文件夹里哪些是"前照候选"、哪些是"后照候选"；
• 千万不能信文件夹名：实测多个文件夹混入了其他站点的照片， 只有水印备注和点位名称逐字核对才算数。

3. 前/后配对：语义比画面重要

"拆除前"要能看到天线还在杆上，"拆除后"最好是空支架/空横担。 AI 第一轮初筛的误报率实测约 50%——大量格栅状 AAU、RRU 设备被认成板状天线， 不少"空杆"其实是新站安装照（备注写"安装前"、设备箱还贴着保护膜，这是新站铁证）。

所以规则是：AI 出候选清单，人来终审。终审时逐张放大到全分辨率， 看三个东西：设备形态、抱箍支架、水印备注是否自证。

4. 去水印：云端擦除 + 本地兜底

• WorkBuddy 自带图像处理能力（云端 erase），对信息块、水印条效果不错；
• 实测 clientTempToken 约 15 分钟过期，批量处理要分批取新 token，每批 ≤7 张；
• 云端搞不定的（纯色残块、复杂背景残留），本地 OpenCV 三段式兜底： HSV 掩膜 + TELEA 修小色块、相邻区域克隆修大块、杆身等平滑面用列向插值；
• 有一个铁律：大信息块占半幅的照片不要硬修，直接换素材，修复痕迹永远骗不过验收人。

5. 命名归档与台账防重

成品按"序号_点位名_拆除前/后.jpg"命名，分别存入"拆除前/拆除后"文件夹； 同时维护一个"已用文件夹台账"（JSON），防止同一文件夹的照片被两个点位复用—— 几百个点位挑下来，撞车是必然的，台账是唯一保险。

6. 终极 QC：感知哈希配对

去水印是异步批处理，成品和源图的对应关系会乱。用 dHash 感知哈希做成品↔源图 1:1 匹配重命名，比肉眼快且可靠。最后的教训最值钱：缩略图拼图验收不可靠， AAU 和板状天线在缩略图里根本分不出来，必须全分辨率抽查，我自己就因此返工过一批。

三、踩坑清单（帮后来人省时间）

1. bash 的 ls 排序和 Python sorted() 不一致（中文按 Unicode 排）， 批量处理按"处理完立刻改名"最稳；
2. 备注文字不可轻信："替换前/后"是设备替换工程，不是天线拆除；
3. Windows 下 OpenCV 读中文路径要用 imdecode/fromfile；
4. 每个文件夹只服务一个点位，脚本里加断言防一夹多用；
5. 云端图像接口 token 有时效，批量任务按批次拿新凭据。

四、总结

整个项目，WorkBuddy 承担了扫描、OCR、配对初筛、脚本编写、批量去水印、 QC 匹配这些机械劳动，我负责规则制定和语义终审。人机分工清楚后， 200+ 点位的选图从"不可能的工期"变成了两天交付。

AI 不是替我干活，是替我把"翻照片"这种事变成可以验收的流水线。

有兴趣的朋友欢迎交流，评论区见。