chore: remove obsolete project plan files

工作计划.md

@@ -1,82 +0,0 @@
-# 红外故障检测工作计划
-
-## 项目目标
-
-基于YOLO的红外图像目标识别与ROI区域温度特征提取系统
-
-## 项目背景
-
-- 现有数据集：红外图像数据（电气设备）
-- 目标：识别红外图像中的设备部件，提取ROI区域的温度特征，用于后续故障诊断
-
-## 工作计划
-
-### 阶段一：项目初始化与环境配置
-
-- [ ] 创建项目目录结构
-- [ ] 配置Python环境（Python 3.8+, PyTorch, OpenCV, NumPy）
-- [ ] 安装YOLO相关依赖（ultralytics）
-- [ ] 整理红外图像数据集，转换为YOLO格式
-- [ ] 编写数据配置文件（data.yaml）
-
-### 阶段二：YOLO模型训练与优化
-
-- [ ] 选择合适的YOLO模型（YOLOv8）
-- [ ] 编写模型训练脚本
-- [ ] 进行模型训练与验证
-- [ ] 评估模型性能（mAP, Precision, Recall）
-- [ ] 导出训练好的模型（best.pt）
-
-### 阶段三：ROI温度特征提取
-
-- [ ] 设计ROI区域温度提取算法
-- [ ] 实现基于检测框的温度统计（最大值、最小值、平均值、标准差）
-- [ ] 实现温度分布直方图特征
-- [ ] 实现纹理特征（可选：基于GLCM）
-- [ ] 封装温度特征提取模块
-
-### 阶段四：故障诊断接口
-
-- [ ] 设计故障诊断流程
-- [ ] 封装推理Pipeline（检测+温度提取+诊断）
-- [ ] 输出结构化结果（JSON格式）
-
-### 阶段五：测试与验证
-
-- [ ] 准备测试数据集
-- [ ] 端到端流程测试
-- [ ] 性能优化（推理速度）
-
-## 项目结构
-
-```
-1BaseOnYOLO/
-├── data/                  # 数据目录
-│   ├── images/           # 红外图像
-│   ├── labels/           # YOLO格式标注
-│   └── yaml/             # 配置文件
-├── models/               # 模型目录
-│   └── train/            # 训练输出
-├── src/                  # 源代码
-│   ├── detect.py         # 检测脚本
-│   ├── extract_temp.py   # 温度特征提取
-│   ├── diagnose.py       # 故障诊断
-│   └── utils/            # 工具函数
-├── weights/              # 模型权重
-├── 工作计划.md
-└── README.md
-```
-
-## 技术栈
-
-- **深度学习框架**: PyTorch
-- **目标检测**: YOLOv8 (ultralytics)
-- **图像处理**: OpenCV, NumPy
-- **数据格式**: YOLO TXT格式
-
-## 预期输出
-
-1. 训练好的YOLO模型权重
-2. ROI温度特征提取模块
-3. 故障诊断Pipeline
-4. 完整的项目代码和文档