本项目将深度学习技术与知识表示方法相结合，提出了一套全面的缺陷自动检测和解释流程。该系统首先从PDF文档中提取并分类图像，然后训练卷积神经网络（CNN），以高精度识别和分类产品缺陷。为了增强可解释性，构建了领域特定知识图谱（KG）来表示缺陷类型及其潜在的失效机制。这种结构化表示使用户能够追溯每个预测的根本原因，从而更好地理解和控制质量。为了提高用户的可访问性和交互性，该流程集成了基于前端（HTML）和后端（Flask API）的系统。用户可以通过集成系统上传缺陷图像，并从Neo4j生成的知识图谱中获得缺陷的自动分类和自然语言解释，包括缺陷的定义和可能的原因。通过结合视觉识别、语义推理和自然语言生成，该方法为工业和制造环境中的高效缺陷分析提供了一种智能且可扩展的解决方案。