JSON
Il modulo JSON integra quattro strumenti principali di elaborazione JSON progettati per scenari di ispezione visiva industriale, con l'obiettivo di migliorare l'efficienza delle operazioni di pulizia, conversione e analisi dei dataset.
1. Classificazione dei Difetti (qx_class)¶
Descrizione:
Il sistema scansiona automaticamente tutti i file di annotazione JSON nella directory specificata e li ordina in modo intelligente in base ai valori del loro campo interno "label".
-
Logica di classificazione:
- File single-class, memorizzati in una cartella con il nome del difetto: immagini contenenti un solo tipo di difetto.
- File multi_class misti: immagini contenenti due o più tipi di difetto.
- File Null_Pictures: file che non contengono tag label.

-
Configurazione del percorso:
- Output predefinito:
D:\ToolsetCatalog\缺陷分类\qx_class_output

- Personalizzato: gli utenti possono selezionare manualmente il percorso di output di base tramite l'interfaccia.
- Output predefinito:
Casi d'Uso
Utilizzato per estrarre rapidamente i campioni di un difetto specifico (ad esempio "graffi"), oppure per rimuovere dati vuoti con annotazioni incomplete.
2. YOLO TXT → JSON¶
Descrizione:
Converte i file di label .txt in formato YOLO nel formato standard .json.
- Caratteristiche della conversione:
- Abbina automaticamente la risoluzione dell'immagine.
- Supporta il ripristino delle coordinate sia per OBB (rotated box) sia per i box regolari.
- Preserva la corrispondenza originale tra gli indici di classe e i nomi delle label.
3. Generazione in Batch di JSON Vuoti¶
Descrizione: Nell'addestramento di deep learning, per ridurre il tasso di falsi positivi (FP), è solitamente necessario aggiungere una certa proporzione di "negative samples" (immagini OK).
- Flusso di lavoro:
- Seleziona una cartella contenente "immagini pure" (immagini senza difetti).
- Il sistema genera un corrispondente file "empty JSON" per ciascuna immagine.
- Scopo: Ottiene un effetto di bilanciamento tra campioni positivi e negativi, sopprimendo efficacemente i falsi giudizi del modello causati dal rumore di fondo.
4. Visualizzazione e Analisi del Dataset¶

Descrizione: Fornisce un report interattivo e completamente automatizzato per la valutazione della qualità del dataset.
📊 Report di Analisi Automatica¶
Dopo aver selezionato la directory del dataset e cliccato sul pulsante [Analyze], il sistema genera in tempo reale una dashboard contenente quanto segue:
- Un grafico a torta della distribuzione dei file / del conteggio per classe.
- Una tabella dei conteggi di file / difetti.
- Un report di analisi testuale del dataset.
🛠️ Operazioni di Pulizia in Tempo Reale¶
Al termine dell'analisi, nell'interfaccia è supportata l'elaborazione immediata dei dati:
- Remove: elimina rapidamente tutti i file (immagini + JSON) contenenti un tipo specifico di difetto.
- Delete Boxes: elimina solo i box di un tipo specifico di difetto, mantenendo i file originali e la directory senza rimozione fisica.
Nota
La prima operazione, Remove, è un'operazione di spostamento; per impostazione predefinita i file vengono spostati in D:\ToolsetCatalog\数据可视化.